[논문 리뷰] A Causal Bootstrap

Guido W. Imbens, Konrad Menzel|arXiv (Cornell University)|2018. 01. 01.

Bayesian Modeling and Causal Inference인용 수 4

한 줄 요약

이 논문은 원인적 추정량에 대한 분산 추정을 재정의하기 위해 치료 할당의 무작위성으로 인한 불확실성을 모델링하는 원인적 부트스트랩 방법을 제안한다. 기존 부트스트랩 방법이 표본 추출 변동성에 기반하는 반면, 본 방법은 다양한 치료 제도 하에서 잠재적 결과를 재표본 추출함으로써 보다 정확한 추론을 가능하게 하며, 치료 할당이 무작위일 경우 특히 유의미한 성능 향상을 보인다.

ABSTRACT

The bootstrap, introduced by Efron (1982), has become a very popular method for estimating variances and constructing confidence intervals. A key insight is that one can approximate the properties of estimators by using the empirical distribution function of the sample as an approximation for the true distribution function. This approach views the uncertainty in the estimator as coming exclusively from sampling uncertainty. We argue that for causal estimands the uncertainty arises entirely, or partially, from a different source, corresponding to the stochastic nature of the treatment received. We develop a bootstrap procedure that accounts for this uncertainty, and compare its properties to that of the classical bootstrap.

연구 동기 및 목표

• 표본 추출 변동성이 주요 변동 원인으로 간주되는 고전적 부트스트랩 방법의 국한점을 해결하기 위해.
• 원인적 설정에서는 종종 표본 추출 변동성보다는 치료 할당의 무작위성으로 인한 불확실성이 주요 원인임을 인식하기 위해.
• 치료 할당 불확실성을 명시적으로 모델링하는 부트스트랩 절차를 개발하여 분산 추정 및 신뢰구간 커버리지 향상시키기 위해.
• 유한 표본 설정에서 제안된 원인적 부트스트랩과 고전적 부트스트랩의 성능을 비교하기 위해.

제안 방법

• 방법은 다양한 치료 할당에 따른 잠재적 결과를 재표본 추출하여, 치료 노출의 무작위성을 반영하는 부트스트랩 분포를 구성한다.
• 관측된 치료 제도 하에서의 잠재적 결과의 경험적 분포를 사용하여 원인적 추정량의 분포를 시뮬레이션한다.
• 관측된 치료 할당 메커니즘을 조건으로 하여 재표본 추출된 데이터가 실제 랜덤화 과정을 반영하도록 보장한다.
• 잠재적 결과 프레임워크에 부트스트랩을 적용하여, 치료 할당을 단순한 표본 변동성 외의 불확실성 원천으로 간주한다.
• 가정된 치료 할당 모델 하에서 원인적 추정량의 재표본 분포를 기반으로 표준오차를 추정하고, 신뢰구간을 구성한다.

실험 결과

연구 질문

• RQ1 표본 추출 변동성이 주요 변동 원인으로 간주되는 고전적 부트스트랩 방법이 원인적 추정량에 적용되었을 때 어떻게 작동하는가?
• RQ2 치료 할당으로 인한 불확실성을 무시하는 대신 명시적으로 모델링할 경우 추론 정확도는 어떻게 변화하는가?
• RQ3 치료 할당의 무작위성에 따라 조정된 부트스트랩 절차가 분산 추정 및 커버리지 측면에서 고전적 부트스트랩을 능가할 수 있는가?
• RQ4 다양한 치료 할당 메커니즘 하에서 원인적 부트스트랩은 소형 및 중형 표본 크기에서 어떻게 행동하는가?

주요 결과

• 치료 할당이 무작위일 경우, 원인적 부트스트랩은 고전적 부트스트랩보다 원인적 추정량에 대해 더 정확한 분산 추정을 제공한다.
• 치료 할당 메커니즘이 무시할 수 없는 경우, 원인적 부트스트랩을 사용해 구성한 신뢰구간은 고전적 부트스트랩보다 더 높은 커버리지 비율을 달성한다.
• 원인적 부트스트랩은 고전적 부트스트랩이 모델링하지 못하는 치료 할당으로 인한 불확실성을 효과적으로 포착한다.
• 베르누이 및 완전 무작위 설계를 포함한 다양한 치료 할당 메커니즘에서 원인적 부트스트랩은 양호한 성능을 유지한다.