[논문 리뷰] A Groupwise Approach for Inferring Heterogeneous Treatment Effects in Causal Inference

Chan Park, Hyunseung Kang|arXiv (Cornell University)|2019. 08. 12.

Advanced Causal Inference Techniques참고 문헌 54인용 수 4

한 줄 요약

이 논문은 비모수적 및 반모수적 방법을 비교하여 이질적 치료 효과를 추정하기 위한 군집 기반 접근법을 제안하며, 두 방법의 장점을 융합한 보다 효율적인 통합 추정량을 도입한다. 일致성 조건을 수립하고, 군집 로버스트 표준오차를 유도하며, 가족별 오류율을 제어하기 위한 다중 검정 절차를 제공한다.

ABSTRACT

Recently, there has been great interest in estimating the conditional average treatment effect using flexible machine learning methods. However, in practice, investigators often have working hypotheses about effect heterogeneity across pre-defined subgroups of study units, which we call the groupwise approach. The paper compares two modern ways to estimate groupwise treatment effects, a nonparametric approach and a semiparametric approach, with the goal of better informing practice. Specifically, we compare (a) the underlying assumptions, (b) efficiency and adaption to the underlying data generating models, and (c) a way to combine the two approaches. We also discuss how to test a key assumption concerning the semiparametric estimator and to obtain cluster-robust standard errors if study units in the same subgroups are correlated. We demonstrate our findings by conducting simulation studies and reanalyzing the Early Childhood Longitudinal Study.

연구 동기 및 목표

• 모수적 성향 점수를 알 수 없는 관찰 연구에서 군집 기반 치료 효과를 추정하기 위한 비모수적 및 반모수적 접근법을 비교한다.
• 반모수적 추정량이 군집 기반 효과를 일관되게 추정하기 위한 충분조건 및 필수조건을 규명한다.
• 비모수적 및 반모수적 방법의 장점을 활용하여 효율성을 향상시킨 통합 추정량을 개발한다.
• 군집 내 단위 간 상관관계가 존재하는 설정에서 군집 로버스트 표준오차를 도출한다.
• 여러 개의 군집 기반 효과를 동시에 검정할 때 가족별 오류율을 제어하는 다중 검정 절차를 제안한다.

제안 방법

• 기계학습 방법(예: GRF, R-learner)을 사용하여 조건부 평균 치료 효과(CATE)를 추정하고, 사전 정의된 군집으로 평균화하는 비모수적 접근법을 사용한다.
• CATE를 공변량의 함수로 모델링하는 반모수적 접근법을 활용하며, 이때 모형의 파라미터 성분은 군집 기반 효과 목표와 일치시킨다.
• 비모수적 추정량과 반모수적 추정량을 최적의 가중치로 융합하여 점근적 분산을 최소화하는 통합 가중치 추정량을 유도한다.
• 연속성 정리와 슬러츠파라미터 정리를 적용하여, 정규 조건 하에서 통합 추정량의 점근적 정규성 및 일관성을 확립한다.
• 군집 내 상관관계를 고려하기 위해 추정 방정식에 대한 군집 로버스트 표준오차를 유도한다.
• 여러 군집 기반 효과를 동시에 검정할 때 가족별 오류율을 제어하기 위해 동시 추론을 활용한 다중 검정 절차를 제안한다.

실험 결과

연구 질문

• RQ1 반모수적 추정량이 군집 기반 치료 효과에 대해 일관성이 있을 조건은 무엇인가?
• RQ2 다양한 데이터 생성 모형 하에서 비모수적 및 반모수적 추정량의 효율성과 데이터 적응형 성능은 어떻게 비교되는가?
• RQ3 비모수적 및 반모수적 추정량보다 더 낮은 점근적 분산을 달성할 수 있는 통합 추정량이 존재하는가?
• RQ4 동일한 군집에 속한 단위들 간에 상관관계가 존재할 경우, 군집 기반 치료 효과 추정량에 대해 군집 로버스트 표준오차를 어떻게 도출할 수 있는가?
• RQ5 여러 개의 군집 기반 효과를 동시에 검정할 때 가족별 오류율을 효과적으로 제어할 수 있는 다중 검정 절차는 무엇인가?

주요 결과

• 반모수적 추정량이 군집 기반 효과를 일관되게 추정하기 위해서는 모형의 影響함수(Influence function)가 특정 직교 조건을 만족해야 한다.
• 비모수적 추정량과 반모수적 추정량의 분산이 다를 경우, 통합 추정량은 양자 모두보다 더 낮은 점근적 분산을 달성한다.
• 추정 방정식 내 군집 내 상관관계를 고려하여 군집 로버스트 표준오차를 유도함으로써, 종속성 하에서도 타당한 추론이 가능하다.
• 가족별 오류율을 제어하기 위해 다중 검정 절차는 군집 기반 효과의 동시 점근적 분포를 기반으로 임계값을 조정한다.
• 비모수적 추정량과 반모수적 추정량의 점근적 분산이 동일한 경우, [0,1] 범위 내 임의의 가중치가 분산을 최소화하며, 통합 추정량은 여전히 일관성 있다.
• 비모수적 모형 하에서 최적의 가중치가 일관되게 추정될 경우, 통합 추정량은 점근적으로 효율적이다.