[논문 리뷰] Posterior Predictive Treatment Assignment for Estimating Causal Effects with Limited Overlap

Corwin Zigler, Matthew Cefalu|arXiv (Cornell University)|2017. 10. 24.

Advanced Causal Inference Techniques참고 문헌 20인용 수 3

한 줄 요약

이 논문은 속도 분포의 겹침이 제한된 설정에서 전통적 추정기들이 높은 분산과 불안정성으로 어려움을 겪는 상황에서 인과적 효과를 추정하기 위해 베이지안 사후 예측 치료 배정(PPTA) 방법을 제안한다. 관측치가 치료를 받을 사후 예측 확률에 기반해 무작위로 관측치를 포함함으로써 이 방법은 유한 표본 성능을 향상시키고 불확실성을 정량화하며, 시뮬레이션과 미국 발전소 배기가스 규제에 대한 실제 분석에서 IPTW 및 오버랩 가중 추정기보다 뛰어난 성능을 보였다.

ABSTRACT

Estimating causal effects with propensity scores relies upon the availability of treated and untreated units observed at each value of the estimated propensity score. In settings with strong confounding, limited so-called "overlap" in propensity score distributions can undermine the empirical basis for estimating causal effects and yield erratic finite-sample performance of existing estimators. We propose a Bayesian procedure designed to estimate causal effects in settings where there is limited overlap in propensity score distributions. Our method relies on the posterior predictive treatment assignment (PPTA), a quantity that is derived from the propensity score but serves different role in estimation of causal effects. We use the PPTA to estimate causal effects by marginalizing over the uncertainty in whether each observation is a member of an unknown subset for which treatment assignment can be assumed unconfounded. The resulting posterior distribution depends on the empirical basis for estimating a causal effect for each observation and has commonalities with recently-proposed "overlap weights" of Li et al. (2016). We show that the PPTA approach can be construed as a stochastic version of existing ad-hoc approaches such as pruning based on the propensity score or truncation of inverse probability of treatment weights, and highlight several practical advantages including uncertainty quantification and improved finite-sample performance. We illustrate the method in an evaluation of the effectiveness of technologies for reducing harmful pollution emissions from power plants in the United States.

연구 동기 및 목표

• 속도 분포 겹침이 제한된 관찰 연구에서 인과 추정기의 유한 표본 불안정성을 해결하기 위해.
• 속도 분포 추정의 불확실성과 프리프로세싱 단계의 결정(예: 정제 또는 가중치 절단)을 고려할 수 있는 방법을 개발하기 위해.
• 속도 분포 임계값 기반으로 단위를 잘라내거나 제외하는 수단적인 사전 처리 방법의 원칙적인 무작위 대체 방법을 제공하기 위해.
• 혼동 요인 없이 비교 가능한 근거가 있는 관측치에 따라 가중치를 부여함으로써 인과 효과 추정을 향상시키기 위해.
• 단일한 부분집합을 고정하는 대신, 인과 추론에 포함시킬 단위의 부분집합에 대한 불확실성을 통합하는 프레임워크를 제공하기 위해.

제안 방법

• 이 방법은 속도 분포에서 유도된 베이지안 양인 사후 예측 치료 배정(PPTA)을 도입하여, 적합된 모형 하에서 관측치가 치료를 받을 확률을 추정한다.
• PPTA를 사용해 혼동 요인 없이 비교 가능한 그룹에 속할 가능성이 높은 관측치가 인과 효과 추정에 기여할지 무작위로 결정한다.
• 인과 효과는 각 관측치가 반대 치료를 받을 수 있었을 가능성의 사후 확률에 가중된 여러 잠재적 데이터 부분집합에 대한 평균을 통해 추정된다.
• 이 접근법은 두 단계의 베이지안 절차로 구성된다: 첫 번째로 속도 분포 모형을 적합시키고, 두 번째로 설계 단계의 불확실성을 통합하여 인과 추론을 수행한다.
• 이 방법은 속도 분포 추정과 부분집합 선택의 불확실성을 자연스럽게 통합한 인과 효과에 대한 사후 분포를 생성한다.
• Li 등(2016)의 오버랩 가중치와 수학적으로 관련되어 있지만, 전체 사후 분포를 제공하고 결정론적 정제를 피하는 점에서 이를 확장한다.

실험 결과

연구 질문

• RQ1 어떻게 속도 분포 겹침이 제한된 설정에서 인과 효과 추정을 향상시킬 수 있는가?
• RQ2 속도 분포 추정 및 설계 결정의 불확실성을 고려할 경우, 인과 추정기의 유한 표본 성능이 얼마나 향상되는가?
• RQ3 무작위적, 베이지안적 부분집합 선택 접근법이 가중치 절단이나 정제와 같은 결정론적 방법보다 뛰어나게 작용할 수 있는가?
• RQ4 PPTA 방법은 유한 표본에서 편향, 분산, 신뢰구간 커버리지 측면에서 IPTW 및 오버랩 가중 추정기와 어떻게 비교되는가?
• RQ5 사후 예측 확률에 의해 정의된 여러 잠재적 부분집합에 대해 평균을 내어 추론할 경우, 결과 인과 추정치의 해석 가능성은 어떠한가?

주요 결과

• 시뮬레이션 연구에서 PPTA 방법은 강한 혼동 요인과 제한된 겹침이 있는 설정에서 IPTW 및 오버랩 가중 추정기보다 뛰어난 유한 표본 성능을 보였다.
• 미국 발전소 배기가스 규제 분석에서, PPTA 방법은 SCR/SNCR 기술이 NOx 감소에 미치는 영향을 IPTW보다 더 뚜렷하고 안정적으로 추정하였다. 특히 2002년과 2003년에 두드러졌다.
• PPTA 방법은 IPTW보다 체계적으로 더 넓은 불확실성 구간을 생성하여, 속도 분포 추정 불확실성과 설계 단계 불확실성을 명시적으로 반영하고 있음을 반영한다.
• 이 방법은 규제 동적 변화를 고려할 때 더 신뢰할 수 있는 결과를 도출하였으며, 비교 가능한 근거가 더 강한 단위에 집중함으로써 인과 추론을 집중시켰다.
• PPTA 방법은 평균 치료 효과의 오버랩(ATEO)과 유사한 추정치를 추정하는 것으로 해석되었으며, 오버랩 영역에서 ATE보다 더 뛰어난 해석 가능성과 강건성을 제공하였다.
• 이 방법은 극단적인 가중치의 지배를 효과적으로 방지하였고, 수단적인 가중치 절단이나 표본 정제의 원칙적인 대안을 제공하였다.