[論文レビュー] Approximate Residual Balancing: De-Biased Inference of Average Treatment Effects in High Dimensions

Susan Athey, Guido W. Imbens+1 more|arXiv (Cornell University)|Apr 25, 2016

Advanced Causal Inference Techniques被引用数 6

ひとこと要約

本論文は、傾向スコアの一貫性推定を要件としない高次元線形モデルにおける平均処置効果の非バイアス推定のための近似残差バランス（ARB）を導入する。バランス重みと正則化回帰補正を組み合わせることで、重複性と線形性の仮定の下で√n一貫性推定を達成し、従来の傾向スコア推定に依存する二重ロバスト手法の範囲を超えて有効な推論を可能にする。

ABSTRACT

There are many settings where researchers are interested in estimating average treatment effects and are willing to rely on the unconfoundedness assumption, which requires that the treatment assignment be as good as random conditional on pre-treatment variables. The unconfoundedness assumption is often more plausible if a large number of pre-treatment variables are included in the analysis, but this can worsen the performance of standard approaches to treatment effect estimation. In this paper, we develop a method for de-biasing penalized regression adjustments to allow sparse regression methods like the lasso to be used for sqrt{n}-consistent inference of average treatment effects in high-dimensional linear models. Given linearity, we do not need to assume that the treatment propensities are estimable, or that the average treatment effect is a sparse contrast of the outcome model parameters. Rather, in addition standard assumptions used to make lasso regression on the outcome model consistent under 1-norm error, we only require overlap, i.e., that the propensity score be uniformly bounded away from 0 and 1. Procedurally, our method combines balancing weights with a regularized regression adjustment.

研究の動機と目的

• 高次元設定における処置効果推定において、正則化回帰補正（例：lasso）が引き起こすバイアスを解消すること。
• 傾向スコアの一致推定を要件としない、平均処置効果の√n一貫性推定を可能とすること。
• 線形性と重複性の仮定を活用して、高次元のアウトカムモデルにおける有効な推論を達成する手法を開発すること。
• 二重ロバストなネイズ推定器に依存しない、バランス重みと正則化回帰を組み合わせたバイアス補正フレームワークを提供すること。

提案手法

• 高次元共変量空間における処置群と対照群の間の残差不均衡の∞-ノルムを最小化するバランス重みを構築する。
• バイアスと分散のトレードオフを制御する調整パrameter ζを用いた正則化最適化問題を解き、lassoで推定されたアウトカムモデルの残差をバランスさせる重みを求める。
• 高次元スパース化が引き起こすバイアスを補正するために、バランス重みを用いてlasso回帰係数推定値にバイアス補正補正を施す。
• アウトカムモデルのパイロットlassoフィットの後に、残差不均衡を最小化する制約付き最適化問題を解くことでバランス重みを求める。
• アウトカムモデルにおける線形性と重複性（傾向スコアが0および1から離れている）を仮定するが、処置メカニズムにおけるスパarsityや傾向スコアの一貫性推定を要件としない。
• 最終的な推定器は、lasso予測とバランス重みを組み合わせることで、平均処置効果の√n一貫性で漸近正規な推定値を生成する。

実験結果

リサーチクエスチョン

• RQ1 傾向スコアの一貫性推定を要件としない高次元線形モデルにおいて、平均処置効果の√n一貫性推定が達成可能か。
• RQ2 高次元アウトカムモデルにおけるlasso回帰が引き起こすバイアスを、有効な推論のためにどのように補正できるか。
• RQ3 推定の対象となる設計およびモデル構造にどのような条件が求められれば、共変量の数が標本サイズを上回る状況でもバイアス補正推定が可能か。
• RQ4 アウトカムモデルが適切に指定されているが傾向スコアが推定不可能な状況において、提案手法と二重ロバスト推定器の性能はどのように比較されるか。
• RQ5 調整パrameter ζがバイアスと分散のバランスに果たす役割は何か。また、データ適応的選択が可能か。

主な発見

• 提案された近似残差バランス手法は、重複性と線形性の下で、傾向スコアの一貫性推定を要件とせず、平均処置効果の√n一貫性推定を達成する。
• 信頼区間のカバレッジは、重複性が高まる（例：η = 0.25 対 η = 0.1）ほど、および真の係数ベクトルがよりスパースであるほど向上する。
• 実証的結果では、標本サイズが増加するに従いカバレッジ率が向上しており、理論的結果が示す漸近的妥当性を裏付ける。
• アウトカムモデルと傾向スコアモデルの両方がスパースである状況でも、本手法は二重ロバスト手法を上回る性能を示す。特に強い線形効果が存在する状況で顕著である。
• 固定された調整パrameter ζ = 1/2 は、シミュレーション全体にわたり一貫して良好な性能を示しており、理論的課題があるにもかかわらず、調整パrameterの選択に対する頑健性を示唆する。
• 本手法は、特に線形モデルにおいて、一貫性のあるネイズ推定を要件とする問題の範囲を超えて、√n一貫性推定が可能な問題のクラスを拡張する。