[論文レビュー] Recursive Partitioning for Heterogeneous Causal Effects

Susan Athey, Guido W. Imbens|arXiv (Cornell University)|Apr 5, 2015

Advanced Causal Inference Techniques参考文献 22被引用数 21

ひとこと要約

本稿では、実験的および観察的研究における異質的因果効果を推定するための誠実な再帰的分割法を提案する。木の構築と治療効果推定に別々の標本を用いることで、妥当な推論を保証する。この手法は、多くの共変量と小さな標本でも名目水準の信頼区間のカバレッジを達成し、適合度を維持しながら、適応的手法よりも優れたカバレッジを実現する。

ABSTRACT

In this paper we study the problems of estimating heterogeneity in causal effects in experimental or observational studies and conducting inference about the magnitude of the differences in treatment effects across subsets of the population. In applications, our method provides a data-driven approach to determine which subpopulations have large or small treatment effects and to test hypotheses about the differences in these effects. For experiments, our method allows researchers to identify heterogeneity in treatment effects that was not specified in a pre-analysis plan, without concern about invalidating inference due to multiple testing. In most of the literature on supervised machine learning (e.g. regression trees, random forests, LASSO, etc.), the goal is to build a model of the relationship between a unit's attributes and an observed outcome. A prominent role in these methods is played by cross-validation which compares predictions to actual outcomes in test samples, in order to select the level of complexity of the model that provides the best predictive power. Our method is closely related, but it differs in that it is tailored for predicting causal effects of a treatment rather than a unit's outcome. The challenge is that the "ground truth" for a causal effect is not observed for any individual unit: we observe the unit with the treatment, or without the treatment, but not both at the same time. Thus, it is not obvious how to use cross-validation to determine whether a causal effect has been accurately predicted. We propose several novel cross-validation criteria for this problem and demonstrate through simulations the conditions under which they perform better than standard methods for the problem of causal effects. We then apply the method to a large-scale field experiment re-ranking results on a search engine.

研究の動機と目的

• 共変量の数が標本サイズに対して大きい場合に、特にそのような状況においても、サブグループに異なる治療効果を持つように、データ駆動型の手法で母集団を分割すること。
• 治療効果のサブグループ内での妥当な統計的推論（特に名目水準のカバレッジを持つ信頼区間）を可能にすること。これは、異質性の関数的形が未知である場合でも有効である。
• 探索的サブグループ分析における多重検定の課題に対処し、タイプIエラー率の上昇を防ぐために、データ駆動型のサブグループ同定を可能にすること。
• 回帰木を変更することで、結果予測の最適化ではなく、治療効果の異質性の最適化を目的とした機械学習手法を因果推論に適応すること。
• 観察的研究における無偏性のない前提のもとで機能するフレームワークを提供すること。これは、選択バイアスを是正するための感受度スコアの重み付けを用いる。

提案手法

• 本手法は「誠実な」アプローチを採用する。一つの標本を用いて、治療効果の異質性に基づいて特徴空間を再帰的に分割することで、因果フォレストや木を構築する。別々の標本を用いて、各リーフ内での治療効果を推定する。
• 分割基準は、結果予測ではなく、治療効果推定の適合度を最適化し、分割に伴う分散の変化を考慮する。
• 交差検証は、分割と推定に別々のfoldを用いることで因果設定に適合させ、誤った相関に過剰適合するのを防ぐ。
• 観察的研究では、各リーフ内での治療効果は、感受度スコアに基づく逆確率重み付けを用いて推定され、治療群および対照群内で再正規化することで推定の効率性を向上させる。
• モデル選択は、適合度の向上にかかわらず、治療効果推定の精度を低下させる分割を罰則することで、バイアスと分散のバランスを取る。
• 本手法はスパarsity仮定を必要とせず、共変量の数が標本サイズを上回る場合でも妥当な推論を維持する。

実験結果

リサーチクエスチョン

• RQ1 名目水準の信頼区間を保証する条件下で、多くの共変量と小さな標本でも、治療効果が異なるサブグループに母集団をデータ駆動型に分割できるか？
• RQ2 スパarsity仮定や既知の関数形を仮定しない高次元設定でも、治療効果の信頼区間の名目水準カバレッジを達成する方法は何か？
• RQ3 データ適応的モデル選択によるバイアスを避けるために、誠実な推定は、同じデータをモデル選択と推定に用いる適応的手法に比べて、カバレッジをどの程度改善するか？
• RQ4 本手法は、無偏性のない前提のもとで観察的研究に拡張可能か。また、感受度スコアの重み付けは推論の質にどのように影響するか？
• RQ5 複数の仮説検定によるタイプIエラー率の上昇を防ぎながら、無作為化試験における後向きのサブグループ探索が有効に行えるか？

主な発見

• 誠実な再帰的分割法は、すべてのシミュレーション設計において、90％信頼区間の名目水準カバレッジを達成する。これは、多くの共変量と小さな標本でも同様に有効である。
• これに対して、機械学習で一般的な適応的手法は、データ適応的モデル選択に起因するバイアスのため、顕著に低いカバレッジを示し、しばしば名目水準を下回る。
• 本手法は、治療効果の予測適合度を維持しながら、推論の妥当性を著しく向上させ、バイアスとカバレッジの間の良好なトレードオフを示す。
• 本手法は、事前にサブグループを指定しない無作為化実験における信頼性の高いサブグループ分析を可能にし、多重仮説検定の落とし穴を回避する。
• 観察的研究では、感受度スコアの重み付けと組み合わせても、特に治療群および対照群内で再正規化された重みを用いることで、妥当な推論を維持する。
• 本手法は高次元の共変量に対して頑健であり、スパarsity仮定を必要とせず、数百人の被験者と多数の患者特徴を持つ臨床試験などの応用に適している。