[论文解读] A Framework for Optimal Matching for Causal Inference

Nathan Kallus|arXiv (Cornell University)|Jun 16, 2016

Advanced Causal Inference Techniques参考文献 34被引用 9

一句话总结

本文提出了一种新颖的因果推断框架，利用匹配估计器最小化函数空间中估计误差的对偶范数。通过将匹配问题建模为对偶范数误差最小化，该框架统一了现有的方法（如最近邻匹配和粗化精确匹配），并推导出新型基于核的估计器，这些估计器实现了普遍一致性，且在模拟和真实世界数据中显著降低了估计误差，表现优于标准方法。

ABSTRACT

We propose a novel framework for matching estimators for causal effect from observational data that is based on minimizing the dual norm of estimation error when expressed as an operator. We show that many popular matching estimators can be expressed as optimal in this framework, including nearest-neighbor matching, coarsened exact matching, and mean-matched sampling. This reveals their motivation and aptness as structural priors formulated by embedding the effect in a particular functional space. This also gives rise to a range of new, kernel-based matching estimators that arise when one embeds the effect in a reproducing kernel Hilbert space. Depending on the case, these estimators can be found using either quadratic optimization or integer optimization. We show that estimators based on universal kernels are universally consistent without model specification. In empirical results using both synthetic and real data, the new, kernel-based estimators outperform all standard causal estimators in estimation error.

研究动机与目标

• 开发一个统一的理论框架，用于观察性因果推断中的匹配估计器。
• 证明许多标准匹配方法（如最近邻匹配、粗化精确匹配）在对偶范数误差最小化准则下是最优的。
• 利用再生核希尔伯特空间（RKHS）推导出新的基于核的匹配估计器，以确保普遍一致性。
• 在高维设置下，实证评估这些新估计器与标准方法的性能。
• 证明在高维协变量空间中，基于核方法的全局匹配优于局部的、基于个体的匹配。

提出的方法

• 将估计误差形式化为给定协变量条件下结果的条件期望函数上的算子。
• 通过在潜在条件期望函数的巴拿赫空间上最小化误差算子的对偶范数，定义误差对偶范数最小化（EDNM）估计器。
• 揭示标准匹配方法（NNM、CEM、均值匹配抽样）是特定函数空间嵌入下的EDNM的特例。
• 通过将因果效应嵌入再生核希尔伯特空间（RKHS）来构建新的基于核的估计器。
• 根据核函数和约束条件，通过二次规划或整数规划求解最优权重。
• 使用通用核函数，确保在无需模型指定的情况下实现普遍一致性。

实验结果

研究问题

• RQ1 能否开发一个统一的框架，以解释并优化因果推断中各种匹配估计器？
• RQ2 最小化估计误差的对偶范数与现有匹配方法的性能有何关联？
• RQ3 能否从该框架中推导出实现普遍一致性的基于核的匹配估计器？
• RQ4 在高维设置下，基于核的估计器与标准匹配方法相比表现如何？
• RQ5 在估计误差方面，基于核方法的全局匹配是否优于局部的、基于个体的匹配？

主要发现

• 所提出的框架通过基于对偶范数最小化的统一优化准则，统一了现有的匹配估计器，如最近邻匹配、粗化精确匹配和均值匹配抽样。
• 从框架中推导出的基于核的匹配估计器在合成数据和真实世界数据中，其均方根误差（RMSE）比标准方法降低了近一个数量级。
• 在实证评估中，二次核估计器表现略优于其他核方法，显示出强大的实际性能。
• 线性核匹配（即均值匹配抽样）的表现优于最近邻匹配和粗化精确匹配，但劣于非线性核方法，表明数据中仍存在残余的非线性结构。
• 在高维设置下，一对一匹配和CEM因协变量平衡性差而失效，而基于核的全局匹配则保持了强劲的表现。
• 倾向得分匹配的表现优于一对一匹配和CEM，但劣于基于核的方法，表明通过核函数实现的全局平衡比局部平衡或基于倾向得分的重加权更有效。