[논문 리뷰] Minimax Linear Estimation of the Retargeted Mean

David A. Hirshberg, Arian Maleki외 1명|arXiv (Cornell University)|2019. 01. 11.

Advanced Causal Inference Techniques참고 문헌 26인용 수 15

한 줄 요약

이 논문은 재생 커널 힐버트 공간(RKHS) 모델에서 유도된 균형화 가중치를 사용하여 목표 인구 집단에서 치료별 평균을 최소화하는 선형 추정기의 제안한다. 미세한 조건 하에서 추정기의 편향이 渐近적으로 무시할 만큼 작다는 것을 입증하며, 신뢰구간을 구성할 때 편향을 忽시하는 일반적인 관행을 정당화하고, 추정기가 최적의 분산과 결과 함수의 알려지지 않은 매끄러움 수준에 대한 적응성을 달성함을 보여준다.

ABSTRACT

Evaluating treatments received by one population for application to a different target population of scientific interest is a central problem in causal inference from observational studies. We study the minimax linear estimator of the treatment-specific mean outcome on a target population and provide a theoretical basis for inference based on it. In particular, we provide a justification for the common practice of ignoring bias when building confidence intervals with these linear estimators. Focusing on the case that the class of the unknown outcome function is the unit ball of a reproducing kernel Hilbert space, we show that the resulting linear estimator is asymptotically optimal under conditions only marginally stronger than those used with augmented estimators. We establish bounds attesting to the estimator's good finite sample properties. In an extensive simulation study, we observe promising performance of the estimator throughout a wide range of sample sizes, noise levels, and levels of overlap between the covariate distributions of the treated and target populations.

연구 동기 및 목표

• 목표 인구 집단에서 치료 효과를 추정할 때 인과 추론의 신뢰구간에 대한 이론적 기반을 제공하는 것.
• 최소최대 선형 추정기의 경우 신뢰구간을 구성할 때 편향을 忽시하는 광범위한 관행을 정당화하는 것.
• RKHS 모델 하에서 최소최대 선형 추정기의 유한표본 및 점근적 성질을 분석하는 것.
• 더 강한 모델 가정이 필요 없이도 결과 함수의 알려지지 않은 매끄러움 수준에 대해 추정기가 적응 가능함을 보여주는 것.
• 추정기가 최적의 분산과 점근적 정규성을 달성할 수 있는 조건을 설정하는 것.

제안 방법

• 최소최대 선형 추정기는 RKHS 내 회귀 함수의 클래스 위에서 볼록 2차 프로그래밍 문제의 해로서 유도된다.
• 이 추정기는 훈련 샘플에서 커널 리지 회귀와 연결된 이중 표현을 통해 특징지어진다.
• 이 방법은 치료군과 목표 인구 집단 간의 공변수 분포 차이를 조정하기 위해 균형화 가중치를 사용한다.
• 이론적 분석은 커널 연산자의 고유값 감쇠와 함께 RKHS 노름을 사용하여 조건부 편향을 경계하는 데 기반한다.
• 유한표본 경계는 RKHS 클래스에 대한 농도 불등식과 거리 엔트로피 논증을 사용하여 유도된다.
• 고유값과 잡음 분산에 대한 조건 하에서 점근적 정규성과 분산 최적성은 입증된다.

실험 결과

연구 질문

• RQ1 목표 평균 추정의 맥락에서 최소최대 선형 추정기의 편향이 언제 점근적으로 무시할 수 있을 정도로 작아지는가?
• RQ2 이 추정기 유형의 경우, 신뢰구간을 구성할 때 왜 편향을 忽시하는 것이 이론적으로 타당한가?
• RQ3 추정기의 성능은 기저 결과 함수의 매끄러움 수준에 따라 어떻게 달라지는가?
• RQ4 더 강한 모델 가정 없이도 추정기가 알려지지 않은 매끄러움 수준에 대해 얼마나 적응 가능한가?
• RQ5 RKHS 모델 하에서 추정기의 유한표본 및 점근적 성질은 무엇인가?

주요 결과

• 최소최대 선형 추정기의 편향은 보정 추정기 요구 조건보다 약간 더 강한 조건 하에서 점근적으로 무시할 수 있을 정도로 작다.
• 정규성 조건 하에서 추정기는 점근적으로 정규분포를 따르며, Cramér-Rao 하한을 달성하는 최적의 분산을 가진다.
• 편향 인식 기반 신뢰구간은 편향 무시 기반 구간과 점근적으로 동일하며, 추정의 일반적인 관행인 편향 忽시를 정당화한다.
• 추정기는 적응 가능하다: 진짜 결과 함수가 가정된 것보다 더 매끄럽더라도 모델에 고차수 매끄러움을 명시할 필요 없이 최적의 성능을 달성한다.
• 유한표본 경계는 다양한 표본 크기, 잡음 수준, 공변수 분포 간의 겹침 조건에서 양호한 성능을 보여준다.
• 추정기의 수렴 속도는 $ o(n^{-1/4}) $이며, $ \sigma^2 \ll n $ 이고 $ n^{1 - \kappa^{-1}} \gg \sigma^2 $ 일 때 편향은 무시할 만하다. 여기서 $ \kappa = \kappa_m + \kappa_g + \kappa_g(1 - \kappa_m) $.