[论文解读] Balancing Covariates via Propensity Score Weighting

Fan Li, Kari Lock Morgan+1 more|arXiv (Cornell University)|Sep 23, 2016

Advanced Causal Inference Techniques被引用 25

一句话总结

本文引入了平衡权重（balancing weights），一种基于倾向得分的加权方法通用类别，可确保处理组之间的协变量平衡。它提出了重叠权重（overlap weights）——一种有界的权重，其大小与被分配到相反组别的概率成正比，可最小化渐近方差，并实现对选定协变量的精确均值平衡，统一并改进了现有加权策略。

ABSTRACT

Covariate balance is crucial for unconfounded descriptive or causal comparisons. However, lack of balance is common in observational studies. This article considers weighting strategies for balancing covariates. We define a general class of weights---the balancing weights---that balance the weighted distributions of the covariates between treatment groups. These weights incorporate the propensity score to weight each group to an analyst-selected target population. This class unifies existing weighting methods, including commonly used weights such as inverse-probability weights as special cases. General large-sample results on nonparametric estimation based on these weights are derived. We further propose a new weighting scheme, the overlap weights, in which each unit's weight is proportional to the probability of that unit being assigned to the opposite group. The overlap weights are bounded, and minimize the asymptotic variance of the weighted average treatment effect among the class of balancing weights. The overlap weights also possess a desirable small-sample exact balance property, based on which we propose a new method that achieves exact balance for means of any selected set of covariates. Two applications illustrate these methods and compare them with other approaches.

研究动机与目标

• 为解决观察性研究中常见的协变量不平衡问题，该问题会损害无混淆因果比较的有效性。
• 在统一的平衡权重通用框架下，整合现有的加权方法（如逆概率加权）。
• 开发一种新的加权方案，可在确保权重有界的同时最小化渐近方差。
• 在小样本中实现对任何预设协变量集合的精确均值平衡。
• 提供一种理论基础坚实、灵活的协变量平衡方法，以提升估计效率和稳健性。

提出的方法

• 提出平衡权重作为一类通用权重，可使处理组之间的加权协变量分布相等。
• 利用倾向得分将每组权重调整至用户定义的目标人群，以确保协变量的平衡。
• 引入重叠权重，其中每个单位的权重与其被分配到相反组别的概率成正比。
• 推导使用平衡权重进行非参数估计的大样本渐近性质。
• 通过利用重叠权重的结构，开发一种新方法，可在有限样本中实现对任意选定协变量集合的精确均值平衡。
• 证明重叠权重是在所有平衡权重中，使加权平均处理效应的渐近方差最小的权重。

实验结果

研究问题

• RQ1 如何在单一框架下统一加权方法，以确保观察性研究中的协变量平衡？
• RQ2 哪种加权方案可在保持权重有界的同时，最小化平均处理效应的渐近方差？
• RQ3 能否设计一种加权方法，在小样本中对任何预设协变量集合实现精确均值平衡？
• RQ4 与逆概率加权等现有方法相比，重叠权重在方差和平衡性方面表现如何？
• RQ5 在大样本非参数估计中，平衡权重的理论性质是什么？

主要发现

• 重叠权重是有界的，这提高了稳定性并降低了对极端倾向得分的敏感性。
• 在所有平衡权重中，重叠权重使加权平均处理效应的渐近方差最小。
• 所提出的方法可在有限样本中实现对任意选定协变量集合的精确均值平衡，从而增强了小样本数据中的平衡性。
• 平衡权重框架统一了现有方法（包括逆概率加权）的理论基础。
• 实证应用表明，重叠权重在平衡性和方差效率方面优于标准方法。