[论文解读] Double score matching estimators of average and quantile treatment effects

Shu Yang, Yunshu Zhang|arXiv (Cornell University)|Jan 16, 2020

Advanced Causal Inference Techniques被引用 1

一句话总结

本文通过结合倾向得分和预后得分，提出用于平均和分位数处理效应的双分值匹配估计量，实现双重稳健性：只要任一模型正确设定，一致性即成立。该方法通过渐近理论和两阶段重抽样方差估计量确保有效推断，且已提供 R 包以供实现。

ABSTRACT

Propensity score matching has a long tradition for handling confounding in causal inference. In this article, we propose double score matching estimators of the average treatment effects and the quantile treatment effects utilizing two balancing scores including the propensity score and the prognostic score. We show that the de-biasing double score matching estimators achieve the double robustness property in that they are consistent for the true causal estimands if either the propensity score model or the prognostic score model is correctly specified, not necessarily both.} We characterize the asymptotic distributions for the doubly score matching estimators when either one of the score model is correctly specified based on the martingale representations of the matching estimators and theory for local normal experiments. We also provide a two-stage replication method for variance estimation and therefore doubly robust inference. R package is available online.

研究动机与目标

• 通过使用倾向得分和预后得分两种平衡得分，解决因果推断中的混杂问题。
• 开发对平均和分位数处理效应估计量具有双重稳健性的估计方法。
• 利用鞅表示法，在模型设定错误的情况下推导估计量的渐近分布。
• 提出一种两阶段重抽样方法，用于稳健的方差估计。
• 通过公开可用的 R 包，实现具有有效推断程序的实际应用。

提出的方法

• 通过基于倾向得分和预后得分的配对方法进行双分值匹配，以平衡混杂因素。
• 利用匹配估计量的鞅表示法，推导在模型设定错误情况下的渐近分布。
• 应用局部正态实验理论，刻画当倾向得分或预后得分模型之一正确设定时的极限分布。
• 推导双重稳健性：只要任一分值模型正确，估计量即保持一致，无需两者均正确。
• 开发一种两阶段重抽样方法，用于估计标准误并实现有效推断。
• 在 R 包中实现该方法，以支持开源可重复性和实际应用。

实验结果

研究问题

• RQ1 在观察性研究中，结合倾向得分和预后得分能否改善对平均和分位数处理效应的估计？
• RQ2 当两个分值模型之一设定错误时，双分值匹配估计量在何种条件下仍保持一致性？
• RQ3 当仅一个分值模型正确设定时，估计量的渐近分布如何刻画？
• RQ4 何种方法可提供可靠的方差估计，以支持双重稳健推断？
• RQ5 如何通过有效的推断程序实现所提出方法的实际应用？

主要发现

• 双分值匹配估计量实现了双重稳健性，只要倾向得分或预后得分模型之一正确设定，即可保证对真实因果效应量的一致性。
• 在模型设定错误的情况下，利用鞅表示法和局部正态实验理论推导出估计量的渐近分布。
• 两阶段重抽样方法提供了有效的方差估计，支持具有正确覆盖概率的双重稳健推断。
• 通过利用两种不同的得分，该方法改善了混杂因素的平衡性，提升了估计效率和稳健性。
• 已发布 R 包以支持方法实现，确保应用研究人员的可及性和可重复性。