[논문 리뷰] Estimating Heterogeneous Causal Effects of High-Dimensional Treatments: Application to Conjoint Analysis

Max Goplerud, Kosuke Imai외 1명|arXiv (Cornell University)|2022. 01. 04.

Survey Sampling and Estimation Techniques인용 수 11

한 줄 요약

이 논문은 고차원적 처리 설정(예: 수많은 속성 조합을 포함한 공조 실험)에서 이질적인 인과 효과를 추정하기 위해 정규화된 로지스틱 회귀분석의 베이지안 혼합모형을 제안한다. 처리 효과 패턴에 따라 단위를 군집화하고, 군집 소속을 공변량으로 모델링함으로써 고유한 응답자 집단을 식별한다; 이 방법을 이민 공조 설문 조사에 적용한 결과, 유럽계 이민자 외의 이민자에게 차별을 가하는 편견이 있는 하위군집이 드러났다.

ABSTRACT

Estimation of heterogeneous treatment effects is an active area of research. Most of the existing methods, however, focus on estimating the conditional average treatment effects of a single, binary treatment given a set of pre-treatment covariates. In this paper, we propose a method to estimate the heterogeneous causal effects of high-dimensional treatments, which poses unique challenges in terms of estimation and interpretation. The proposed approach finds maximally heterogeneous groups and uses a Bayesian mixture of regularized logistic regressions to identify groups of units who exhibit similar patterns of treatment effects. By directly modeling group membership with covariates, the proposed methodology allows one to explore the unit characteristics that are associated with different patterns of treatment effects. Our motivating application is conjoint analysis, which is a popular type of survey experiment in social science and marketing research and is based on a high-dimensional factorial design. We apply the proposed methodology to the conjoint data, where survey respondents are asked to select one of two immigrant profiles with randomly selected attributes. We find that a group of respondents with a relatively high degree of prejudice appears to discriminate against immigrants from non-European countries like Iraq. An open-source software package is available for implementing the proposed methodology.

연구 동기 및 목표

• 처리 조합의 수가 표본 크기보다 훨씬 많은 고차원적 처리에 대해 인과 추론 방법의 격차를 메우기 위해.
• 요인 설계에서 비롯된 복잡한 처리 효과 이질성의 추정 및 해석에 도전 과제를 해결하기 위해.
• 유닛 수준의 이질성을, 유사한 처리 효과 패턴을 보이는 응답자 군집을 식별함으로써 모델링하기 위해.
• 어떤 공변량이 특정 처리 효과 프로파일을 가진 군집에 소속되는지를 해석할 수 있도록 하기 위해.
• 고차원적 처리 변동성이 있는 공조 실험을 분석하기 위한 확장 가능하고 오픈소스 솔루션을 제공하기 위해.

제안 방법

• 다양한 단위 군집에서 처리 효과를 추정하기 위해 정규화된 로지스틱 회귀분석의 베이지안 유한 혼합모형을 사용한다.
• 사전 처리 공변량을 기반으로 군집 소속을 모델링하여, 다양한 효과 패턴과 관련된 특성을 식별한다.
• 이중 단계 추정 절차를 적용한다: 첫 번째로, 훈련 데이터 분할에서 모델을 적합하여 초기 군집 할당을 추정하고, 두 번째로, 전체 데이터에서 제약 조건을 적용하여 재적합함으로써 안정성을 향상시킨다.
• 고차원 처리 효과를 다루고 과적합을 방지하기 위해 정규화(예: 라소 유형의 페널티)를 통합한다.
• 데이터 분할 간의 군집 식별 안정성을 높이기 위해 순열 최소화를 통한 레이블 전환 보정을 시행한다.
• 공개 소스 패키지인 FactorHet R 패키지를 통해 이 방법을 구현하였으며, https://www.github.com/mgoplerud/FactorHet 에서 이용 가능하다.

실험 결과

연구 질문

• RQ1 고차원적 공조 실험에서 어떤 응답자 하위군집이 체계적으로 다른 처리 효과를 보이는가?
• RQ2 정치적 이념이나 낭만주의와 같은 공변량은 어떤 군집에 소속되는지를 예측하는 데 어떻게 기여하는가? 이는 특정한 처리 효과 프로파일을 가진 군집의 특성과 관련된다.
• RQ3 각 식별된 군집 내에서 특정 속성(예: 국적, 법적 지위)에 대한 처리 효과의 크기와 방향은 무엇인가?
• RQ4 유한 표본에서 표준 접근 방식과 비교할 때, 제안된 방법은 편향, 신뢰구간 커버리지, 평균제곱오차 측면에서 어떻게 성능을 보이는가?
• RQ5 다양한 데이터 분할과 모델 사양에 대해 군집 결과의 안정성은 어느 정도 유지되는가?

주요 결과

• 편견 수준이 높은 응답자 하위군집이 이라크와 같은 비유럽계 국가에서 온 이민자들에게 유의미한 음성 처리 효과를 보이며, 이는 심각한 차별을 반영한다.
• 분할 표본 재적합 방법은 전체 데이터 추정에 비해 편향을 감소시키고 신뢰구간 커버리지를 향상시키며, 특히 진짜 효과가 0이 아닌 경우에 두드러진다.
• 분할 표본 방법의 중앙값 커버리지는 표본 크기가 클수록 명목상 95% 수준에 매우 가까워지며, 낮은 커버리지를 보이는 이상치가 소수 존재한다.
• 국적에 대한 평균 경계 효과(MM) 추정치는 고편견 군집 내에서 비유럽계 이민자에 대해 일관된 차별을 보였다.
• 표본 분할에서 발생한 안정성 문제를 관찰했지만, 순열 최소화를 통한 레이블 전환 보정이 반복 실험 간 군집 식별을 안정화시켰다.
• 세 군집 모델은 한 군집이 무법적 이민자들을 지속적으로 처벌하는 것으로 드러났으며, 다른 군집은 비유럽 국적의 이민자들에게 강력한 편견을 보였다.