[논문 리뷰] Demystifying Double Robustness: A Comparison of Alternative Strategies for Estimating a Population Mean from Incomplete Data

Joseph Kang, Joseph L. Schafer|2008. 04. 18.

Advanced Causal Inference Techniques참고 문헌 44인용 수 141

한 줄 요약

이 논문은 완전하지 않은 데이터에서 인구 평균을 추정하기 위한 이중으로 강건한(DR) 추정기와 다른 방법을 비교하며, 이론적으로 한 모델의 잘못된 특정화에 강건하지만, 두 모델이 중간 정도로 잘못 설정된 경우 단순한 회귀 기반 보간법보다 항상 뛰어나지 않는다는 점을 입증한다. 연구는 역확률가중법(IPW)이 작은 성향점수에 민감함을 보이며, 시뮬레이션에서 어떤 DR 방법도 기본적인 회귀 기반 보간법을 뛰어넘지 못했음을 보여, 두 모델이 잘못되었을 때 더 낫다는 가정을 도전한다.

ABSTRACT

When outcomes are missing for reasons beyond an investigator's control, there are two different ways to adjust a parameter estimate for covariates that may be related both to the outcome and to missingness. One approach is to model the relationships between the covariates and the outcome and use those relationships to predict the missing values. Another is to model the probabilities of missingness given the covariates and incorporate them into a weighted or stratified estimate. Doubly robust (DR) procedures apply both types of model simultaneously and produce a consistent estimate of the parameter if either of the two models has been correctly specified. In this article, we show that DR estimates can be constructed in many ways. We compare the performance of various DR and non-DR estimates of a population mean in a simulated example where both models are incorrect but neither is grossly misspecified. Methods that use inverse-probabilities as weights, whether they are DR or not, are sensitive to misspecification of the propensity model when some estimated propensities are small. Many DR methods perform better than simple inverse-probability weighting. None of the DR methods we tried, however, improved upon the performance of simple regression-based prediction of the missing values. This study does not represent every missing-data problem that will arise in practice. But it does demonstrate that, in at least some settings, two wrong models are not better than one.

연구 동기 및 목표

• 두 모수(결과 및 결측) 모델이 중간 정도로 잘못 설정된 경우 유한 표본에서 이중으로 강건한 추정기의 실용적 성능을 평가하기 위해.
• 역확률가중법(IPW) 및 회귀 기반 보간법과 같은 다른 접근법과 DR 추정기를 비교하기 위해.
• 두 개의 잠재적으로 잘못된 모델을 조합하면 단일 모델을 사용할 때보다 추정 성능이 향상되는지 조사하기 위해.
• 실제의 불완전 데이터 설정에서 DR 방법이 의미 있는 이점을 제공하는 조건을 명확히 하기 위해.

제안 방법

• 결측이 임의(MAR) 메커니즘 하에서 인구 평균 추정을 위한 다양한 추정 전략을 비교하기 위해 시뮬레이션 연구를 수행한다.
• 결과 회귀 모델과 성향점수 모델을 조합한 이중으로 강건한 추정기를 적용하여, 어느 한 모델이 올바르게 특정화되어 있으면 일관성이 보장된다.
• 기준으로 역확률가중법(IPW) 및 모델 보조 설문 조사 추정 기법을 사용한다.
• 기본 방법으로는 공변수를 사용해 결측값을 예측하는 회귀 기반 보간법을 사용한다.
• 반복 시뮬레이션을 통해 평균제곱오차(MSE)와 편향을 성능 평가 지표로 사용한다.
• 증강된 역확률가중법 및 일반화된 회귀 추정기 등 다양한 DR 추정기를 고려한다.

실험 결과

연구 질문

• RQ1 결과 모델과 결측 모델이 모두 중간 정도로 잘못 설정된 경우, 이중으로 강건한 성질이 실용적 이점으로 이어지는가?
• RQ2 모델 잘못 설정 조건 하에서 DR 추정기는 역확률가중법과 회귀 기반 보간법에 비해 성능이 어떻게 다른가?
• RQ3 IPW 기반 구현에서 작은 추정 성향점수에 대해 DR 추정기는 민감한가?
• RQ4 이중 모델 잘못 설정 조건에서 어떤 DR 방법도 단순한 회귀 기반 보간법을 뛰어넘을 수 있는가?
• RQ5 두 개의 잠재적으로 잘못된 모델을 조합하면 단일 정확한 모델을 사용할 때보다 더 나은 추정을 얻을 수 있는 조건은 무엇인가?

주요 결과

• 두 모델이 중간 정도로 잘못 설정된 경우, 어떤 DR 추정기라도 단순한 회귀 기반 보간법보다 평균제곱오차(MSE) 측면에서 일관되게 뛰어나지 않았다.
• 역확률가중법(IPW) 기법은 작은 추정 성향점수에 매우 민감하여 불안정한 추정을 초래했다.
• DR 추정기의 성능은 다양한 구현 방식에 따라 달라졌지만, 어느 것도 회귀 기반 보간법보다 상당한 개선을 보이지 않았다.
• 한 모델이 정확한 경우조차도 DR 추정기가 다른 방법을 항상 압도하지는 않았으며, 중간 정도의 잘못 설정 조건에서는 실용적 이점이 제한적임을 시사한다.
• 이 연구는 두 잘못된 모델이 한 모델보다 낫다는 가정을 도전하며, 신뢰할 수 있는 추정을 위해서는 모델의 정확성이 여전히 핵심임을 시사한다.