[논문 리뷰] Generalized Optimal Matching Methods for Causal Inference

Nathan Kallus|arXiv (Cornell University)|2016. 12. 26.

Advanced Causal Inference Techniques참고 문헌 49인용 수 28

한 줄 요약

이 논문은 원인인과 추론을 위한 통합적 프레임워크인 일반화 최적 매칭(GOM)을 소개한다. GOM은 최적 매칭, 공변량 균형, 이중으로 강건한 방법을 확장한다. 기능 해석 최적화 문제로 매칭을 공식화함으로써 GOM은 공변량 균형과 추정 분산 사이의 자동적 트레이드오프를 가능하게 하며, 파arametric-rate 효율성, 모델에 의존하지 않는 일致성, 강건성을 확보하는 핵심 하위클래스인 커널 최적 매칭(KOM)을 제공한다. 이는 시뮬레이션 및 실세계 데이터에서 기존 방법들을 능가한다.

ABSTRACT

We develop an encompassing framework for matching, covariate balancing, and doubly-robust methods for causal inference from observational data called generalized optimal matching (GOM). The framework is given by generalizing a new functional-analytical formulation of optimal matching, giving rise to the class of GOM methods, for which we provide a single unified theory to analyze tractability, consistency, and efficiency. Many commonly used existing methods are included in GOM and, using their GOM interpretation, can be extended to optimally and automatically trade off balance for variance and outperform their standard counterparts. As a subclass, GOM gives rise to kernel optimal matching (KOM), which, as supported by new theoretical and empirical results, is notable for combining many of the positive properties of other methods in one. KOM, which is solved as a linearly-constrained convex-quadratic optimization problem, inherits both the interpretability and model-free consistency of matching but can also achieve the $\sqrt{n}$-consistency of well-specified regression and the efficiency and robustness of doubly robust methods. In settings of limited overlap, KOM enables a very transparent method for interval estimation for partial identification and robust coverage. We demonstrate these benefits in examples with both synthetic and real data

연구 동기 및 목표

• 최적 매칭, 가중치 부여, 회귀, 이중으로 강건한 추정자 등 서로 다른 원인인과 추론 방법들을 단일 이론적 프레임워크로 통합하기 위해.
• 매칭에서 내재된 균형-분산 트레이드오프를 원칙적이고 자동화된 최적화 접근법으로 해결하기 위해.
• 최적 매칭과 회귀와 같은 기존 방법들을 추정 정확도와 강건성을 향상시키는 일반화된 클래스로 확장하기 위해.
• 매칭의 해석 가능성과 이중으로 강건한 추정자의 효율성 및 강건성의 장점을 결합한 새로운 방법 KOM을 개발하기 위해.
• 제한된 오버랩 상황에서 부분적 식별성 하에 투명한 구간 추정을 가능하게 하기 위해.

제안 방법

• 조건부 기대함수, 타당한 가중치, 잔차 분산에 대한 제약 조건 하에서 조건부 평균제곱오차의 최악의 경우를 최소화하는 방식으로 최적 매칭을 기능 해석적 공식화한다.
• 잔차 분산 제약 조건을 일반화하여 GOM 프레임워크를 구성함으로써, 단일 최적화 문제를 통해 자동 균형-분산 트레이드오프를 가능하게 한다.
• 가중치 공간에서 커널 기반 노름을 사용하는 KOM을 GOM의 하위클래스로 정의하며, 선형 제약 조건이 있는 볼록-이차 프로그래밍으로 해결한다.
• KOM에서 초모수 조정을 위해 경험 베이즈 방법을 사용하여 모델 선택의 유연성과 강건한 성능을 확보한다.
• KOM을 선형 회귀 이전의 사전처리 또는 보정된 가중치 추정자에 적용함으로써, 모형 오Specification 상황에서도 일致성과 효율성을 보장한다.
• KOM 및 그 변종인 KOM++의 일치성, 효율성, 강건성에 대한 이론적 보장을 도출한다.

실험 결과

연구 질문

• RQ1 최적 매칭, 공변량 균형, 이중으로 강건한 방법을 원인인과 추론에서 단일 프레임워크로 통합할 수 있는가?
• RQ2 매칭에서의 균형-분산 트레이드오프는 어떻게 자동적이고 최적적으로 해결할 수 있는가?
• RQ3 매칭의 해석 가능성과 이중으로 강건한 추정자의 효율성 및 강건성을 결합한 방법은 가능한가?
• RQ4 모형 오Specification 하에서 KOM의 일치성, 효율성, 강건성에 대한 이론적 성질은 무엇인가?
• RQ5 KOM는 제한된 오버랩 상황에서 부분적 식별성 하에 어떻게 투명한 구간 추정을 가능하게 하는가?

주요 결과

• KOM는 모형이 정확할 경우 p_n-일치성을 확보하고, 오류가 있을 경우 모델에 의존하지 않는 일치성을 확보함으로써 매칭과 회귀의 최고의 특성을 결합한다.
• KOM++는 표준 ONFB 및 CEM++보다 자동으로 균형-분산 트레이드오프를 최적화함으로써 추정 오차를 감소시키며 더 뛰어난 성능을 보인다.
• KOM는 제한된 오버랩 상황에서 부분적으로 식별된 치료 효과에 대해 투명한 구간 추정을 가능하게 하며, 강건한 커버리지 성능을 보인다.
• KOM 기반의 보정된 커널 가중 추정자에서는 이중으로 강건한 추정자의 강건성과 효율성이 그대로 유지된다.
• 선형 회귀 이전에 KOM를 사전처리로 사용함으로써 모형 의존성을 감소시키고, 모델에 의존하지 않는 일치성을 유지하면서도 효율성을 향상시킨다.
• 시뮬레이션 및 실세계 데이터에서의 실증 결과는 KOM가 표준 매칭 및 회귀 방법에 비해 추정 효율성과 강건성을 크게 향상시킨다는 것을 보여준다.