[論文レビュー] Sparsity Double Robust Inference of Average Treatment Effects

Jelena Bradić, Stefan Wager+1 more|arXiv (Cornell University)|May 2, 2019

Advanced Causal Inference Techniques参考文献 42被引用数 6

ひとこと要約

本稿では、高次元設定における平均処置効果のスパarsity二重ロバスト推定量を提案する。新規の損失関数を用いることで、より弱いスパarsity仮定のもとで漸近的に有効な信頼区間を保証する。具体的には、結果回帰モデルまたは感受性スコアモデルのいずれか一方が極めてスパースであれば十分である。この手法は半パラメトリック効率性を達成し、両モデルがスパースでなくても二重ロバスト性を維持する。

ABSTRACT

Many popular methods for building confidence intervals on causal effects under high-dimensional confounding require strong "ultra-sparsity" assumptions that may be difficult to validate in practice. To alleviate this difficulty, we here study a new method for average treatment effect estimation that yields asymptotically exact confidence intervals assuming that either the conditional response surface or the conditional probability of treatment allows for an ultra-sparse representation (but not necessarily both). This guarantee allows us to provide valid inference for average treatment effect in high dimensions under considerably more generality than available baselines. In addition, we showcase that our results are semi-parametrically efficient.

研究の動機と目的

• 結果回帰モデルと感受性スコアモデルの両方が極めてスパースでなければならないという、従来の高次元因果推論手法の制限を解消すること。
• 両モデルのうち一方が極めてスパースであれば十分であるというより弱い条件下でも、有効な推論（漸近的に正確な信頼区間）を保証する手法の開発。
• 最小限の仮定のもとで、高次元平均処置効果推定において半パラメトリック効率性を達成すること。
• 線形モデルやガウス型設計の仮定を必要としない非線形モデルへのスパarsity二重ロバスト性の拡張。
• 理論的裏付けが強く、計算的に実行可能であり、高次元設定でも二重ロバスト性と漸近正規性を維持する推定量の提供。

提案手法

• 高次元パrameter空間におけるスパarsityを明示的に活用する、感受性スコアおよび結果回帰パラメータの推定のための新しい損失関数を提案する。
• 漸近正規性を保証し、過学習を避けるために、サンプル分割を用いた二段階推定手順を採用する。
• 指数関数的およびインジケータ項を組み合わせた損失関数を定義し、処置メカニズムと結果をモデル化する。L1正則化を用いてスパarsityを強制する。
• 結果モデルと処置モデルの両方に対して推定量を適用し、各潜在的結果のための別々の最適化問題を設定する。
• 感受性スコアまたは結果回帰パラメータのいずれか一方が極めてスパースである条件の下で、平均処置効果推定量の漸近正規性を確立する。
• 分散推定量の新しい分解を用いて、それが確率的に真の漸近分散に収束することを示し、有効な推論を保証する。

実験結果

リサーチクエスチョン

• RQ1 従来の手法よりも弱いスパarsity仮定のもとで、有効な推論（漸近的に正確な信頼区間）を保証する高次元平均処置効果推定量を構築できるか？
• RQ2 提案手法は、結果回帰モデルまたは感受性スコアモデルのいずれか一方が極めてスパースである場合でも二重ロバスト性を達成するか？
• RQ3 ガウス型設計の仮定を必要とせず、非線形モデルへもスパarsity二重ロバスト性を拡張できるか？
• RQ4 提案手法の推定量は高次元設定において半パラメトリックに効率的か？
• RQ5 高次元スパarsity条件下でも、平均処置効果の分散推定量は一貫して推定可能か？

主な発見

• 提案手法は、結果回帰モデルまたは感受性スコアモデルのいずれか一方が極めてスパースである条件のもとで、平均処置効果の漸近的に有効な信頼区間を達成する。これは、従来の仮定を著しく緩和する。
• この手法は半パラメトリック効率性を確保しており、与えられたモデルのもとで、すべての正規推定量のうち最小の漸近分散を達成する。
• ガウス型設計や非線形モデルでも推定量は有効であり、ガウス性を仮定する従来の結果を拡張する。
• 分散推定量は一貫しており、確率的に真の漸近分散に収束するため、有効な推論が可能である。
• 理論的分析により、スパarsity二重ロバスト性の条件下で、推定量が$√{n}$-一貫性および漸近正規性を満たすことが確認された。
• 両モデルの共同スパarsityを要件としないため、標準的な補正逆確率重み付け法に比べて高次元設定で優れた性能を示す。