[论文解读] A Causal Bootstrap

Guido W. Imbens, Konrad Menzel|arXiv (Cornell University)|Jan 1, 2018

Bayesian Modeling and Causal Inference被引用 4

一句话总结

本文提出了一种因果自助法（causal bootstrap method），通过建模处理分配随机性引起的不确定性，而非抽样变异性，重新定义了因果估计量的方差估计。通过基于不同处理制度下潜在结果的重采样，该方法在因果推断设置中提供了比经典自助法更精确的推断，尤其在处理分配具有随机性时表现更优。

ABSTRACT

The bootstrap, introduced by Efron (1982), has become a very popular method for estimating variances and constructing confidence intervals. A key insight is that one can approximate the properties of estimators by using the empirical distribution function of the sample as an approximation for the true distribution function. This approach views the uncertainty in the estimator as coming exclusively from sampling uncertainty. We argue that for causal estimands the uncertainty arises entirely, or partially, from a different source, corresponding to the stochastic nature of the treatment received. We develop a bootstrap procedure that accounts for this uncertainty, and compare its properties to that of the classical bootstrap.

研究动机与目标

• 为解决经典自助法在因果推断中应用时的局限性，即假设抽样不确定性是变异的主要来源。
• 认识到在因果设定中，不确定性通常源于处理分配的随机性，而非抽样变异性。
• 开发一种显式建模处理分配不确定性的自助程序，以改进方差估计和置信区间覆盖。
• 在有限样本设置下，比较所提出的因果自助法与经典自助法的性能。

提出的方法

• 该方法通过在不同处理分配下重采样潜在结果，构建自助分布，以反映处理暴露的随机性特征。
• 它利用观察到的处理制度下潜在结果的经验分布，模拟因果估计量的分布。
• 该过程以观察到的处理分配机制为条件，确保重采样数据反映实际的随机化过程。
• 它将自助法应用于潜在结果框架，将处理分配视为不确定性来源，而不仅限于抽样变异。
• 该方法基于假设的处理分配模型下因果估计量的重采样分布，估计标准误并构建置信区间。

实验结果

研究问题

• RQ1 当经典自助法应用于因果估计量时，其表现如何？因为该方法假设抽样不确定性是变异的主要来源。
• RQ2 当显式建模处理分配不确定性而非忽略它时，推断准确性会发生什么变化？
• RQ3 一种考虑处理分配随机性的自助程序是否能在覆盖度和方差估计方面优于经典自助法？
• RQ4 在不同处理分配机制下，因果自助法在小样本到中等样本量下的表现如何？

主要发现

• 与经典自助法相比，因果自助法在处理分配具有随机性时，能为因果估计量提供更精确的方差估计。
• 在处理分配机制不可忽略的设定下，使用因果自助法构建的置信区间比经典自助法具有更好的覆盖率。
• 该方法有效捕捉了源于处理分配的不确定性，而经典自助法未能建模此类不确定性。
• 因果自助法在各种处理分配机制下（包括伯努利设计和完全随机化设计）均保持良好性能。