[논문 리뷰] On Adaptive Propensity Score Truncation in Causal Inference

Cheng Ju, Joshua Schwab외 1명|arXiv (Cornell University)|2017. 07. 18.

Advanced Causal Inference Techniques참고 문헌 23인용 수 8

한 줄 요약

이 논문은 대상 파rameter 추정기의 평균제곱오차를 최소화하기 위해 공동 타겟 최대우도추정을 사용하여 최적의 절단점 선택을 위한 데이터 적응형 성향스코어 절단 방법인 Positivity-C-TMLE를 제안한다. 이 방법은 유한 표본에서 고정된 절단점 및 기타 적응형 접근법보다 뛰어난 성능을 보이며, 실질적인 양성도 위반 상황에서도 우수한 점 추정과 신뢰구간 커버리지 성능을 달성한다.

ABSTRACT

The positivity assumption, or the experimental treatment assignment (ETA) assumption, is important for identifiability in causal inference. Even if the positivity assumption holds, practical violations of this assumption may jeopardize the finite sample performance of the causal estimator. One of the consequences of practical violations of the positivity assumption is extreme values in the estimated propensity score (PS). A common practice to address this issue is truncating the PS estimate when constructing PS-based estimators. In this study, we propose a novel adaptive truncation method, Positivity-C-TMLE, based on the collaborative targeted maximum likelihood estimation (C-TMLE) methodology. We demonstrate the outstanding performance of our novel approach in a variety of simulations by comparing it with other commonly studied estimators. Results show that by adaptively truncating the estimated PS with a more targeted objective function, the Positivity-C-TMLE estimator achieves the best performance for both point estimation and confidence interval coverage among all estimators considered.

연구 동기 및 목표

• 실제 양성도 가정 위반으로 인한 유한 표본 성능 문제를 해결하기 위해.
• 고정된 임계값이 아닌 타겟 파ram터에 기반한 최적의 성향스코어 절단점 선택을 위한 데이터 적응형 절단 방법을 개발하기 위해.
• 강한 실질적 양성도 위반 상황에서도 추정기의 강건성과 효율성을 향상시키기 위해.
• 시뮬레이션 연구를 통해 제안된 방법의 성능을 기존 절단 전략과 비교하기 위해.
• 작은 표본에서의 신뢰구간 구성에 더 신뢰할 수 있는 분산 추정기 제공하기 위해.

제안 방법

• 이 방법은 최적의 성향스코어 절단 분위수 γ를 조정 파ram터로 사용하여 공동 타겟 최대우도추정(C-TMLE)을 확장한다.
• 절단 선택 문제를 타겟 파ram터 추정기의 평균제곱오차를 최소화하는 최적화 문제로 설정한다.
• 알고리즘은 타겟 최대우도 기반 손실 프레임워크를 사용하여 성향스코어와 절단 수준을 반복적으로 업데이트한다.
• 최적의 γ는 최종 인과적 추정의 편향-분산 트레이드오프를 직접 반영하는 손실 함수를 최소화함으로써 선택된다.
• 이중강건 추정식을 통합하고 영향 곡선을 사용하여 분산 추정을 수행한다.
• 성능 평가를 위해 교차검증과 모델 검증을 적용하며, 특히 유한 표본에서의 추정 오차를 최소화하는 데 중점을 둔다.

실험 결과

연구 질문

• RQ1 성향스코어에 대한 데이터 적응형 절단 방법이 평균제곱오차와 신뢰구간 커버리지 측면에서 고정 절단 전략보다 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 실제 양성도 위반 상황에서 절단점의 선택이 인과 추정기의 편향과 분산에 어떤 영향을 미치는가?
• RQ3 타겟 파라미터 추정기 기반으로 절단 수준을 최적화하는 것이 성향스코어 모델 자체를 최적화하는 것보다 더 우수한 유한 표본 성능을 제공하는가?
• RQ4 특히 강한 양성도 위반 상황에서 작은 표본에서 제안된 추정기의 분산 추정은 기존 방법과 비교해 어떻게 다른가?
• RQ5 적응형 절단 방법의 성능는 다양한 수준의 실질적 양성도 위반에 대해 강건한가?

주요 결과

• 모든 시뮬레이션 시나리오에서 Positivity-C-TMLE는 평균제곱오차와 신뢰구간 커버리지 측면에서 가장 우수한 성능을 보였다.
• 이 방법은 교차검증보다 양성도 파ram터 C에 더 민감하게 반응하고 표본 크기에는 덜 민감하게 절단점을 선택했다.
• Positivity-C-TMLE의 분산 추정기는 CV-TMLE 및 MV-TMLE보다 훨씬 덜 편향되었으며, C=2일 때 평균 추정 표준오차 대 진짜 표준오차 비율이 0.88이었다.
• CV-TMLE와 MV-TMLE는 분산을 더 심각하게 과소추정했으며, C=2일 때 비율이 각각 0.51과 0.49로 떨어졌다.
• 작은 표본(표본 크기 N=200)에서 강한 양성도 위반 상황(C=2)에서 Positivity-C-TMLE는 편향과 평균제곱오차 측면에서 MV-TMLE를 뚜렷이 뛰어넘었다.
• 성향스코어의 음의 로그우도는 절단점 선택에 부적절한 목적 함수로 밝혀졌으며, 이는 인과적 파라미터를 직접 타겟으로 삼는 것의 가치를 확인한다.