[論文レビュー] Regression adjustments for estimating the global treatment effect in experiments with interference

Alex Chin|arXiv (Cornell University)|Aug 27, 2018

Advanced Causal Inference Techniques参考文献 79被引用数 3

ひとこと要約

本稿では、干渉を伴う無作為化実験におけるグローバル平均処置効果（GATE）の不偏推定のための回帰補正推定器を提案する。処置割り当て関数を共変量として用い、機械学習による柔軟なモデリングを可能にする。この手法は、既存の逆確率重量付き推定と比較してバイアス補正を改善し、外生性仮定のもとでブートストラップリサンプリングを用いた有効な推論を可能にする。

ABSTRACT

Standard estimators of the global average treatment effect can be biased in the presence of interference. This paper proposes regression adjustment estimators for removing bias due to interference in Bernoulli randomized experiments. We use a fitted model to predict the counterfactual outcomes of global control and global treatment. Our work differs from standard regression adjustments in that the adjustment variables are constructed from functions of the treatment assignment vector, and that we allow the researcher to use a collection of any functions correlated with the response, turning the problem of detecting interference into a feature engineering problem. We characterize the distribution of the proposed estimator in a linear model setting and connect the results to the standard theory of regression adjustments under SUTVA. We then propose an estimator that allows for flexible machine learning estimators to be used for fitting a nonlinear interference functional form. We propose conducting statistical inference via bootstrap and resampling methods, which allow us to sidestep the complicated dependences implied by interference and instead rely on empirical covariance structures. Such variance estimation relies on an exogeneity assumption akin to the standard unconfoundedness assumption invoked in observational studies. In simulation experiments, our methods are better at debiasing estimates than existing inverse propensity weighted estimators based on neighborhood exposure modeling. We use our method to reanalyze an experiment concerning weather insurance adoption conducted on a collection of villages in rural China.

研究の動機と目的

• 無作為化実験における干渉によって引き起こされるグローバル平均処置効果（GATE）推定のバイアスを是正すること。
• 通常SUTVAのもとで用いられる回帰補正技術を、処置割り当て関数から構築した共変量を用いることで、干渉がある状況に拡張すること。
• 平均関数の機械学習推定器を用いて、干渉効果の柔軟で非線形なモデリングを可能にすること。
• 外生性仮定のもとで有効な統計的推論を構築し、複雑な解析的分散公式に依存しないこと。
• シミュレーションおよび実世界のデータにおいて、既存の逆確率重量付き推定法と比較して、バイアス低減が改善されることを示すこと。

提案手法

• 処置割り当てベクトルの関数として回帰補正の共変量を構築し、応答と相関する関数を用いて干渉のパターンを捉える。
• 線形モデルフレームワークを用いて提案推定量の分布を特徴付け、SUTVAのもとでの標準的回帰補正理論と接続する。
• 非線形干渉関数形をよりよく適合させるために、機械学習モデルを用いた柔軟な推定量を提案する。
• ブートストラップおよびリサンプリング手法を用いて分散推定を行い、干渉によって生じる依存性を、経験的共分散構造を活用して扱う。
• 観測されない交絡要因が存在しない場合に有効な推論が得られる、観測研究におけるunconfoundednessに類似した外生性仮定に依存する。
• 農村中国における天候保険の実施実験の実データにこの手法を適用し、実用的有用性を示している。

実験結果

リサーチクエスチョン

• RQ1 SUTVAの破れを伴う干渉がある状況で、回帰補正がGATE推定のバイアス低減に有効に機能するか。
• RQ2 処置割り当て関数を共変量として用いることで、標準的回帰補正の一般化にどのように寄与できるか。
• RQ3 解析的分散公式と比較して、ブートストラップに基づく推論は干渉下でのGATE推定量においてどの程度の性能を示すか。
• RQ4 露出モデルを用いた逆確率重量付き推定と比較して、提案手法はバイアスおよび精度の点でどの程度優れているか。
• RQ5 複雑で非線形な干渉パターンを伴う状況において、機械学習モデルは推定精度を向上させることができるか。

主な発見

• 提案された回帰補正推定量は、シミュレーション実験において逆確率重量付き推定量と比較して顕著にバイアスを低減した。
• 中国の農村部における天候保険導入実験の再分析において、線形回帰補正推定値は0.1218、ロジスティック回帰補正推定値は0.1197であり、それぞれ標準誤差は0.0561および0.0559であった。
• 標準誤差推定値は広く、処置効果の解釈には注意が必要であることが示された。また、Hájek推定量の保守的分散推定値は不安定であり、しばしば1より大きくなる傾向にあった。
• ブートストラップを用いることで、干渉下でも有効な推論が可能となり、複雑な解析的分散計算の必要性を回避できる。
• このアプローチは干渉の検出を特徴工学の問題として扱い、関数選択を通じて分野知識を組み込むことを可能にする。
• クラスターブートストラップまたはロバスト標準誤差を用いた残差ベースの診断は、平均モデルに捉えきれていない残存干渉を検出するのに役立つ可能性がある。