[논문 리뷰] Causal inference under mis-specification: adjustment based on the propensity score

David A. Stephens, Widemberg S. Nobre외 2명|arXiv (Cornell University)|2022. 01. 30.

Advanced Causal Inference Techniques인용 수 5

한 줄 요약

이 논문은 모형 오특사용을 명시적으로 고려하는 비율 점수 조정을 사용하는 완전한 베이지안 원인 인과 추론 프레임워크를 제안한다. 기존의 이단계 베이지안 접근 방식의 한계를 극복하며, 결정 이론적 추론과 베이지안 부트스트랩을 통합함으로써, 결과 모형이나 비율 점수 모형이 잘못 지정된 경우에도 유효한 사후 추론을 달성한다. 이는 강력한 빈도주의 성질을 지닌 견고한 대안을 제공한다.

ABSTRACT

We study Bayesian approaches to causal inference via propensity score regression. Much of the Bayesian literature on propensity score methods have relied on approaches that cannot be viewed as fully Bayesian in the context of conventional `likelihood times prior' posterior inference; in addition, most methods rely on parametric and distributional assumptions, and presumed correct specification. We emphasize that causal inference is typically carried out in settings of mis-specification, and develop strategies for fully Bayesian inference that reflect this. We focus on methods based on decision-theoretic arguments, and show how inference based on loss-minimization can give valid and fully Bayesian inference. We propose a computational approach to inference based on the Bayesian bootstrap which has good Bayesian and frequentist properties.

연구 동기 및 목표

• 모형 오특사용 하에서 실패하는 표준 베이지안 이단계 비율 점수 방법의 한계를 해결하기 위해.
• 결과 모형이나 비율 점수 모형이 잘못 지정되어도 여전히 유효한 완전한 베이지안 프레임워크를 개발하기 위해.
• 결정 이론적 추론과 베이지안 부트스트랩이 기존의 이단계 베이지안 추정기보다 더 나은 빈도주의 성능을 보임을 보여주기 위해.
• 비율 점수 모형과 결과 모형을 베이지안 부트스트랩을 통해 연결함으로써, 의도적인 모형 오특사용 하에서도 유효한 사후 추론을 확보하기 위해.
• 피드백 유도 오차가 치료 효과 추정에 영향을 주는 연관 모델링의 원칙적인 대안을 제공하기 위해.

제안 방법

• 모형 오특사용 하에서의 베이지안 추론을 위한 결정 이론 프레임워크를 사용하며, 원인 추정치를 데이터 생성 모형의 직접적인 파라미터로 보지 않고 목표로 간주한다.
• 데 피네티의 표현을 적용하여 교환 가능성의 정당화와 오특사용 하에서도 일관된 베이지안 업데이트의 지원을 한다.
• 한계가 있는 딜레트 분포(α → 0)를 사용하는 베이지안 부트스트랩을 통해 데이터 생성 과정과 일치하는 사후 예측 표본을 생성한다.
• 비율 점수 모형과 결과 모형을 공통의 사후 예측 분포를 통해 연결함으로써, 결과 모형에서 비율 점수 추정으로의 피드백을 방지한다.
• 비율 점수 추정을 먼저 수행한 후 결과 회귀를 수행하는 이단계 베이지안 절차를 구현하지만, 사후 추론은 베이지안 부트스트랩을 통해 校정된다.
• 손실 최소화를 추론 원칙으로 사용하여, 표준 우도 기반 업데이트가 아닌 결정 이론 기준에 따라 최적화된 사후 분포를 보장한다.

실험 결과

연구 질문

• RQ1 비율 점수 조정을 위한 완전한 베이지안 이단계 접근 방식이 모형 오특사용 하에서도 유효한 추론을 제공할 수 있는가?
• RQ2 원인 추정치가 데이터 생성 모형의 파라미터가 아니므로 결정 이론적 추론이 원인 설정에서의 베이지안 방법을 정당화하는 데 어떻게 활용될 수 있는가?
• RQ3 모형 오특사용 하에서도 양호한 베이지안 및 빈도주의 성질을 보장하는 계산 전략은 무엇인가?
• RQ4 기존의 베이지안 이단계 추정기는 왜 빈도주의 측면에서 성능이 열 劣한가, 그리고 이를 어떻게 수정할 수 있는가?
• RQ5 베이지안 부트스트랩이 비율 점수 기반 원인 인과 추론에서 연관 모델링의 유효하고 견고한 대안이 될 수 있는가?

주요 결과

• 기존의 베이지안 이단계 추정기는 큰 표본에서도 모형 오특사용으로 인해 열 빈도주의 성능이 열 劣하다.
• 결정 이론적 프레임워크는 원인 추정치를 모형 파라미터가 아닌 추정 목표로 간주함으로써, 의도적인 모형 오특사용 하에서도 유효한 베이지안 추론을 가능하게 한다.
• 비율 점수 모형과 결과 모형 간의 연결을 갖는 베이지안 부트스트랩은 강력한 빈도주의 성질을 지닌 사후 분포를 생성하며, 기존의 이단계 베이지안 방법보다 뛰어난 성능을 보인다.
• 이 방법은 결과 모형에서 비율 점수 추정으로의 피드백을 방지하여 균형을 유지하고 치료 효과 추정의 편향을 감소시킨다.
• 이 방법은 결과 모형과 비율 점수 모형 양쪽의 오특사용에 대해 견고하여, 정확한 모형 지정이 거의 불가능한 실제 원인 인과 추론에 적합하다.
• 이론적 분석과 시뮬레이션 결과는 이 방법이 다양한 오특사용 모형 하에서도 유효한 커버리지와 낮은 편향을 유지함을 확인하였으며, 특히 결과 모형이 유연하거나 오특사용된 경우에 뚜렷한 우수성을 보였다.