[논문 리뷰] Balancing Covariates via Propensity Score Weighting

Fan Li, Kari Lock Morgan외 1명|arXiv (Cornell University)|2016. 09. 23.

Advanced Causal Inference Techniques인용 수 25

한 줄 요약

이 논문은 처리군 간 공변량 균형을 보장하는 일반적인 적합도 스코어 기반 가중치 방법인 '균형 가중치'를 소개한다. 특히, 반대 군에 할당될 확률에 비례하는 유한한 가중치인 오버랩 가중치를 제안하며, 이는 渐近 분산을 최소화하고 특정 공변량에 대해 정확한 평균 균형을 가능하게 하여 기존의 가중치 전략을 통합하고 향상시킨다.

ABSTRACT

Covariate balance is crucial for unconfounded descriptive or causal comparisons. However, lack of balance is common in observational studies. This article considers weighting strategies for balancing covariates. We define a general class of weights---the balancing weights---that balance the weighted distributions of the covariates between treatment groups. These weights incorporate the propensity score to weight each group to an analyst-selected target population. This class unifies existing weighting methods, including commonly used weights such as inverse-probability weights as special cases. General large-sample results on nonparametric estimation based on these weights are derived. We further propose a new weighting scheme, the overlap weights, in which each unit's weight is proportional to the probability of that unit being assigned to the opposite group. The overlap weights are bounded, and minimize the asymptotic variance of the weighted average treatment effect among the class of balancing weights. The overlap weights also possess a desirable small-sample exact balance property, based on which we propose a new method that achieves exact balance for means of any selected set of covariates. Two applications illustrate these methods and compare them with other approaches.

연구 동기 및 목표

• 관찰 연구에서 흔히 발생하여 무효한 원인 비교를 약화시키는 공변량 불균형 문제를 해결하기 위해.
• 기존의 가중치 방법(예: 역확률 가중치 등)을 균형 가중치라는 일반적 프레임워크 아래 통합하기 위해.
• 유한한 가중치를 유지하면서 渐近 분산을 최소화하는 새로운 가중치 전략을 개발하기 위해.
• 소규모 표본에서 사전에 지정된 공변량 집합에 대해 정확한 평균 균형을 달성하기 위해.
• 추정 효율성과 강건성 향상에 기여하는 이론적으로 탄탄하고 유연한 공변량 균형 접근법을 제공하기 위해.

제안 방법

• 처리군 간 가중 공변량 분포를 균형 있게 만드는 일반적인 가중치 클래스인 균형 가중치를 제안한다.
• 적합도 스코어를 사용하여 각 군을 사용자가 정의한 목표 인구로 향하게 하여 공변량 간 균형을 확보한다.
• 각 단위의 가중치가 반대 군에 할당될 확률에 비례하는 오버랩 가중치를 도입한다.
• 균형 가중치를 사용한 비모수 추정의 대표적 점근적 성질을 유도한다.
• 오버랩 가중치의 구조를 활용하여, 어떤 선택된 공변량 집합에 대해서도 유한 표본에서 정확한 평균 균형을 달성하는 새로운 방법을 개발한다.
• 오버랩 가중치가 모든 균형 가중치 중에서 가중 평균 처리 효과의 점근 분산을 최소화함을 입증한다.

실험 결과

연구 질문

• RQ1 관찰 연구에서 공변량 균형을 보장하는 단일 프레임워크 아래 가중치 방법을 어떻게 통합할 수 있는가?
• RQ2 유한한 가중치를 유지하면서 평균 처리 효과의 점근 분산을 최소화하는 가중치 전략은 무엇인가?
• RQ3 소규모 표본에서 사전에 지정된 공변량 집합에 대해 정확한 평균 균형을 달성할 수 있는 가중치 방법이 존재하는가?
• RQ4 오버랩 가중치는 역확률 가중치와 같은 기존 방법과 비교해 분산과 균형 측면에서 어떻게 다른가?
• RQ5 대표적 비모수 추정에서 균형 가중치의 이론적 성질은 무엇인가?

주요 결과

• 오버랩 가중치는 유한하므로 안정성이 향상되고 극단적인 적합도 스코어에 대한 민감도가 감소한다.
• 모든 균형 가중치 중에서 오버랩 가중치가 가중 평균 처리 효과의 최소 점근 분산을 달성한다.
• 제안된 방법은 어떤 선택된 공변량 집합에 대해서도 유한 표본에서 정확한 평균 균형을 가능하게 하여 소규모 데이터셋에서의 균형을 향상시킨다.
• 균형 가중치 프레임워크는 역확률 가중치를 포함한 기존 방법들을 공통된 이론적 기반 아래 통합한다.
• 실증 적용 결과 오버랩 가중치가 균형과 분산 효율성 측면에서 기존 표준 방법을 능가함을 보여준다.