[論文レビュー] Optimal Multilevel Matching in Clustered Observational Studies: A Case Study of the School Voucher System in Chile

Luke Keele, José R. Zubizarreta|arXiv (Cornell University)|Sep 30, 2014

Advanced Causal Inference Techniques参考文献 38被引用数 5

ひとこと要約

本稿では、クラスタ化された観察研究における最適な多段階マッチング戦略を提案し、従来の常識をくつがえす形で、まずクラスタ内での個人同士のマッチングを行い、その後にクラスタ同士をマッチングする。動的および整数プログラミングを用いて、個人レベルおよびクラスタレベルの両方でバランスの取れたマッチングペアの最大サンプルを同定する。チリの学校給付金制度の評価への応用を通じて、共変量のバランスが向上したことが示された。

ABSTRACT

A distinctive feature of a clustered observational study is its multilevel or nested data structure arising from the assignment of treatment, in a non-random manner, to groups or clusters of individuals. Examples are ubiquitous in the health and social sciences including patients in hospitals, employees in firms, and students in schools. What is the optimal matching strategy in a clustered observational study? At first thought, one might start by matching clusters of individuals and then, within matched clusters, continue by matching individuals. But, as we discuss in this paper, the optimal strategy is the opposite: first match individuals and, once all possible combinations of matched individuals are known, then match clusters. In this paper we use dynamic and integer programming to implement this strategy and extend optimal matching methods to hierarchical and multilevel settings. In particular, our method attempts to replicate a paired clustered randomized study by finding the largest sample of matched pairs of treated and control individuals within matched pairs of treated and control clusters that is balanced according to specifications given by the user. We illustrate our method on a case study of the comparative effectiveness of public versus private voucher schools in Chile, a question of intense policy debate in the country at the present.

研究の動機と目的

• グループに非ランダムに割り当てられる治療が存在する階層的・クラスタ化された観察研究における最適マッチングの課題に対処すること。
• 観察データにおいて、ペア化されたクラスタ化された無作為化実験のバランスを再現する手法を開発すること。
• 従来のマッチング順序を逆転させること—まず個人をマッチングし、その後にクラスタをマッチングすることで、両レベルでの共変量バランスを向上させること。
• 個人レベルおよびクラスタレベルの両方でのバランスを優先する、ユーザー指定可能な多段階マッチングフレームワークを提供すること。
• 本手法を実世界の政策課題に適用すること：チリにおける公共および私立給付金付き学校の比較的有効性。

提案手法

• 本手法は、クラスタ内の可能なすべてのマッチングペアの組み合わせを特定するために動的プログラミングを用いる。
• その後、整数プログラミングを用いて、バランスの取れたペアの数を最大化する最適なマッチングクラスタの集合を選択する。
• このアプローチにより、ユーザーが指定した基準に従って、個人レベルおよびクラスタレベルの共変量がバランスされる。
• マッチングは逆順に進行する：まず個人同士をマッチングし、その後にそれらの個人を含むクラスタ同士をマッチングする。
• アルゴリズムは、両レベルでバランスを保ちながら、マッチングされた治療群および対照群ペアの最大可能なサンプルを求める。
• 本手法は、観察的状況下でペア化されたクラスタ化された無作為化実験の設計を模倣することを目的としている。

実験結果

リサーチクエスチョン

• RQ1 多段階クラスタ化された観察研究における最適なマッチングの順序は何か—まず個人をマッチングするのか、それともクラスタをマッチングするのか？
• RQ2 最適マッチングは、階層的データ構造にどのように拡張可能か、複数レベルでのバランスを維持できるか？
• RQ3 クラスタ化された観察研究におけるマッチングサンプルは、ペア化されたクラスタ化された無作為化実験と同等のバランスを達成できるか？
• RQ4 マッチング順序が、多段階設定における共変量バランスおよび因果推論の妥当性に与える影響は何か？
• RQ5 整数および動的プログラミングは、実務において最適な多段階マッチングを実装するためにどのように活用できるか？

主な発見

• 最適マッチング戦略は、従来の実務をくつがえすものである：まずクラスタ内の個人をマッチングすることで、より優れたバランスとより大きなマッチングサンプルが得られる。
• 本手法は、個人レベルおよびクラスタレベルの両方で、大きなバランスの取れたマッチングペアのサンプルを効果的に同定した。
• 本手法は、ペア化されたクラスタ化された無作為化実験と同等のバランスを達成し、因果推論の妥当性を高めた。
• チリの学校給付金制度への応用は、本手法の実世界の政策評価における実用性と有効性を示した。
• 動的および整数プログラミングの使用により、ユーザーが定義したバランス制約下で、最適な多段階マッチングを効率的に計算可能となった。
• 本研究は、ネストされたデータ構造を持つ観察研究において、多段階マッチングが共変量バランスを顕著に改善できることを示した。