[論文レビュー] Robust Estimation of Propensity Score Weights via Subclassification

Linbo Wang, Zhang, Yuexia+2 more|arXiv (Cornell University)|Feb 20, 2016

Advanced Causal Inference Techniques参考文献 35被引用数 5

ひとこと要約

本稿では、順位付けられた傾向スコア推定値に基づいて単位を部分に分類することで得られる完全分類重みを提案し、観察研究における因果推論のための頑健でモデルフリーな重み付け推定量を構築する。パラメトリックな傾向スコア重み付けに代えて、サブグループ内の経験的平均を用いることで、特にモデル誤指定下でも優れた安定性と共変量のバランスを達成する。また、異なる重み付け推定量の一貫性と収束性を保証する。

ABSTRACT

Weighting estimators based on propensity scores are widely used for causal estimation in a variety of contexts, such as observational studies, marginal structural models and interference. They enjoy appealing theoretical properties such as consistency and possible efficiency under correct model specification. However, this theoretical appeal may be diminished in practice by sensitivity to misspecification of the propensity score model. To improve on this, we borrow an idea from an alternative approach to causal effect estimation in observational studies, namely subclassification estimators. It is well known that compared to weighting estimators, subclassification methods are usually more robust to model misspecification. In this paper, we first discuss an intrinsic connection between the seemingly unrelated weighting and subclassification estimators, and then use this connection to construct robust propensity score weights via subclassification. We illustrate this idea by proposing so-called full-classification weights and accompanying estimators for causal effect estimation in observational studies. Our novel estimators are both consistent and robust to model misspecification, thereby combining the strengths of traditional weighting and subclassification estimators for causal effect estimation from observational studies. Numerical studies show that the proposed estimators perform favorably compared to existing methods.

研究の動機と目的

• 観察研究における従来の逆確率重み付け推定量が傾向スコアモデルの誤指定に対して感受性である問題に対処すること。
• 結果データを設計段階で使用せずに一貫性と頑健性を維持する重み付け手法を開発すること。
• 重み付けの理論的一貫性と、階層化手法の経験的頑健性を統合すること。
• 特に傾向スコアモデルが誤指定されている場合に、パラメトリック重み付けよりも優れたバランスと重みの安定性を達成すること。
• 異なる重み付け推定量（例：Horvitz-Thompson推定量、比率推定量、二重にロバストな推定量）が新しい重みのもとで一貫した結果をもたらす統一的フレームワークを提供すること。

提案手法

• パラメトリックモデルからの推定傾向スコアの分位数に基づいて単位をグループに分類し、順位情報のみを用いる。
• 各サブクラス内での経験的平均として重みを計算し、直接的な逆確率重み付けを非パラメトリックで順位に基づくアプローチに置き換える。
• 初期の傾向スコアモデルの関数形に依存しない完全分類（FS）重みを構築し、サブグループレベルのバランスに焦点を当てる。
• 重みが結果データに依存しないため、客観性を保ち、多様な因果推論設定への応用を可能にする。
• ブートストラップに基づく推論を用いて、提案された重み付け方式下での因果効果推定量の信頼区間を計算する。
• Horvitz-Thompson推定量、比率推定量、二重にロバストな推定量が、完全分類重みのもとで同じ推定量に収束することを示す。これにより、頑健性が向上する。

実験結果

リサーチクエスチョン

• RQ1 傾向スコア推定値の階層化は、重み付けベースの因果推論におけるモデル誤指定に対する頑健性を向上させるか？
• RQ2 完全分類重みは、パラメトリック重み、トリムム重み、共変量バランス重みと比較して、重みの安定性と共変量バランスの観点でどのように性能を発揮するか？
• RQ3 異なる重み付け推定量（例：HT、比率、DR）は、完全分類重みのもとでどの程度一貫した因果効果推定量をもたらすか？
• RQ4 初期の傾向スコアモデルが誤指定されている場合でも、本手法は平均処置効果の一致性を維持するか？
• RQ5 完全分類アプローチは、マージナル構造モデルやMAR下での欠損データなど、他の設定へ一般化可能か？

主な発見

• 完全分類重みは、特にモデル誤指定下において、パラメトリック重み、トリムム重み、その他の頑健な重み付け手法と比較して、顕著に優れた共変量バランスと重みの安定性を達成する。
• 完全分類重みのもとで、Horvitz-Thompson推定量、比率推定量、二重にロバストな推定量はほぼ同一の因果効果推定量をもたらし、収束性と頑健性を示している。
• NHANESデータ解析において、すべての頑健な重み付け手法（完全分類を含む）は、学校給食参加がBMIに与える影響が無視できる程度であったが、パラメトリックモデルは著しくばらつきのある推定量をもたらした。
• ナード推定量（未調整）は正の効果（1.04）を示したが、完全分類および他の頑健な手法は推定量がほぼゼロ（例：-0.20、95％信頼区間：-0.75、0.36）に近づき、バイアスが低減されたことを示している。
• 完全分類手法はバランスの不均衡度が0.12を示し、最良の性能を示した手法（例：CAL-ETで0.00）と同等の強力な経験的バランスを達成した。
• 本手法はモデル誤指定の影響を効果的に軽減する：Horvitz-Thompson推定量では、異なるパラメトリックモデルが異なる結果をもたらしたが、完全分類重みのもとでは一貫した推定量が得られた。