[논문 리뷰] Synthetic Interventions

Anish Agarwal, Devavrat Shah외 1명|arXiv (Cornell University)|2020. 06. 13.

Advanced Causal Inference Techniques참고 문헌 22인용 수 4

한 줄 요약

이 논문은 단위당 두 개의 간섭만을 사용하여 $N \times D$ 개의 개별 치료 효과를 추정하는 원인 인과 추론 프레임워크인 합성 간섭(Synthetic Interventions, SI)을 소개한다. 이는 단위, 간섭, 시간에 걸쳐 저질수치 텐서 분해 모델을 활용한다. 이 방법은 관찰되지 않은 혼동 요인 조건 하에서도 유한 표본 일致성과 점근 정규성을 보장하며, 시뮬레이션과 대규모 전자상거래 A/B 테스트를 통해 검증되었다.

ABSTRACT

The synthetic controls (SC) methodology is a prominent tool for policy evaluation in panel data applications. Researchers commonly justify the SC framework with a low-rank matrix factor model that assumes the potential outcomes are described by low-dimensional unit and time specific latent factors. In the recent work of [Abadie '20], one of the pioneering authors of the SC method posed the question of how the SC framework can be extended to multiple treatments. This article offers one resolution to this open question that we call synthetic interventions (SI). Fundamental to the SI framework is a low-rank tensor factor model, which extends the matrix factor model by including a latent factorization over treatments. Under this model, we propose a generalization of the standard SC-based estimators. We prove the consistency for one instantiation of our approach and provide conditions under which it is asymptotically normal. Moreover, we conduct a representative simulation to study its prediction performance and revisit the canonical SC case study of [Abadie-Diamond-Hainmueller '10] on the impact of anti-tobacco legislations by exploring related questions not previously investigated.

연구 동기 및 목표

• 이질적인 단위와 다수의 간섭에 걸쳐 $N \times D$ 원인 인과 매개수—개별 치료 효과—를 추정하기 위해.
• 모든 단위에 대해 $N \times D$ 개의 완전한 랜덤화 실험을 수행할 필요 없이, 단위당 두 개의 간섭만으로도 실험 비용을 줄이기 위해.
• 텐서 분해 모델 내 저차원 잠재 요인을 통해 혼동 요인을 모델링하여 관찰되지 않은 혼동 요인을 다루기 위해.
• 약한 정규 조건 하에서 추정기의 유한 표본 일치성과 점근 정규성을 보장하기 위해.
• 개별 정책 평가나 전자상거래 최적화와 같은 설정에서 자료 효율적인 실험 설계를 가능하게 하기 위해.

제안 방법

• 잠재 결과가 단위, 간섭, 시간 포인트에 걸쳐 저질수치 성분으로 분해되는 텐서 분해 모델을 제안한다.
• 기부자 단위의 대조 조건 하에서 가중치를 학습함으로써 반사적 결과를 예측하기 위해 수정된 주성분 회귀(PCR) 추정기를 사용한다.
• 이중 단계 추정: 첫 번째로, 간섭 이전 데이터에 대한 회귀를 통해 기부자 가중치를 추정한다; 두 번째로, 이 가중치를 사용하여 간섭 이후 결과를 예측한다.
• 추정된 오차 분산과 가중치 노름을 기반으로 한 신뢰구간 구축을 통해 점근 정규성 하에서 추론을 가능하게 한다.
• 관찰되지 않은 혼동 요인은 저질수치 잠재 구조에 의해 포괄된다고 가정함으로써 이를 다룬다.
• 정확한 진위값이 알려진 시뮬레이션 데이터와 전자상거래 플랫폼에서의 실제 A/B 테스트를 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 모든 단위당 두 개의 간섭만으로 $N \times D$ 개의 개별 치료 효과를 추정할 수 있는가? $N \times D$ 개의 실험을 요구하지 않고도 가능한가?
• RQ2 관찰되지 않은 혼동 요인이 간섭 배정에 영향을 주는 상황에서 추정의 일치성과 타당한 추론을 어떻게 확보할 수 있는가?
• RQ3 단위, 간섭, 시간에 걸쳐 저질수치 텐서 분해 모델이 정보 공유와 정확한 예측을 얼마나 잘 가능하게 하는가?
• RQ4 제안된 모델 하에서 추정기의 점근 정규성을 보장하는 조건는 무엇인가?
• RQ5 제한된 데이터 조건 하에서 표준 방법에 비해 실용적으로 얼마나 잘 성능을 발휘하는가?

주요 결과

• SI 추정기는 관찰되지 않은 혼동 요인이 존재하더라도 제안된 텐서 분해 모델 하에서 유한 표본 일치성을 달성한다.
• 모든 테스트된 표본 크기 $T_0 \in \{200, 400, 600, 800, 1000\}$ 에서 90% 및 95% 신뢰구간의 실측 커버리지가 명목 수준(88–90% 및 94–95%)에 매우 가까운 것으로 확인되어 타당한 추론이 가능함을 입증한다.
• 구간 길이가 $T_0$ 증가함에 따라 감소하지만, 표준 PCR 대비 예측 정확도가 열 劣하므로 여전히 상대적으로 크다.
• 대규모 전자상거래 A/B 테스트에서 원인 매개수를 성공적으로 복원하여 실제 환경에서의 실용적 유용성을 입증한다.
• 혼동의 구조가 저차원 잠재 요인에 의해 포괄된다면, 관찰되지 않은 혼동 요인 조건 하에서도 추정기가 유효하다.
• 고차원 간섭과 이질적인 단위를 포함한 설정에서 스케일러블한 원인 인과 추론을 가능하게 하여 실험 부담을 크게 감소시킨다.