[論文レビュー] Propensity Score Weighting for Causal Inference with Multiple Treatments

Fan Li, Li, Fan|arXiv (Cornell University)|Aug 16, 2018

Advanced Causal Inference Techniques参考文献 58被引用数 9

ひとこと要約

本稿は、複数の処置を伴う因果推論のための統一的バランス重み枠組みを提案し、漸近的分散を最小化し、極端な適合確率を回避するために、すべての処置群に著しい共変量の重なりを持つ標本集団に焦点を当てた一般化オーバラップ重みを導入する。この手法は、特に健康サービス研究における人種的格差分析において、推定の効率性とロバスト性を向上させる。

ABSTRACT

Causal or unconfounded descriptive comparisons between multiple groups are common in observational studies. Motivated from a racial disparity study in health services research, we propose a unified propensity score weighting framework, the balancing weights, for estimating causal effects with multiple treatments. These weights incorporate the generalized propensity scores to balance the weighted covariate distribution of each treatment group, all weighted toward a common pre-specified target population. The class of balancing weights include several existing approaches such as the inverse probability weights and trimming weights as special cases. Within this framework, we propose a set of target estimands based on linear contrasts. We further develop the generalized overlap weights, constructed as the product of the inverse probability weights and the harmonic mean of the generalized propensity scores. The generalized overlap weighting scheme corresponds to the target population with the most overlap in covariates across the multiple treatments. These weights are bounded and thus bypass the problem of extreme propensities. We show that the generalized overlap weights minimize the total asymptotic variance of the moment weighting estimators for the pairwise contrasts within the class of balancing weights. We consider two balance check criteria and propose a new sandwich variance estimator for estimating the causal effects with generalized overlap weights. We apply these methods to study the racial disparities in medical expenditure between several racial groups using the 2009 Medical Expenditure Panel Survey (MEPS) data. Simulations were carried out to compare with existing methods.

研究の動機と目的

• 逆確率重み付けの複数処置設定における限界、特に極端な適合確率と明確でない標本集団の問題を解決すること。
• 事前に指定された標本集団を標的として、複数処置における因果推論を可能にする統一的バランス重み枠組みを構築すること。
• すべての処置群に著しい重なりを持つ部分集団に焦点を当て、0と1の間で有界で効率的な重み付けスキームとして一般化オーバラップ重みを導入すること。
• 一般化オーバラップ重み付けスキーム下での有効な推論を支援する分散推定器とバランスチェックを提供すること。
• 2009年MEPSの実世界データを用いて、医療費における人種的格差を応用・検証すること。

提案手法

• 複数処置群間での共変量分布のバランスを、共通の標本集団に向けて再重み付けする一般化バランス重み枠組みを提案する。
• 潜在的アウトカムの線形対比を用いて標的推定量を定義し、処置効果の対比較を可能にする。
• 一般化オーバラップ重みを、逆確率重みと一般化適合確率の調和平均の積として定義し、0と1の間で有界な重みを保証する。
• バランス重みのクラス内で、対比較のモーメント推定量の合計漸近分散を最小化する形で、一般化オーバラップ重みを導出する。
• 一般化オーバラップ重みの推定不確実性を考慮する新しいサンドイッチ分散推定器を開発する。
• 非正規推定量を扱い、有限標本におけるロバスト性を向上させるために、ランク・リプレース調整を適用する。

実験結果

リサーチクエスチョン

• RQ1 適合確率重み付けを複数処置設定に一般化する方法は何か？ また、バランスを保ちつつ分散を最小化できるか？
• RQ2 複数処置設定における因果推論の最適な標本集団とは何か？ そして、形式的に定義できるか？
• RQ3 極端な適合確率が引き起こす不安定性を回避するため、有界な重みを構築できるか？
• RQ4 一般化オーバラップ重み付けスキームは、既存の手法と比較して、どの程度効率的でロバストか？
• RQ5 モデル誤指定が、提案された重み付け推定量の性能に与える影響は何か？

主な発見

• 一般化オーバラップ重みは、バランス重みのクラス内で、対比較のモーメント推定量の合計漸近分散を最小化することが示された。
• 一般化オーバラップ重みは0と1の間で厳密に有界であり、逆確率重み付けが引き起こす極端な適合確率の問題を効果的に排除した。
• 提案されたサンドイッチ分散推定器は、モデル誤指定下でも一般化オーバラップ重みの有効な推論を提供した。
• シミュレーションでは、重なりが悪い状況下でも、一般化オーバラップ重みが既存の手法を上回るバイアスと平均二乗誤差を示した。
• MEPSへの応用では、この手法が医療費における顕著な人種的格差を明らかにし、標準的IPWよりもより安定的かつ解釈可能な推定値を提供した。
• この手法は、アウトカムモデルと適合確率モデルの両方が正しく指定された場合に、効率性を向上させる補正重み推定量の使用を可能にした。