[论文解读] On Estimating Multiple Treatment Effects with Regression

Paul Goldsmith-Pinkham, Peter Hull+1 more|arXiv (Cornell University)|Jun 1, 2021

Advanced Causal Inference Techniques参考文献 14被引用 6

一句话总结

本文表明，即使在条件随机分配和完全控制混杂因素的情况下，标准的多处理回归模型也无法估计因果效应的凸平均值。为解决此问题，作者提出了一类新的高效估计量，用于加权平均处理效应，纠正了现有方法中的根本性偏差。

ABSTRACT

We study the causal interpretation of regressions on multiple dependent treatments and flexible controls. Such regressions are often used to analyze randomized control trials with multiple intervention arms, and to estimate institutional quality (e.g. teacher value-added) with observational data. We show that, unlike with a single binary treatment, these regressions do not generally estimate convex averages of causal effects—even when the treatments are conditionally randomly assigned and the controls fully address omitted variables bias. We discuss different solutions to this issue, and propose as a solution a new class of efficient estimators of weighted average treatment effects.

研究动机与目标

• 识别标准回归模型在估计多种处理的因果效应时的局限性。
• 解决这些模型即使在理想条件（如条件随机分配）下也无法产生处理效应凸平均值的问题。
• 开发一类新的估计量，以在多处理设置中一致且高效地估计加权平均处理效应。

提出的方法

• 作者推导了标准回归在多处理情况下产生因果效应偏差估计的条件。
• 他们表明，即使在完全控制混杂因素和条件随机分配的情况下，回归系数也无法表示个体处理效应的凸组合。
• 本文提出了一类基于逆概率加权和高效得分理论的新估计量，以针对加权平均处理效应。
• 所提出的估计量在正则条件下被证明是半参数高效的。
• 该方法允许灵活建模处理效应，同时在随机化和观察性设置中保持一致性和高效性。

实验结果

研究问题

• RQ1 为何标准回归模型在存在多种处理时无法估计处理效应的凸平均值？
• RQ2 在何种条件下，灵活控制的引入仍无法纠正多处理回归模型中的偏差？
• RQ3 能否构建一类新的估计量，以在多处理设置中一致地估计加权平均处理效应？
• RQ4 所提出的估计量在效率和偏差方面与现有基于回归的方法相比如何？

主要发现

• 即使在处理条件随机分配且混杂因素完全控制的情况下，标准多处理回归模型也无法估计因果效应的凸平均值。
• 偏差源于多处理模型中回归系数的非凸结构，导致标准解释无效。
• 所提出的估计量被证明是半参数高效的，在正则条件下达到最小可能方差。
• 新估计量始终针对加权平均处理效应，可在随机试验和观察性研究中提供有效的推断。