[논문 리뷰] Double/Debiased Machine Learning for Dynamic Treatment Effects

Greg Lewis, Vasilis Syrgkanis|arXiv (Cornell University)|2020. 02. 17.

Advanced Causal Inference Techniques인용 수 8

한 줄 요약

이 논문은 다중 치료가 시간에 따라 할당되고 향후 결과에 영향을 주는 고차원적, 시간에 따라 변화하는 설정에서 동적 치료 효과를 추정하기 위한 더블/디버라이드 기계학습 프레임워크를 제안한다. 순차적 회귀 편취 과정을 통해 네이먼-수정된 모멘트 추정기와 동치가 되는 방식으로, 고차원 상태를 제어하는 데 있어 임의의 기계학습 방법을 사용하더라도 루트-n 점근 정규성과 타당한 추론을 보장한다.

ABSTRACT

We consider the estimation of treatment effects in settings when multiple treatments are assigned over time and treatments can have a causal effect on future outcomes. We formulate the problem as a linear state space Markov process with a high dimensional state and propose an extension of the double/debiased machine learning framework to estimate the dynamic effects of treatments. Our method allows the use of arbitrary machine learning methods to control for the high dimensional state, subject to a mean square error guarantee, while still allowing parametric estimation and construction of confidence intervals for the dynamic treatment effect parameters of interest. Our method is based on a sequential regression peeling process, which we show can be equivalently interpreted as a Neyman orthogonal moment estimator. This allows us to show root-n asymptotic normality of the estimated causal effects.

연구 동기 및 목표

• 다양한 치료가 시간에 따라 할당되고 향후 결과에 영향을 주는 상황에서 동적 치료 효과를 추정하기 위해.
• 종단적 설정에서 원인 분석을 방해하는 고차원 상태 벡터의 도전 과제를 해결하기 위해.
• 고차원 상태 제어를 위해 임의의 기계학습 방법을 사용하면서도 타당한 통계적 추론을 유지하기 위해.
• 고차원 조건부 조건에서 루트-n 점근 정규성과 신뢰구간을 확보하기 위해.
• 고차원 상태 공간에서 모형 오류에 대한 강건성을 보장하는 프레임워크를 개발하기 위해.

제안 방법

• 이 방법은 고차원 상태를 가진 선형 상태공간 마르코프 과정으로 시스템을 모델링한다.
• 치료 효과 추정의 점진적 편향을 제거하기 위해 순차적 회귀 편취 과정을 도입한다.
• 편취 과정이 고차원 부수적 기능의 추정 오차에 대해 강건성을 보장하는 네이먼-수정된 모멘트 추정기와 수학적으로 동치임을 보여준다.
• 모든 기계학습 방법을 사용해 고차원 상태를 추정할 수 있도록 허용하며, 해당 방법이 평균 제곱오차 보장을 만족해야 한다.
• 부수적 기능에 대해 수직인 추정 방정식을 구성하여, 약한 규칙성 조건 하에서도 타당한 추론을 가능하게 한다.
• 동적 치료 효과 파rameter의 파arametric 추정 및 신뢰구간 구축을 지원한다.

실험 결과

연구 질문

• RQ1 다양한 치료가 시간에 따라 할당되고 변화하는 고차원적 시스템에서 동적 치료 효과를 일관되게 추정할 수 있는가?
• RQ2 고차원 상태 벡터를 제어하기 위해 기계학습 방법을 사용할 수 있는가, 그러나 통계적 추론을 무효화하지는 않는가?
• RQ3 이러한 설정에서 추정된 치료 효과의 루트-n 점근 정규성을 보장하는 조건은 무엇인가?
• RQ4 상태공간 모델에서 동적 치료 효과에 대해 네이먼-수정된 추정 방정식을 구성할 수 있는가?
• RQ5 순차적 회귀 편취 과정은 고차원 상태의 추정 오차에 대해 어떻게 강건성을 확보하는가?

주요 결과

• 제안된 방법은 추정된 동적 치료 효과에 대해 루트-n 점근 정규성을 달성하여 타당한 추론을 가능하게 한다.
• 순차적 회귀 편취 과정은 네이먼-수정된 모멘트 추정기와 동치이며, 고차원 상태의 추정 오차에 대해 강건성을 보장한다.
• 프레임워크는 평균 제곱오차 보장을 만족하는 한, 임의의 기계학습 방법을 사용해 고차원 상태를 추정하는 데 허용한다.
• 약한 규칙성 조건 하에서도 동적 치료 효과 파rameter의 신뢰구간을 타당한 커버리지로 구성할 수 있다.
• 고차원 상태가 복잡한 비모수적 방법으로 추정되더라도, 이 방법은 통계적 효율성과 타당성을 유지한다.