[论文解读] A Groupwise Approach for Inferring Heterogeneous Treatment Effects in Causal Inference

Chan Park, Hyunseung Kang|arXiv (Cornell University)|Aug 12, 2019

Advanced Causal Inference Techniques参考文献 54被引用 4

一句话总结

本文提出了一种基于非参数与半参数方法比较的分组处理效应估计方法，引入了一种组合估计器以实现更高的效率。该研究建立了的一致性条件，推导了聚类稳健标准误，并提出了多重检验程序以控制家庭错误率。

ABSTRACT

Recently, there has been great interest in estimating the conditional average treatment effect using flexible machine learning methods. However, in practice, investigators often have working hypotheses about effect heterogeneity across pre-defined subgroups of study units, which we call the groupwise approach. The paper compares two modern ways to estimate groupwise treatment effects, a nonparametric approach and a semiparametric approach, with the goal of better informing practice. Specifically, we compare (a) the underlying assumptions, (b) efficiency and adaption to the underlying data generating models, and (c) a way to combine the two approaches. We also discuss how to test a key assumption concerning the semiparametric estimator and to obtain cluster-robust standard errors if study units in the same subgroups are correlated. We demonstrate our findings by conducting simulation studies and reanalyzing the Early Childhood Longitudinal Study.

研究动机与目标

• 比较在倾向得分未知的观察性研究中，用于估计分组处理效应的非参数与半参数方法。
• 识别半参数估计器一致估计分组效应的充分必要条件。
• 开发一种组合估计器，通过结合非参数与半参数方法的优势来提高效率。
• 推导在组内单位存在相关性的情境下，分组处理效应估计的聚类稳健标准误。
• 提出一种多重检验程序，以在同时检验多个分组效应时控制家庭错误率。

提出的方法

• 采用非参数方法，利用机器学习方法（例如，GRF、R-learner）估计条件平均处理效应（CATE），并在预定义的子组上取平均。
• 采用半参数方法，将CATE建模为协变量的函数，并使参数部分与分组效应目标保持一致。
• 推导一种组合加权估计器，通过最优融合非参数与半参数估计量来最小化渐近方差。
• 应用连续映射定理与Slutsky定理，在正则条件下建立组合估计器的渐近正态性与一致性。
• 推导聚类稳健标准误，以考虑组内单位的相关性。
• 提出一种基于同时推断的多重检验程序，以在同时检验多个分组效应时控制家庭错误率。

实验结果

研究问题

• RQ1 在何种条件下，半参数估计器对分组处理效应具有一致性？
• RQ2 在不同的数据生成模型下，非参数与半参数估计器的效率与数据自适应性能如何比较？
• RQ3 组合估计器是否能在渐近方差方面优于非参数与半参数估计器？
• RQ4 当同一子组内的单位存在相关性时，如何为分组处理效应估计器推导聚类稳健标准误？
• RQ5 在同时检验多个分组处理效应时，如何设计一种有效的多重检验程序以控制家庭错误率？

主要发现

• 当且仅当模型的影响力函数满足特定正交性条件时，半参数估计器对分组效应具有一致性。
• 当两种分量的方差不相等时，组合估计器的渐近方差低于非参数与半参数估计器。
• 通过在估计方程中考虑组内相关性，推导出聚类稳健标准误，从而在依赖性条件下确保有效推断。
• 通过基于分组效应联合渐近分布调整临界值，多重检验程序能够控制家庭错误率。
• 当非参数与半参数估计器具有相等的渐近方差时，任意[0,1]范围内的权重均可最小化方差，且组合估计器仍保持一致性。
• 在非参数模型下，若最优权重被一致估计，则组合估计器具有渐近效率。