[논문 리뷰] Propensity Score Weighting for Causal Inference with Multiple Treatments

Fan Li, Li, Fan|arXiv (Cornell University)|2018. 08. 16.

Advanced Causal Inference Techniques참고 문헌 58인용 수 9

한 줄 요약

이 논문은 다중 치료에 대한 인과적 추론을 위한 통합된 균형 가중치 프레임워크를 제안하며, 점점 더 많은 공변량 겹침을 보이는 목표 인구 집단을 중심으로 초점을 맞춰 점점 더 낮은 점 渐진적 분산을 최소화하고 극단적인 성향 스코어를 피하는 일반화된 오버랩 가중치를 도입한다. 이 방법은 관찰 연구에서 추정 효율성과 강건성을 향상시키며, 특히 의료 서비스 연구 분야에서 인종 격차 분석에 유용하다.

ABSTRACT

Causal or unconfounded descriptive comparisons between multiple groups are common in observational studies. Motivated from a racial disparity study in health services research, we propose a unified propensity score weighting framework, the balancing weights, for estimating causal effects with multiple treatments. These weights incorporate the generalized propensity scores to balance the weighted covariate distribution of each treatment group, all weighted toward a common pre-specified target population. The class of balancing weights include several existing approaches such as the inverse probability weights and trimming weights as special cases. Within this framework, we propose a set of target estimands based on linear contrasts. We further develop the generalized overlap weights, constructed as the product of the inverse probability weights and the harmonic mean of the generalized propensity scores. The generalized overlap weighting scheme corresponds to the target population with the most overlap in covariates across the multiple treatments. These weights are bounded and thus bypass the problem of extreme propensities. We show that the generalized overlap weights minimize the total asymptotic variance of the moment weighting estimators for the pairwise contrasts within the class of balancing weights. We consider two balance check criteria and propose a new sandwich variance estimator for estimating the causal effects with generalized overlap weights. We apply these methods to study the racial disparities in medical expenditure between several racial groups using the 2009 Medical Expenditure Panel Survey (MEPS) data. Simulations were carried out to compare with existing methods.

연구 동기 및 목표

• 다중 치료 설정에서 역확률가중치의 한계, 특히 극단적인 성향 스코어와 명확하지 않은 목표 인구 집단을 해결하기 위해.
• 사전에 지정된 인구 집단을 향해 다중 치료와 함께 인과적 추론을 가능하게 하는 통합된 균형 가중치 프레임워크를 개발하기 위해.
• 모든 치료 그룹 간에 상당한 겹침을 보이는 하위집단에 초점을 맞추는 유한하고 효율적인 가중치 체계인 일반화된 오버랩 가중치를 도입하기 위해.
• 일반화된 오버랩 가중치 체계 하에서 유효한 추론을 지원하기 위한 분산 추정기와 균형 검증을 제공하기 위해.
• 2009년 MEPS 자료를 활용하여 실세계 데이터를 적용하고 검증하기 위해.

제안 방법

• 다중 치료 그룹 간의 공변량 분포를 공통 목표 인구 집단으로 향해 균형을 이루도록 재가중하는 일반화된 균형 가중치 프레임워크를 제안한다.
• 잠재적 결과의 선형 대비를 사용하여 목표 추정량을 정의함으로써 치료 효과의 쌍별 비교를 가능하게 한다.
• 일반화된 성향 스코어의 조화 평균과 역확률가중치의 곱으로 구성되는 일반화된 오버랩 가중치를 도입하여, 0과 1 사이의 유한한 가중치를 보장한다.
• 균형 가중치의 범주 내에서 쌍별 대비에 대한 모멘트 추정기의 총 점 渐진적 분산을 최소화하는 방식으로 일반화된 오버랩 가중치를 유도한다.
• 일반화된 오버랩 가중치의 추정 불확실성을 고려하기 위해 새로운 샌드위치 분산 추정기를 개발한다.
• 비정규 추정량을 다루고 유한 표본에서의 강건성을 향상시키기 위해 순위-교체 조정을 적용한다.

실험 결과

연구 질문

• RQ1 확률 스코어 가중치를 다중 치료 설정으로 일반화할 수 있는 방법은 무엇이며, 균형을 유지하고 분산을 최소화할 수 있는가?
• RQ2 다중 치료 설정에서 인과적 추론의 최적 목표 인구 집단은 무엇이며, 이를 형식적으로 어떻게 정의할 수 있는가?
• RQ3 극단적인 성향 스코어가 다중 치료 설정에서 유도하는 불안정성을 피하기 위해 유한한 가중치를 구성할 수 있는가?
• RQ4 기존 방법과 비교할 때 일반화된 오버랩 가중치 체계는 효율성과 강건성 측면에서 어떻게 다른가?
• RQ5 모델 잘못 지정이 제안된 가중치 추정기 성능에 어떤 영향을 미치는가?

주요 결과

• 일반화된 오버랩 가중치가 균형 가중치의 범주 내에서 쌍별 대비에 대한 모멘트 추정기의 총 점 渐진적 분산을 최소화함을 입증하였다.
• 일반화된 오버랩 가중치는 엄격히 0과 1 사이로 유한하게 제한되어 있어, 역확률가중치의 편향을 유발하는 극단적인 성향 스코어 문제를 효과적으로 제거한다.
• 제안된 샌드위치 분산 추정기는 모델 잘못 지정 조건 하에서도 일반화된 오버랩 가중치에 대해 유효한 추론을 제공한다.
• 시뮬레이션 결과, 특히 오버랩이 열악할 경우 일반화된 오버랩 가중치가 기존 방법보다 편향과 평균제곱오차 측면에서 뛰어난 성능을 보였다.
• MEPS 적용 사례에서는 이 방법이 의료 지출의 인종 격차를 명확히 드러내었으며, 표준 IPW보다 더 안정적이고 해석 가능한 추정치를 제공하였다.
• 이 방법은 결과 모형과 성향 스코어 모형이 모두 올바르게 지정된 경우 효율성을 향상시킬 수 있는 보정 가중치 추정기의 사용을 지원한다.