[论文解读] Uncertain Neighbors: Bayesian Propensity Score Matching For Causal Inference

R. Michael Alvarez, Inés Levin|arXiv (Cornell University)|May 5, 2021

Advanced Causal Inference Techniques参考文献 26被引用 6

一句话总结

本文提出贝叶斯倾向得分匹配（BPSM），通过使用后验抽样而非点估计来纳入倾向得分的估计不确定性，从而减少任意的匹配决策。在模拟实验和对哥伦比亚土地改革研究的复现中，与依赖固定点估计的标准PSM相比，BPSM在处理效应估计上表现出更高的稳健性、更低的偏差以及更充分的不确定性量化。

ABSTRACT

We compare the performance of standard nearest-neighbor propensity score matching with that of an analogous Bayesian propensity score matching procedure. We show that the Bayesian approach makes better use of available information, as it makes less arbitrary decisions about which observations to drop and which ones to keep in the matched sample. We conduct a simulation study to evaluate the performance of standard and Bayesian nearest-neighbor matching when matching is done with and without replacement. We then use both methods to replicate a recent study about the impact of land reform on guerrilla activity in Colombia.

研究动机与目标

• 解决标准倾向得分匹配（PSM）方法中将估计的倾向得分视为已知量的局限性，忽略估计不确定性。
• 开发并评估一种基于后验抽样倾向得分的贝叶斯替代方法，通过概率化方式确定匹配，减少对单位保留或排除的任意性。
• 证明BPSM相较于标准PSM能产生更可靠、更少偏差的平均处理效应（ATE）估计。
• 提供一种实用且可实施的贝叶斯方法，避免事后重抽样或自助法（bootstrapping）进行标准误估计。
• 复现一项关于哥伦比亚土地改革与叛乱活动的真实研究，比较在不确定性感知匹配下BPSM与PSM的结果。

提出的方法

• 使用贝叶斯推断估计倾向得分模型，为每个观测生成倾向得分的后部分布。
• 不使用单一点估计，BPSM为每个单位从倾向得分的后部分布中抽取多个样本。
• 使用每个后验抽样结果进行最近邻匹配，创建一种考虑距离度量不确定性的概率化匹配过程。
• 通过对多个抽样结果进行聚合，计算处理效应的点估计和可信区间，避免使用自助法。
• 在模拟研究和一项关于哥伦比亚土地改革与游击活动的现实世界复现中应用该方法。
• 使用马尔可夫链蒙特卡洛（MCMC）方法从倾向得分和结果模型的联合后部分布中抽样，确保不确定性传播。

实验结果

研究问题

• RQ1 在匹配方法中，将倾向得分的估计不确定性纳入考虑，如何影响平均处理效应估计的可靠性与精确性？
• RQ2 与标准PSM相比，贝叶斯倾向得分匹配（BPSM）是否能减少单位保留决策的任意性？
• RQ3 在不同匹配条件（有放回与无放回）下，BPSM与标准PSM在处理效应估计的方差与偏差方面有何差异？
• RQ4 在现实世界应用中，不确定性感知匹配对标准误和可信区间有何影响？
• RQ5 在高风险政策分析中，例如土地改革对叛乱影响的研究，BPSM是否会产生与PSM显著不同的处理效应估计？

主要发现

• 在模拟中，BPSM产生的处理效应估计比标准PSM更集中，表明由于纳入了不确定性，其精度更高、偏差更小。
• 在对哥伦比亚土地改革研究的复现中，BPSM得到的ATE更小且不显著（13.31），95%可信区间更宽（-7.01至30.46），而PSM则得到显著估计值34.57，且标准误更大。
• 对于市辖区-年度数据集，BPSM再次产生比PSM更小的ATE估计值，其效应量更小且方差更高，表明在不确定性下推断更加谨慎。
• 贝叶斯方法通过自然地将不确定性纳入后验推断，消除了对自助法或事后匹配模拟的需求。
• BPSM实现了更平衡的协变量匹配，并减少了单位选择的任意性，表现为在多次匹配抽样中对控制单位的使用更加一致。
• 尽管整体单位使用模式相似，BPSM以概率化方式纳入了更多控制单位，从而导致更稳健、更不极端的处理效应估计。