[논문 리뷰] Regression adjustments for estimating the global treatment effect in experiments with interference

Alex Chin|arXiv (Cornell University)|2018. 08. 27.

Advanced Causal Inference Techniques참고 문헌 79인용 수 3

한 줄 요약

이 논문은 간섭이 있는 랜덤화 실험에서 전역 평균 치료 효과(GATE)의 편향 없는 추정을 위한 회귀 조정 추정기법을 제안한다. 치료 배정 함수를 공변량으로 사용하고 기계학습을 통해 민감한 모델링을 가능하게 한다. 기존의 역확률가중법보다 편향 보정을 향상시키며, 외생성 가정 하에서 부트스트랩 재표본 추출을 통해 타당한 추론을 가능하게 한다.

ABSTRACT

Standard estimators of the global average treatment effect can be biased in the presence of interference. This paper proposes regression adjustment estimators for removing bias due to interference in Bernoulli randomized experiments. We use a fitted model to predict the counterfactual outcomes of global control and global treatment. Our work differs from standard regression adjustments in that the adjustment variables are constructed from functions of the treatment assignment vector, and that we allow the researcher to use a collection of any functions correlated with the response, turning the problem of detecting interference into a feature engineering problem. We characterize the distribution of the proposed estimator in a linear model setting and connect the results to the standard theory of regression adjustments under SUTVA. We then propose an estimator that allows for flexible machine learning estimators to be used for fitting a nonlinear interference functional form. We propose conducting statistical inference via bootstrap and resampling methods, which allow us to sidestep the complicated dependences implied by interference and instead rely on empirical covariance structures. Such variance estimation relies on an exogeneity assumption akin to the standard unconfoundedness assumption invoked in observational studies. In simulation experiments, our methods are better at debiasing estimates than existing inverse propensity weighted estimators based on neighborhood exposure modeling. We use our method to reanalyze an experiment concerning weather insurance adoption conducted on a collection of villages in rural China.

연구 동기 및 목표

• 랜덤화 실험에서 간섭으로 인해 발생하는 전역 평균 치료 효과(GATE) 추정의 편향을 해결하기 위해.
• 일반적으로 SUTVA 하에서 사용되는 회귀 조정 기법을 간섭이 있는 상황으로 확장하기 위해, 치료 배정 함수로부터 공변량을 구성함으로써.
• 기계학습 추정기법을 사용하여 평균 함수의 비선형 간섭 형태를 민감하게 모델링함으로써 유연한 비선형 모델링을 가능하게 하기 위해.
• 복잡한 분석 분산 공식에 의존하지 않고도 외생성 가정 하에서 타당한 통계적 추론을 개발하기 위해.
• 시뮬레이션과 실제 데이터에서 기존의 역확률가중법에 비해 향상된 편향 감소를 보여주기 위해.

제안 방법

• 치료 배정 벡터의 함수로서 회귀 조정 공변량을 구성하여, 반응과 관련된 사용자 정의 함수를 통해 간섭 패턴을 포착한다.
• 선형 모델 프레임워크를 사용하여 제안된 추정기의 분포를 특성화하고 SUTVA 하에서 표준 회귀 조정 이론과 연결한다.
• 비선형 간섭 기능 형태를 개선하기 위해 기계학습 모델을 사용하는 민감한 추정기법을 제안한다.
• 부트스트랩 및 재표본 추출 방법을 사용하여 분산 추정을 수행하며, 간섭으로 인해 유도된 종속성을 처리하기 위해 경험적 공분산 구조를 활용한다.
• 관측되지 않은 혼란 요인의 부재 시 타당한 추론을 보장하기 위해 관측된 자료에 대한 비편향성과 유사한 외생성 가정에 의존한다.
• 실제로 농촌 중국의 기상 보험 실험 데이터에 이 방법을 적용하여 실용적 유용성을 입증한다.

실험 결과

연구 질문

• RQ1 SUTVA 위반으로 인해 간섭이 발생할 경우, 회귀 조정이 GATE 추정의 편향을 효과적으로 줄일 수 있는가?
• RQ2 치료 배정 함수를 공변량으로 사용하여 표준 회귀 조정을 일반화하는 방식으로 간섭을 모델링할 수 있는가?
• RQ3 분석적 분산 공식과 비교했을 때, 간섭 하에서 부트스트랩 기반 추론의 성능은 어떠한가?
• RQ4 노출 모델을 사용한 역확률가중법과 비교했을 때, 제안된 방법은 편향과 정밀도 측면에서 어떻게 다른가?
• RQ5 복잡하고 비선형적인 간섭 패턴이 존재하는 상황에서 기계학습 모델이 추정 정확도를 향상시킬 수 있는가?

주요 결과

• 제안된 회귀 조정 추정기법은 시뮬레이션 실험에서 기존의 역확률가중 추정기법보다 훨씬 낮은 편향을 보였다.
• 농촌 중국 기상 보험 채택 실험의 재분석에서 선형 및 로지스틱 회귀 조정 GATE 추정치는 각각 0.1218과 0.1197이었으며, 표준오차는 0.0561과 0.0559였다.
• 표준오차 추정치가 넓어 치료 효과를解석할 때 주의가 필요하며, 하제크 추정기의 보수적 분산 추정치는 불안정하고 종종 1을 초과하는 경향을 보였다.
• 이 방법은 간섭 하에서 복잡한 분석 분산 계산이 필요 없이 부트스트랩을 통해 타당한 추론을 가능하게 한다.
• 이 접근법은 간섭 탐지 문제를 특징 공학 문제로 간주하여 도메인 지식을 함수 선택을 통해 통합할 수 있도록 한다.
• 클러스터 부트스트랩 또는 강력한 표준오차를 사용한 잔차 기반 진단은 평균 모델에 포착되지 않은 잔여 간섭을 탐지하는 데 도움이 될 수 있다.