[논문 리뷰] Robust Estimation of Propensity Score Weights via Subclassification

Linbo Wang, Zhang, Yuexia외 2명|arXiv (Cornell University)|2016. 02. 20.

Advanced Causal Inference Techniques참고 문헌 35인용 수 5

한 줄 요약

이 논문은 관찰 연구에서 원인 인과 추론을 위한 강력하고 모델에 종속되지 않는 가중치 추정기법을 만들기 위해, 순위화된 성향 스코어 추정치에 기반해 단위를 하위군으로 분류함으로써 전체 분류 가중치를 제안한다. 비모수적이고 순위 기반인 방법으로 파라메트릭 성향 스코어 가중치를 대체함으로써, 특히 모형이 잘못 설정된 경우에도 더 뛰어난 안정성과 공변량 균형을 달성한다. 이와 동시에 다양한 가중치 추정기의 일致성과 수렴성을 보장한다.

ABSTRACT

Weighting estimators based on propensity scores are widely used for causal estimation in a variety of contexts, such as observational studies, marginal structural models and interference. They enjoy appealing theoretical properties such as consistency and possible efficiency under correct model specification. However, this theoretical appeal may be diminished in practice by sensitivity to misspecification of the propensity score model. To improve on this, we borrow an idea from an alternative approach to causal effect estimation in observational studies, namely subclassification estimators. It is well known that compared to weighting estimators, subclassification methods are usually more robust to model misspecification. In this paper, we first discuss an intrinsic connection between the seemingly unrelated weighting and subclassification estimators, and then use this connection to construct robust propensity score weights via subclassification. We illustrate this idea by proposing so-called full-classification weights and accompanying estimators for causal effect estimation in observational studies. Our novel estimators are both consistent and robust to model misspecification, thereby combining the strengths of traditional weighting and subclassification estimators for causal effect estimation from observational studies. Numerical studies show that the proposed estimators perform favorably compared to existing methods.

연구 동기 및 목표

• 관찰 연구에서 전통적인 역확률가중치 추정기의 성향 스코어 모형이 잘못 설정되었을 경우의 민감성 문제를 해결하기 위해.
• 설계 단계에서 결과 데이터에 의존하지 않고도 일관성과 강건성을 유지하는 가중치 방법을 개발하기 위해.
• 가중치의 이론적 일관성과 하위군 분류 방법의 경험적 강건성을 결합하기 위해.
• 특히 성향 스코어 모형이 잘못 설정된 경우, 파라메트릭 가중치보다 더 나은 균형과 가중치 안정성을 달성하기 위해.
• 다양한 가중치 추정기(예: 호르비츠-스미스, 비율, 이중으로 강건한)가 새로운 가중치 하에서 일致한 결과를 도출할 수 있는 통합 프레임워크를 제공하기 위해.

제안 방법

• 파라메트릭 모형에서 추정된 성향 스코어의 분위수를 기반으로 단위를 하위군으로 분류하며, 순위 정보만을 사용한다.
• 각 하위군 내에서 경험적 평균을 계산하여 가중치를 산정함으로써 직접적인 역확률가중치를 비모수적이고 순위 기반의 접근으로 대체한다.
• 초기 성향 스코어 모형의 기능 형태에 영향을 받지 않는 전체 분류(FS) 가중치를 구성하며, 하위군 수준의 균형에 중점을 둔다.
• 결과 데이터와 독립적이므로 객관성을 유지하고 다양한 원인 인과 추론 설정에 적용 가능하다.
• 부트스트랩 기반 추론을 사용하여 제안된 가중치 체계 하에서 원인 효과 추정치의 신뢰구간을 계산한다.
• 전체 분류 가중치 하에서 호르비츠-스미스, 비율, 이중으로 강건한 추정기들이 동일한 추정치로 수렴함을 입증함으로써 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 성향 스코어 추정치의 하위군 분류가 가중치 기반 원인 인과 추론에서 모형이 잘못 설정되었을 경우의 강건성 향상에 기여하는가?
• RQ2 전체 분류 가중치는 파라메트릭, 잘라내기, 공변량 균형 가중치와 비교하여 가중치 안정성과 공변량 균형 측면에서 어떻게 성능을 발휘하는가?
• RQ3 다양한 가중치 추정기(예: HT, 비율, DR)가 전체 분류 가중치 하에서 일치한 원인 효과 추정치를 도출하는 정도는 어느 정도인가?
• RQ4 초기 성향 스코어 모형이 잘못 설정되었을 경우에도 제안된 방법이 평균 치료 효과에 대해 일관성을 유지하는가?
• RQ5 전체 분류 접근법은 마진 구조 모델이나 MAR 조건 하에서의 누락 데이터 등의 다른 설정으로 일반화될 수 있는가?

주요 결과

• 전체 분류 가중치는 특히 모형이 잘못 설정된 경우 파라메트릭, 잘라내기, 기타 강건한 가중치 방법보다 공변량 균형과 가중치 안정성 측면에서 뚜렷이 뛰어난 성능을 보였다.
• 전체 분류 가중치 하에서 호르비츠-스미스, 비율, 이중으로 강건한 추정기들이 거의 동일한 원인 효과 추정치를 도출함으로써 수렴성과 강건성을 확인하였다.
• NHANES 데이터 분석에서 모든 강건한 가중치 방법(전체 분류 포함)이 학교 급식 참여가 체질량지수(BMI)에 미치는 영향을 거의 없음으로 암시하였고, 파라메트릭 모형은 매우 변동성이 큰 추정치를 도출하였다.
• 비조정된 추정기(나이브 추정기)는 양의 효과(1.04)를 보였지만, 전체 분류 및 기타 강건한 방법은 근처 0에 가까운 추정치를 도출함(예: -0.20, 95% 신뢰구간: -0.75, 0.36), 편향 감소를 시사함.
• 전체 분류 방법은 균형 불균형도 0.12를 달성하여 최고 성능을 보인 방법들(예: CAL-ET의 0.00)과 유사한 강력한 경험적 균형을 보였다.
• 이 방법은 모형이 잘못 설정되었을 경우의 영향을 효과적으로 완화한다: 다양한 파라메트릭 모형은 호르비츠-스미스 추정기 하에서 결과가 다를 수 있었지만, 전체 분류 가중치 하에서는 일관된 추정치를 도출하였다.