[论文解读] Efficient estimation of modified treatment policy effects based on the generalized propensity score

Nima S. Hejazi, David Benkeser+2 more|arXiv (Cornell University)|May 11, 2022

Advanced Causal Inference Techniques被引用 4

一句话总结

本文提出了一种非参数、高效的逆概率加权（IPW）估计器，用于在使用灵活的、基于小波的广义倾向得分（GPS）估计器时，对连续处理下的修改治疗策略（MTP）效应进行估计。通过利用无偏和有针对性的欠 smoothing 程序，该方法实现了渐近效率，并达到了非参数效率界限，数值研究显示即使在中等样本量（n=500）下也表现出竞争力，其性能可与无需显式半参数理论知识的双重稳健估计器相媲美。

ABSTRACT

Continuous treatments have posed a significant challenge for causal inference, both in the formulation and identification of scientifically meaningful effects and in their robust estimation. Traditionally, focus has been placed on techniques applicable to binary or categorical treatments with few levels, allowing for the application of propensity score-based methodology with relative ease. Efforts to accommodate continuous treatments introduced the generalized propensity score, yet estimators of this nuisance parameter commonly utilize parametric regression strategies that sharply limit the robustness and efficiency of inverse probability weighted estimators of causal effect parameters. We formulate and investigate a novel, flexible estimator of the generalized propensity score based on a nonparametric function estimator that provably converges at a suitably fast rate to the target functional so as to facilitate statistical inference. With this estimator, we demonstrate the construction of nonparametric inverse probability weighted estimators of a class of causal effect estimands tailored to continuous treatments. To ensure the asymptotic efficiency of our proposed estimators, we outline several non-restrictive selection procedures for utilizing a sieve estimation framework to undersmooth estimators of the generalized propensity score. We provide the first characterization of such inverse probability weighted estimators achieving the nonparametric efficiency bound in a setting with continuous treatments, demonstrating this in numerical experiments. We further evaluate the higher-order efficiency of our proposed estimators by deriving and numerically examining the second-order remainder of the corresponding efficient influence function in the nonparametric model. Open source software implementing our proposed estimation techniques, the haldensify R package, is briefly discussed.

研究动机与目标

• 为解决在无限维模型中估计连续处理因果效应的挑战，其中标准估计器缺乏 n^{1/2}-速率效率。
• 克服参数化GPS估计器的局限性，这些局限性限制了逆概率加权中的稳健性和效率。
• 开发一种灵活的非参数GPS估计器，其收敛速度足够快，以支持MTP效应的有效统计推断。
• 建立IPW估计器在连续处理存在下达到非参数效率界限的条件。
• 通过有效影响函数的二阶余项，评估所提估计器的高阶效率。

提出的方法

• 使用非参数小波估计器对广义倾向得分（GPS）进行估计，确保其收敛速率适合渐近推断。
• 对GPS估计器应用有针对性和无偏的欠 smoothing 程序，以确保所得IPW估计器的渐近效率。
• 推导MTP效应的有效影响函数（EIF），并利用其二阶余项评估高阶效率。
• 采用小波估计框架，平衡GPS估计中的偏差与方差，以实现非参数效率。
• 将结果回归估计整合到欠 smoothing 参数选择中，以提升估计器质量。
• 在开源的 haldensify R 包中实现该方法，以支持实际应用。

实验结果

研究问题

• RQ1 能否构建一种非参数、灵活的GPS估计器，使其在连续处理下支持MTP效应的有效估计？
• RQ2 在存在连续处理的情况下，MTP效应的逆概率加权估计器在何种条件下可达到非参数效率界限？
• RQ3 在有限样本中，所提出的IPW估计器与双重稳健估计器相比表现如何，特别是在偏差、方差和均方误差方面？
• RQ4 欠 smoothing 程序的选择（有针对性 vs. 无偏）在多大程度上影响IPW估计器的二阶余项及其整体效率？
• RQ5 该方法能否通过在时间点上联合对GPS估计器进行欠 smoothing，推广至纵向MTP场景？

主要发现

• 所提出的IPW估计器在连续处理设定下实现了MTP效应的非参数效率界限，这是该情境下的首次此类表征。
• 数值实验表明，基于无偏欠 smoothing 的IPW估计器在中等样本量（n=500）下与双重稳健估计器表现相当。
• 所提选择器使有效影响函数的二阶余项最小化，表明其具有强大的高阶效率特性。
• 无偏欠 smoothing 程序在性能上可与传统双重稳健估计器媲美，且无需显式掌握半参数效率理论知识。
• haldensify R 包成功实现了所提方法，使估计器可实际应用。
• 即使结果回归估计不佳，该方法仍保持稳健，表明其具有敏感性分析潜力和更广泛的应用前景。