High Precision Causal Model Evaluation with Conditional Randomization

要約

因果モデル評価のゴールドスタンダードには、ランダム化比較試験（RCT）から推定された真の効果とモデルの予測を比較することが含まれる。しかし、RCTは必ずしも実行可能で倫理的であるとは限らない。対照的に、逆確率重み付け（IPW）に基づく条件付き無作為化実験は、より現実的なアプローチを提供するが、高い推定分散に悩まされる可能性がある。この課題に取り組み、実世界の条件付き無作為化設定における因果モデル評価を強化するために、ペア推定量と呼ばれる因果誤差の新しい低分散推定量を導入する。モデルと真の実験効果の両方に同じIPW推定量を適用することにより、我々の推定量はIPWによる分散を効果的に相殺し、より小さな漸近分散を達成する。実証研究により、我々の推定器の改善効果が実証され、RCTに近いパフォーマンスを達成する可能性が強調された。本手法は、IPW推定量そのものを複雑に変更することなく、条件付き無作為化設定における因果推論モデルを評価するためのシンプルかつ強力な解決策を提供し、より頑健で信頼性の高いモデル評価への道を開くものである。

要約(オリジナル)

The gold standard for causal model evaluation involves comparing model predictions with true effects estimated from randomized controlled trials (RCT). However, RCTs are not always feasible or ethical to perform. In contrast, conditionally randomized experiments based on inverse probability weighting (IPW) offer a more realistic approach but may suffer from high estimation variance. To tackle this challenge and enhance causal model evaluation in real-world conditional randomization settings, we introduce a novel low-variance estimator for causal error, dubbed as the pairs estimator. By applying the same IPW estimator to both the model and true experimental effects, our estimator effectively cancels out the variance due to IPW and achieves a smaller asymptotic variance. Empirical studies demonstrate the improved of our estimator, highlighting its potential on achieving near-RCT performance. Our method offers a simple yet powerful solution to evaluate causal inference models in conditional randomization settings without complicated modification of the IPW estimator itself, paving the way for more robust and reliable model assessments.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL