[논문 리뷰] Efficient Inference of Average Treatment Effects in High Dimensions via Approximate Residual Balancing

Susan Athey, Guido W. Imbens외 1명|arXiv (Cornell University)|2016. 01. 01.

Advanced Causal Inference Techniques참고 문헌 63인용 수 48

한 줄 요약

이 논문은 잔차 균형 조정과 회귀 보정을 조합하여 고차원 설정에서 평균 치료 효과를 추정하는 새로운 방법을 제안한다. 조건부 확률 모수 모형을 요구하지 않으며, 오버랩 조건과 결과 모형의 흐문성 조건을 만족할 경우 준모수적 효율성을 달성한다.

ABSTRACT

There are many studies where researchers are interested in estimating average treatment effects and are willing to rely on the unconfoundedness assumption, which requires that treatment assignment is as good as random conditional on pre-treatment variables. The unconfoundedness assumption is often more plausible if a large number of pre-treatment variables are included in the analysis, but this can worsen the finite sample properties of existing approaches to estimation. In particular, existing methods do not handle well the case where the model for the propensity score (that is, the model relating pre-treatment variables to treatment assignment) is not sparse. In this paper, we propose a new method for estimating average treatment effects in high dimensions that combines balancing weights and regression adjustments. We show that our estimator achieves the semi-parametric efficiency bound for estimating average treatment effects without requiring any modeling assumptions on the propensity score. The result relies on two key assumptions, namely overlap (that is, all units have a propensity score that is bounded away from 0 and 1), and sparsity of the model relating pre-treatment variables to outcomes.

연구 동기 및 목표

• 비희소 조건부 확률 모형을 가진 고차원 설정에서 평균 치료 효과를 추정할 때 기존 방법의 열악한 표본 내 성능을 해결하기 위해.
• 사전 치료 공변량에서 균형 가중치와 회귀 보정을 모두 활용하여 추정 정확도를 향상시키기 위해.
• 조건부 확률 모형에 대한 모델링 가정 없이도 평균 치료 효과 추정에서 준모수적 효율성을 달성하기 위해.
• 오버랩 조건과 결과 모형의 흐문성 조건 하에서 강건성을 확보하기 위해.
• 고차원 추론에 이론적으로 탄탄하고 계산적으로 효율적인 방법을 제공하기 위해.

제안 방법

• 사전 치료 공변량을 치료군과 대조군 간에 균형시키는 가중치를 생성하기 위해 근사 잔차 균형 조정을 사용한다.
• 이 균형 가중치를 결과 모형의 회귀 보정과 조합하여 추정 효율성을 향상시킨다.
• 두 단계 추정 절차에 의존한다: 첫째, 잔차 불균형을 최소화하는 볼록 최적화 문제를 통해 균형 가중치를 추정한다.
• 둘째, 균형 가중치를 표본 가중치로 사용하여 치료 변수와 공변량에 대한 결과의 회귀를 수행한다.
• 조건부 확률 모형을 모델링할 필요가 없어 고차원에서의 모형 잘못 설정 문제를 피한다.
• 이론적 분석을 통해 추정기는 오버랩 조건과 결과 모형의 흐문성 조건 하에서 준모수적 효율성 경계를 달성함을 보여준다.

실험 결과

연구 질문

• RQ1 조건부 확률 모형을 모델링하지 않아도 되는 고차원 평균 치료 효과 추정기를 개발할 수 있는가?
• RQ2 균형 가중치와 회귀 보정을 어떻게 조합하여 고차원 설정에서의 표본 내 성능을 향상시킬 수 있는가?
• RQ3 제안된 방법이 평균 치료 효과 추정에서 준모수적 효율성을 달성하는 조건은 무엇인가?
• RQ4 추정기가 일致하고 효율적이기 위해 필요한 최소한의 정규성 조건은 무엇인가?
• RQ5 조건부 확률 모형이 비희소한 경우, 이 방법은 어떻게 성능을 보이는가? 이는 고차원 데이터에서 흔한 과제이다.

주요 결과

• 제안된 추정기는 조건부 확률 모형에 대한 어떤 모델링도 요구하지 않으며, 평균 치료 효과 추정에서 준모수적 효율성 경계를 달성한다.
• 오버랩 조건 하에서도 유효하고 효율적이며, 모든 단위의 조건부 확률이 0과 1에서 멀리 떨어져 있음을 보장한다.
• 조건부 확률 모형이 비희소한 경우에도 추정기는 양호한 표본 내 성능을 유지하며, 이는 이전 방법의 한계이다.
• 이론적 결과는 결과 모형이 약간의 흐문성 조건을 만족할 경우 추정기가 효율적임을 확인한다.
• 이 방법은 계산 가능성과 강력한 이론적 보장을 결합하여 고차원 관찰 연구에 적합하다.
• 실증 결과는 이 방법이 고차원 설정에서 편향과 평균제곱오차 측면에서 기존 방법보다 뛰어난 성능을 보임을 시사한다.