C-Learner: Constrained Learning for Causal Inference and Semiparametric Statistics

要約

一般的な偏りのない因果推定手法。
平均的な治療効果については、ワンステップ推定（例、逆傾向重み付けの拡張）やターゲットを絞った最尤推定など、統計的効率や二重ロバスト性などの望ましい漸近特性が得られます。
ただし、治療と対照の間の重複が限られている場合には、不安定な推定値が生成されることが多く、実際にはその場限りの調整が必要です（傾向スコアの切り捨てなど）。
対照的に、単純なプラグイン推定量は安定していますが、良好な漸近特性が欠けています。
我々は、両方の長所を実現し、望ましい漸近特性を持つ安定したプラグイン推定を生成する、新しい偏りのない推定器を提案します。
私たちの制約付き学習フレームワークは、プラグイン量に関する一次誤差がゼロであるという制約の下で最適なプラグイン推定器を求め、ニューラル ネットワークやツリー アンサンブルなどの柔軟なモデル クラスを活用できます。
言語モデルを微調整してテキストベースの共変量を処理する場合を含む、いくつかの実験設定では、制約付き学習ベースの推定器は、治療と制御の重複が限られた困難な設定ではワンステップ推定とターゲティングを上回り、それ以外の場合は同等の性能を発揮します。
。

要約(オリジナル)

Popular debiased causal estimation methods, e.g. for the average treatment effect — such as one-step estimation (e.g., augmented inverse propensity weighting) and targeted maximum likelihood estimation — enjoy desirable asymptotic properties such as statistical efficiency and double robustness. However, they often produce unstable estimates when there is limited overlap between treatment and control, and require ad hoc adjustments in practice (e.g., truncating propensity scores). In contrast, simple plug-in estimators are stable but lack good asymptotic properties. We propose a novel debiased estimator that achieves the best of both worlds, producing stable plug-in estimates with desirable asymptotic properties. Our constrained learning framework solves for the best plug-in estimator under the constraint that the first-order error with respect to the plugged-in quantity is zero, and can leverage flexible model classes including neural networks and tree ensembles. In several experimental settings, including ones in which we handle text-based covariates by fine-tuning language models, our constrained learning-based estimator outperforms one-step estimation and targeting in challenging settings with limited overlap between treatment and control, and performs comparably otherwise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google