[论文解读] MALTS: Matching After Learning to Stretch

Harsh Parikh, Cynthia Rudin+1 more|arXiv (Cornell University)|Nov 18, 2018

Advanced Causal Inference Techniques参考文献 46被引用 5

一句话总结

MALTS 引入了一种新颖的匹配框架，通过学习一种可解释的、基于拉伸的距离度量，以改善观察性研究中的因果推断。通过根据协变量对结果的预测重要性来学习拉伸协变量，MALTS 生成了更高质量、近乎精确的匹配，从而减少了在存在无关协变量的高维设置下对条件平均处理效应估计的偏差。

ABSTRACT

We introduce a flexible framework that produces high-quality almost-exact matches for causal inference. Most prior work in matching uses ad-hoc distance metrics, often leading to poor quality matches, particularly when there are irrelevant covariates. In this work, we learn an interpretable distance metric for matching, which leads to substantially higher quality matches. The learned distance metric stretches the covariate space according to each covariate's contribution to outcome prediction: this stretching means that mismatches on important covariates carry a larger penalty than mismatches on irrelevant covariates. Our ability to learn flexible distance metrics leads to matches that are interpretable and useful for the estimation of conditional average treatment effects.

研究动机与目标

• 解决传统匹配方法因采用临时性、非自适应距离度量而导致的匹配质量差的问题。
• 开发一种学习结果预测相关距离度量的方法，以改善高维数据中的匹配质量。
• 确保匹配组具有可解释性，并适用于估计条件平均处理效应（CATEs）。
• 缓解‘鞋带问题’（toenail problem），即由于任意加权导致无关协变量降低匹配性能的问题。
• 提供一种透明、可解释的框架，使分析人员能够诊断和排查匹配质量差的问题。

提出的方法

• MALTS 学习一个对角马氏距离矩阵，其中每个对角元素代表一个协变量的拉伸因子。
• 通过优化结果预测性能来学习拉伸矩阵，确保重要协变量被拉伸，无关协变量被压缩。
• 该方法使用带有对角度量矩阵的广义马氏距离，实现可解释的、协变量特定的缩放。
• 支持离散变量的精确匹配和连续变量的马氏距离匹配。
• 该框架在训练集上进行训练，并可推广到全样本用于匹配。
• 拉伸矩阵具有可解释性，可用于反事实预测和诊断分析。

实验结果

研究问题

• RQ1 通过强调与结果相关的协变量而学习的距离度量，是否能产生比标准匹配方法更高质量的匹配？
• RQ2 与倾向得分和预后得分匹配相比，MALTS 在减少条件平均处理效应（CATE）估计偏差方面表现如何？
• RQ3 MALTS 是否能通过学习到的拉伸方式有效处理包含大量无关协变量的高维数据，从而压缩这些协变量？
• RQ4 拉伸矩阵在多大程度上可用于诊断问题匹配并识别数据质量问题？
• RQ5 该框架是否可以扩展到使用神经网络的非线性、潜在空间距离度量，以处理文本或图像等复杂数据？

主要发现

• 在 Lalonde 数据集上的可视化和定量比较显示，MALTS 生成的匹配组在定性和定量上均优于倾向得分和预后得分匹配。
• MALTS 学习到的拉伸矩阵显示，1975 年的教育程度和收入对结果具有高度预测性，拉伸值较高（例如，教育程度的拉伸值为 1.786），而相关性较低的协变量如种族或婚姻状况则获得较低的拉伸值。
• 对于高质量匹配（查询 1），匹配组的直径较小（例如，年龄 22 岁，教育程度 8–9 年，收入为 0 美元），表明协变量平衡良好。
• 对于低质量匹配（查询 2），匹配组的直径较大（例如，年龄 23–50 岁，收入 1.3 万至 4.5 万美元），表明协变量平衡差，可能存在数据问题。
• MALTS 识别出查询 2 中 '学位' 变量可能存在数据错误，展示了其诊断能力。
• 该方法能有效压缩无关协变量（例如，将其拉伸值降低至接近零），从而缓解维度灾难和‘鞋带问题’。