[논문 리뷰] Asymptotic causal inference with observational studies trimmed by the estimated propensity scores

Shu Yang, Peng Ding|arXiv (Cornell University)|2017. 04. 03.

Advanced Causal Inference Techniques참고 문헌 2인용 수 4

한 줄 요약

이 논문은 관찰 연구에서 겹침 부족 문제를 해결하기 위해 이분법적 트리밍을 극단적 성향 스코어를 가진 단위의 제거에서 연속적이고 미분 가능한 가중치 함수로 대체하는 부드러운 가중치 접근법을 제안한다. 이 방법은 점근적 선형성과 유효한 부트스트랩 추론을 보장하며, 전통적 트리밍 대비 정밀도를 향상시키면서도 명확한 목표 집단에 기반한 명확한 인과적 추정량을 유지한다.

ABSTRACT

Causal inference with observational studies often relies on the assumptions of unconfoundedness and overlap of covariate distributions in different treatment groups. The overlap assumption is violated when some units have propensity scores close to 0 or 1, and therefore both practical and theoretical researchers suggest dropping units with extreme estimated propensity scores. However, existing trimming methods ignore the uncertainty in this design stage and restrict inference only to the trimmed sample, due to the non-smoothness of the trimming. We propose a smooth weighting, which approximates the existing sample trimming but has better asymptotic properties. An advantage of the new smoothly weighted estimator is its asymptotic linearity, which ensures that the bootstrap can be used to make inference for the target population, incorporating uncertainty arising from both the design and analysis stages. We also extend the theory to the average treatment effect on the treated, suggesting trimming samples with estimated propensity scores close to 1.

연구 동기 및 목표

• 인과 추론에서 샘플 트리밍의 개념적 모호성을 해결하기 위해, 트리밍이 샘플에 따라 목표 추정량을 변화시킬 수 있음을 고려한다.
• 이분법적 트리밍의 대체로 점근적 성질을 유지하고 유효한 추론을 가능하게 하는 부드러운 가중치 방법을 개발한다.
• 고성향 스코어 기반 트리밍을 사용하여 처리된 집단의 평균 처리 효과(ATT)로 프레임워크를 확장한다.
• 새로운 추정량이 점근적으로 선형임을 보장하고 부트스트랩 기반 신뢰구간을 지원한다.
• 지표 함수의 비연속성 문제를 피하기 위해 연속적 가중치를 통해 유한 표본에서의 정밀도를 향상시킨다.

제안 방법

• 극단적 추정 성향 스코어를 가진 단위를 제외한 목표 집단 기반으로 인과적 파ameter를 정의하여 안정적인 추정량을 확보한다.
• 이분법적 포함 지표를 근사하지만 미분 가능한 연속적 가중치 함수를 제안하여 비연속성 문제를 감소시킨다.
• 조정 파rameter ε를 사용하여 부드러움을 제어하며, ε → 0일 때 원래의 트리밍 규칙으로 복귀함을 보장한다.
• 이중 추정량에 대한 표준 선형화 기법을 사용하여 부드러운 가중치 추정량의 점근적 선형성을 도출한다.
• 부트스트랩을 사용하여 부드러운 가중치 체계 하에서 인과 효과의 유효한 신뢰구간을 구성한다.
• 고성향 스코어가 임계값 이상인 단위를 트리밍하여 처리된 집단의 평균 처리 효과(ATT)로 방법을 확장한다 (예: 0.78)

실험 결과

연구 질문

• RQ1 인과 추론에서 샘플 트리밍을 어떻게 재정의할 수 있을까? 안정적이고 명확히 정의된 목표 집단과 추정량을 확보하기 위해.
• RQ2 트리밍이 부드러운 가중치로 대체될 경우, 가중치 추정량의 점근적 성질은 어떻게 되는가?
• RQ3 부드러운 가중치 추정량의 경우 부트스트랩을 신뢰성 있게 사용하여 신뢰구간을 구성할 수 있는가?
• RQ4 부드러운 가중치가 유한 표본에서 이분법적 트리밍 대비 정밀도를 어떻게 향상시키는가?
• RQ5 처리된 집단의 평균 처리 효과(ATT)를 추정할 때 최적의 트리밍 규칙은 무엇인가?

주요 결과

• 제안된 부드러운 가중치 추정량은 점근적으로 선형적이므로, 부트스트랩을 사용한 유효한 신뢰구간 구성이 가능하다.
• 부드러운 가중치 접근법은 점근 이론과 시뮬레이션 연구 모두에서 이분법적 트리밍 대비 분산을 감소시킴을 보여준다.
• 국립 지원일자리 시범사업(National Support Work Demonstration)에서 부드러운 가중치 추정량은 ATT에 대해 점추정치 1527과 표준오차 397을 도출했으며, 이는 이분법적 트리밍 방법의 1506과 404와 비교해 볼 때 유사하지만 정밀도가 다소 향상됨을 시사한다.
• 부드러운 추정량의 95% 신뢰구간(697, 2314)은 원래 Hainmueller(2012)의 구간(97, 3044)보다 좁았으며, 이는 정밀도 향상과 일치한다.
• 보정된 가중치 추정량은 비보정된 버전보다 정밀도 향상이 없었으며, 이는 결과 회귀 모델의 모형 불일치 때문일 가능성이 높다.
• ε → 0일 때 부드러운 가중치 함수는 지표 함수로 수렴함을 보여, 기존 트리밍 관행과의 일관성을 입증한다.