[논문 리뷰] A Framework for Optimal Matching for Causal Inference

Nathan Kallus|arXiv (Cornell University)|2016. 06. 16.

Advanced Causal Inference Techniques참고 문헌 34인용 수 9

한 줄 요약

이 논문은 기능 공간에서 추정 오차의 이중 노름을 최소화하는 매칭 추정기들을 사용한 원인 인과 추론을 위한 새로운 프레임워크를 제안한다. 매칭을 오차의 이중 노름 최소화 문제로 재정의함으로써, 최근접 이웃 및 군집화된 정확한 매칭과 같은 기존 방법들을 통합하고, 보편적 일致성을 확보하며 기존 방법보다 유의미하게 낮은 추정 오차를 보이는 새로운 커널 기반 추정기를 유도한다.

ABSTRACT

We propose a novel framework for matching estimators for causal effect from observational data that is based on minimizing the dual norm of estimation error when expressed as an operator. We show that many popular matching estimators can be expressed as optimal in this framework, including nearest-neighbor matching, coarsened exact matching, and mean-matched sampling. This reveals their motivation and aptness as structural priors formulated by embedding the effect in a particular functional space. This also gives rise to a range of new, kernel-based matching estimators that arise when one embeds the effect in a reproducing kernel Hilbert space. Depending on the case, these estimators can be found using either quadratic optimization or integer optimization. We show that estimators based on universal kernels are universally consistent without model specification. In empirical results using both synthetic and real data, the new, kernel-based estimators outperform all standard causal estimators in estimation error.

연구 동기 및 목표

• 관찰적 원인 인과 추론에서 매칭 추정기의 통합 이론적 프레임워크를 개발하는 것.
• 다양한 표준 매칭 방법들(예: 최근접 이웃, 군집화된 정확한 매칭)이 특정 이중 노름 오차 최소화 기준 하에서 최적임을 보여주는 것.
• 재생 커널 힐버트 공간(RKHS)을 사용하여 보편적 일치성을 보장하는 새로운 커널 기반 매칭 추정기를 도출하는 것.
• 이러한 신규 추정기의 고차원 설정에서 표준 방법들과의 성능을 실증적으로 평가하는 것.
• 커널 기반 방법을 통한 전역적 매칭이 고차원 공변수 공간에서 국소적, 개별 단위 수준의 매칭보다 추정 오차 측면에서 뛰어나다는 것을 보여주는 것.

제안 방법

• 결과의 조건부 기대함수에 대한 추정 오차를 공변수 조건부 기대함수에 대한 작동자로 공식화한다.
• 베르누이 공간 상의 잠재적 조건부 기대함수 집합 위에서 오차 작동자의 이중 노름을 최소화하는 오차-이중노름 최소화(EDNM) 추정기를 정의한다.
• 표준 매칭 방법들(NNM, CEM, 평균 매칭 샘플링)이 특정 기능 공간 임bedding 하에서 EDNM의 특수한 경우임을 드러낸다.
• 원인 효과를 재생 커널 힐버트 공간(RKHS)에 임베딩하여 새로운 커널 기반 추정기를 구성한다.
• 커널과 제약 조건에 따라 이차 또는 정수 프로그래밍을 통해 최적의 가중치를 구한다.
• 보편적 커널을 사용하여 모델 사양 없이도 보편적 일치성을 보장한다.

실험 결과

연구 질문

• RQ1 원인 인과 추론에서 다양한 매칭 추정기를 설명하고 최적화할 수 있는 통합 프레임워크를 개발할 수 있는가?
• RQ2 추정 오차의 이중 노름을 최소화하는 것이 기존 매칭 방법의 성능과 어떻게 관련되는가?
• RQ3 이 프레임워크에서 보편적 일치성을 확보하는 커널 기반 매칭 추정기를 도출할 수 있는가?
• RQ4 고차원 설정에서 커널 기반 추정기와 표준 매칭 방법 간의 성능은 어떻게 비교되는가?
• RQ5 고차원 공변수 공간에서 커널 기반 방법을 통한 전역적 매칭이 국소적, 개별 단위 수준의 매칭보다 추정 오차 측면에서 뛰어나게 되는가?

주요 결과

• 제안된 프레임워크는 최근접 이웃 매칭, 군집화된 정확한 매칭, 평균 매칭 샘플링 등의 기존 매칭 추정기를 이중 노름 최소화 기준에 기반한 단일 최적화 기준 아래 통합한다.
• 이 프레임워크에서 유도된 커널 기반 매칭 추정기는 시뮬레이션 및 실제 데이터에서 표준 방법보다 거의 한 계단 낮은 루트 평균 제곱 오차(RMSE)를 기록한다.
• 실증 평가에서 이차 커널 기반 추정기가 다른 커널 방법들보다 略적으로 뛰어난 성능을 보이며, 실용적 성능이 뛰어나다는 것을 확인했다.
• 선형 커널 매칭(평균 매칭 샘플링)은 최근접 이웃 및 군집화된 정확한 매칭보다 성능이 뛰어나지만 비선형 커널보다는 열 劣함을 보이며, 데이터 내 잔여 비선형적 구조가 있음을 시사한다.
• 일对일 매칭과 CEM은 고차원 설정에서 공변수 균형이 열 劣하여 실패했지만, 커널 기반 전역 매칭은 강력한 성능을 유지했다.
• 성향 스코어 매칭은 일대일 매칭과 CEM보다 성능이 뛰어나지만 커널 기반 방법보다 열 劣하여, 커널을 통한 전역 균형 조정이 국소 균형 조정이나 성향 스코어 기반 재가중보다 더 효과적임을 시사한다.