[논문 리뷰] Learning Treatment Effects in Panels with General Intervention Patterns

Vivek F. Farias, Andrew A. Li외 1명|arXiv (Cornell University)|2021. 06. 05.

Advanced Causal Inference Techniques참고 문헌 45인용 수 5

한 줄 요약

이 논문은 일반적이고 적응적인 치료 패턴을 가진 패널 데이터에서 평균 치료 효과를 위한 비율 최적 추정기(_estimator)를 제안한다. 이는 새로운 보정 없는 식(identity)과 항목별 불확실성 측정 기법을 활용하여 임의의 블록되지 않은 치료 배정을 다룰 수 있다. 이 방법은 최소한의 가정 하에 증명 가능한 최적 복구 성능을 달성하며, 시뮬레이션 및 실세계 데이터에서 기존 방법들을 능가한다.

ABSTRACT

The problem of causal inference with panel data is a central econometric question. The following is a fundamental version of this problem: Let $M^*$ be a low rank matrix and $E$ be a zero-mean noise matrix. For a `treatment' matrix $Z$ with entries in $\{0,1\}$ we observe the matrix $O$ with entries $O_{ij} := M^*_{ij} + E_{ij} + \mathcal{T}_{ij} Z_{ij}$ where $\mathcal{T}_{ij} $ are unknown, heterogenous treatment effects. The problem requires we estimate the average treatment effect $τ^* := \sum_{ij} \mathcal{T}_{ij} Z_{ij} / \sum_{ij} Z_{ij}$. The synthetic control paradigm provides an approach to estimating $τ^*$ when $Z$ places support on a single row. This paper extends that framework to allow rate-optimal recovery of $τ^*$ for general $Z$, thus broadly expanding its applicability. Our guarantees are the first of their type in this general setting. Computational experiments on synthetic and real-world data show a substantial advantage over competing estimators.

연구 동기 및 목표

• 과거 데이터에 따라 적응하는 복잡한 치료 패턴을 가진 패널 데이터에서 치료 대상자에 대한 평균 치료 효과(ATT)를 추정하는 문제를 다루기.
• 구조화된 블록 유형의 치료 패턴을 요구하는 기존 방법들(예: 합성 제어법과 차이의 차이 방법)의 한계를 극복하기.
• 치료 행렬 Z에 대한 최소한의 가정 하에 ATT의 비율 최적 추정을 증명 가능한 방법으로 개발하기.
• 과거 결과에 따라 치료 배정이 의존하는 설정(예: 전자상거래 프 motion 또는 의료 간섭)에서의 인과 추론을 가능하게 하기.
• Z가 외생적이거나 구조화되어 있지 않은 경우에도 치료 효과 복구에 대한 이론적 보장을 제공하기.

제안 방법

• 이질적인 치료 효과가 존재하는 상황에서 치료 효과 추정과 저랭크 행렬 복구를 분리하기 위해 새로운 보정 없는 식을 도입한다.
• Chen 등(2020, 2021)의 항목별 불확실성 측정 기법을 일반적인 비랜덤 결측 패턴으로 확장하여 행렬 복구에 적용한다.
• 관측된 패널 데이터를 $ O_{it} = M^{*}_{it} + E_{it} + au_{it} Z_{it} $ 로 모델링하며, 여기서 $ M^* $ 는 저랭크이고 $ au_{it} $ 는 이질적인 치료 효과이다.
• 행렬 분해와 특이값 임계처리를 사용하여 반사적 결과 $ M^* $ 를 추정한 후, 치료를 받은 단위들에 대해 평균을 취해 $ au^* $ 를 복구한다.
• 과거 관측치를 조건으로 하여 $ Z $ 가 잡음과 조건부 독립이 되고 $ M^* $ 가 저랭크라는 가정 하에 이론적 보장을 확보한다.
• 스펙트럼 노름과 특이값 분해를 사용하여 추정 오차의 경계를 유도하며, 최소한의 구조적 가정 하에 비율 최적성을 확보한다.

실험 결과

연구 질문

• RQ1 치료 패턴이 일반적이고 과거 결과에 따라 적응하는 패널 데이터에서 치료 대상자에 대한 평균 치료 효과(ATT)를 추정할 수 있는가?
• RQ2 치료 행렬 $ Z $ 에 대해 최소한의 가정이 무엇이면 $ au^* $ 의 비율 최적 추정이 가능할까?
• RQ3 행렬 완성 기반 방법을 블록되지 않고 외생적이지 않은 치료 패턴으로 확장할 수 있으며, 이론적 보장도 유지할 수 있는가?
• RQ4 복잡하고 데이터 기반 치료 배정이 이루어지는 설정에서 제안된 추정기와 합성 제어법, 차이의 차이 방법 간의 성능 비교는 어떻게 이루어지는가?
• RQ5 일반적인 결측 패턴 하에서 행렬 복구에 항목별 불확실성 측정을 확장할 수 있으며, 이는 더 나은 치료 효과 추정을 어떻게 가능하게 하는가?

주요 결과

• 제안된 추정기는 치료 행렬 $ Z $ 에 대해 최소한의 가정 하에 비율 최적 복구 성능을 달성하며, 적응적이고 블록되지 않은 패턴을 포함한다.
• 새로운 보정 없는 식과 일반 결측 패턴으로의 항목별 불확실성 측정 기법 확장 덕분에 이론적 보장이 확보되어 증명 가능한 오차 경계를 제공한다.
• 시뮬레이션 및 실세계 데이터 실험에서 기존 방법(예: 합성 제어법, 행렬 완성)보다 성능이 뛰어나며, 특히 복잡한 치료 패턴에서 두각을 나타낸다.
• $ Z $ 가 과거 결과에 의존하더라도, $ Z $ 와 $ E $ 가 과거 데이터를 조건으로 하여 조건부 독립이면 추정기는 일관성을 유지한다.
• 오차 경계가 $ Oig(rac{ ext{rank}^{1/2}}{ ext{sample size}}ig) $ 로 스케일링되며, 기존 알려진 최소 최대 하한값과 일치하여 비율 최적성임을 확인한다.
• 실험 결과는 이질적인 치료 효과와 비정규적인 치료 배정이 존재하는 설정에서 경쟁자 대비 상당한 정확도 향상을 보였다.