[論文レビュー] Robust Estimation of Causal Effects via High-Dimensional Covariate Balancing Propensity Score

Yang Ning, Sida Peng+1 more|arXiv (Cornell University)|Dec 20, 2018

Advanced Causal Inference Techniques参考文献 39被引用数 16

ひとこと要約

本稿では、高次元の交絡要因を伴う観察研究における平均処置効果の推定に向けた、高次元共変量バランス化傾向スコア（HD-CBPS）を提案する。罰則付きM推定量と目的の共変量バランス化を組み合わせることで、モデル誤指定下でも根n乗の一致性と漸近正規性を達成し、変数選択の一致性を必要とせず、二重ロバスト性と有効な推論を保証する。

ABSTRACT

In this paper, we propose a robust method to estimate the average treatment effects in observational studies when the number of potential confounders is possibly much greater than the sample size. We first use a class of penalized M-estimators for the propensity score and outcome models. We then calibrate the initial estimate of the propensity score by balancing a carefully selected subset of covariates that are predictive of the outcome. Finally, the estimated propensity score is used to construct the inverse probability weighting estimator. We prove that the proposed estimator, which has the sample boundedness property, is root-n consistent, asymptotically normal, and semiparametrically efficient when the propensity score model is correctly specified and the outcome model is linear in covariates. More importantly, we show that our estimator remains root-n consistent and asymptotically normal so long as either the propensity score model or the outcome model is correctly specified. We provide valid confidence intervals in both cases and further extend these results to the case where the outcome model is a generalized linear model. In simulation studies, we find that the proposed methodology often estimates the average treatment effect more accurately than the existing methods. We also present an empirical application, in which we estimate the average causal effect of college attendance on adulthood political participation. Open-source software is available for implementing the proposed methodology.

研究の動機と目的

• 交錯要因の数が標本サイズを上回る状況での平均処置効果推定の課題に対処すること。
• 傾向スコアまたはアウトカムモデルのいずれかが誤指定された場合でも、一貫性と効率性を保つ手法を開発すること。
• 最も予測力のある共変量のみをバランス化することで、高次元観察研究における推定の安定性と効率性を向上させること。
• 変数選択の一致性に依存せず、有効な信頼区間を提供し、一般化線形アウトカムモデルへと結果を拡張すること。
• 因果効果推定に焦点を当て、変数選択の一致性に依存しないこと。

提案手法

• ユーザーが指定する重み関数を用いた罰則付きM推定量による初期傾向スコア推定。
• より頑健性を高めるために別個の重み関数を用いた加重最小二乗法によるアウトカムモデルの適合。
• アウトカム予測に寄与する共変量のサブセットに対する共変量バランス化を制約付き最適化により実行し、傾向スコアを精緻化すること。
• バランス化された傾向スコアを用いた逆確率重み付けによる平均処置効果の推定。
• 安定性と有効な推論を保証するため、標本有界性の組み込み。
• 非線形アウトカムに対する一般化線形モデルへの拡張を実施し、理論的性質を維持すること。

実験結果

リサーチクエスチョン

• RQ1 傾向スコアまたはアウトカムモデルのいずれかが誤指定された場合でも、高次元傾向スコア手法が根n乗の一致性と漸近正規性を維持できるか。
• RQ2 交錯要因の数が標本サイズを上回る高次元設定において、共変量バランス化を効果的に適用する方法は何か。
• RQ3 提案手法が正しいモデル仕様下で半パラメトリック効率性を達成するか。
• RQ4 変数選択の一致性を必要とせず、モデル誤指定下でも有効な信頼区間を構築できるか。
• RQ5 有限標本において、HD-CBPSはCBPS、AIPW、IPWといった既存手法と比較して、バイアス、分散、カバレッジの観点で優れているか。

主な発見

• HD-CBPSは、傾向スコアまたはアウトカムモデルのいずれかが正しく指定された場合に、根n乗の一致性と漸近正規性を達成し、二重ロバスト性を示す。
• 正しい傾向スコア仕様と線形アウトカムモデル下では、半パラメトリック効率性を維持する。
• シミュレーションでは、特に高次元設定において、既存手法よりも低いバイアスと小さな標準誤差でATEを推定する点でHD-CBPSが優れている。
• 実応用では、大学進学が政治参加に正の平均処置効果をもたらす（ATE = 0.8293、SE = 0.1247）ことが示され、安定した推論が得られた。
• 白人サブサンプル（n=966）ではCBPSが収束しなかったが、HD-CBPSは安定しており、AIPW-NRよりも小さな標準誤差で信頼性の高い推定値を提供した。
• 感度分析により、チューニングパrameterの選択に頑健であり、誠実な信頼区間を提供することが示された。