[논문 리뷰] De-biased Machine Learning in Instrumental Variable Models for Treatment Effects

Rahul Singh, Liyang Sun|arXiv (Cornell University)|2019. 01. 01.

Advanced Causal Inference Techniques참고 문헌 53인용 수 8

한 줄 요약

이 논문은 고차원적 외부변수 모델에서 컴파일러 파rameter(예: 국소 평균 치료 효과, 평균 컴파일러 특성, 반사적 결과 분포)를 추정하기 위한 자동 탈편향 기계학습 방법인 Auto-DML을 소개한다. 정규화된 균형 가중치를 통해 기계학습을 활용해 추정기를 자동으로 탈편향함으로써, 수시 조정이나 절단 없이도 일致성, 점근 정규성, 반모수 효율성을 달성하며, 401(k) 참가가 순 금융 자산에 미치는 영향을 추정하는 데 적용한다.

ABSTRACT

We introduce a de-biased machine learning (DML) approach to estimating complier parameters with high-dimensional data. Complier parameters include local average treatment effect, average complier characteristics, and complier counterfactual outcome distributions. In our approach, the de-biasing is itself performed by machine learning, a variant called automatic de-biased machine learning (Auto-DML). By regularizing the balancing weights, it does not require ad hoc trimming or censoring. We prove our estimator is consistent, asymptotically normal, and semi-parametrically efficient. We use the new approach to estimate the effect of 401(k) participation on the distribution of net financial assets.

연구 동기 및 목표

• 고차원적 외부변수 모델에서 국소 평균 치료 효과와 같은 컴파일러 파arameter를 추정할 때 발생하는 편향을 해결하기 위해.
• 균형 가중치에 사용되는 수시 조정이나 절단이 필요 없도록 하기 위해.
• 일致성, 점근 정규성, 반모수 효율성을 보장하는 기계학습 기반 탈편향 메커니즘 개발을 위해.
• 고차원 데이터를 사용하여 401(k) 참가가 순 금융 자산 분포에 미치는 영향을 추정하기 위해.

제안 방법

• 외부변수 모델에서 부수적 파arameter를 추정하기 위해 기계학습을 활용하는 자동 탈편향 기계학습(Auto-DML) 프레임워크를 제안한다.
• 수시 조정이나 극단적 가중치의 절단 없이도 추정기를 탈편향하기 위해 정규화된 균형 가중치를 사용한다.
• 점근 정규성과 반모수 효율성을 보장하기 위해 이중/탈편향 기계학습 원리를 적용한다.
• 고차원 환경에서 편향을 줄이고 표본 수가 제한된 경우의 성능을 향상시키기 위해 교차 피팅을 사용한다.
• 국소 평균 치료 효과, 평균 컴파일러 특성, 반사적 결과 분포를 포함한 컴파일러 파arameter를 추정한다.
• 고차원 데이터셋에 이 방법을 적용하여 401(k) 참가가 순 금융 자산에 미치는 영향을 추정한다.

실험 결과

연구 질문

• RQ1 고차원 외부변수 모델에서 수시 조정 없이 기계학습을 사용해 추정기를 탈편향할 수 있는가?
• RQ2 제안된 Auto-DML 방법이 컴파일러 파arameter 추정에서 일치성, 점근 정규성, 반모수 효율성을 달성하는가?
• RQ3 고차원 혼동 요인을 고려할 때 401(k) 참가가 순 금융 자산 분포에 미치는 영향은 무엇인가?
• RQ4 고차원 조건부 조건에서 평균 컴파일러 특성과 반사적 결과 분포를 추정할 때 이 방법의 성능은 어떠한가?

주요 결과

• 정규 조건 하에서 고차원 혼동 요인에 대한 조건부 조건에서도 제안된 Auto-DML 추정기는 일치성과 점근 정규성을 보인다.
• 기계학습을 활용해 부수적 파arameter를 최소한의 편향으로 추정함으로써 반모수 효율성을 달성한다.
• 균형 가중치의 정규화로 수시 조정이나 절단이 필요 없어지며, 표본 수가 제한된 경우의 강건성 향상에 기여한다.
• 고차원 데이터를 사용하여 401(k) 참가가 순 금융 자산에 미치는 국소 평균 치료 효과를 성공적으로 추정한다.
• 추정기는 컴파일러 특성과 반사적 결과 분포에 대한 타당한 추론을 제공하여 보다 깊이 있는 인과 분석을 가능하게 한다.
• 실증 적용 결과 401(k) 참가가 순 금융 자산에 유의미한 긍정적 영향을 미치며, 고차원 제어 변수에 대해 추정치가 강건함을 보였다.