Causal Treeに基づく選択バイアスを考慮した頑健な条件付き平均処置効果推定手法の提案

• Item type: Journal(1)
• 公開日: 2023-09-15
• タイトル: Causal Treeに基づく選択バイアスを考慮した頑健な条件付き平均処置効果推定手法の提案
• タイトル / 言語: en
• タイトル: A Robust Estimation Method for Conditional Average Treatment Effects Taking Account of Selection Bias Based on Causal Tree
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [一般論文] 統計的因果推論，条件付き平均処置効果，Causal Tree，選択バイアス，効果検証
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• ID登録: 10.20729/00227620
• ID登録 / ID登録タイプ: JaLC
• 著者所属: 早稲田大学
• 著者所属: 早稲田大学
• 著者所属: 早稲田大学
• 著者所属: 早稲田大学
• 著者所属(英): en
• 著者所属(英): Waseda University
• 著者所属(英): en
• 著者所属(英): Waseda University
• 著者所属(英): en
• 著者所属(英): Waseda University
• 著者所属(英): en
• 著者所属(英): Waseda University
• 著者名: 坪井, 優樹; 阪井, 優太; 鈴木, 佐俊; 後藤, 正幸
• 著者名(英): Yuki, Tsuboi; Yuta, Sakai; Satoshi, Suzuki; Masayuki, Goto
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 統計的因果推論に基づくビジネス施策の効果検証では，条件付き平均処置効果（以下，CATE）と呼ばれる，処置の有無やアウトカムに関連のある変数が同じ顧客群における処置効果の推定が有用であることが多い．このCATEを推定するための基本的な手法であるCausal Treeは解釈性が高く，観察研究においても適応可能であるため非常に有用である．ただし，Causal Treeを観察研究で用いる際には顧客を人為的に選択することによる系統的な誤差（以下，選択バイアス）を除去する必要があり，傾向スコアを用いた改良手法であるCausal Tree-Transformed Outcome（以下，CT-TO）が提案されている．しかしCT-TOは，傾向スコアを推定するモデルが正しく指定されていない場合には，最終的に誤ったCATEの推定に結び付きやすいことなどの改善点がある．そこで本研究では，Causal Treeをベースとし，高い頑健性を持って選択バイアスが存在する状況に対応したCATE推定手法を提案する．具体的には，Doubly Robust Estimatorという，ある集団全体の処置効果を推定可能な手法を活用したCATEの推定に基づいて，Causal Treeの目的関数の導出を行う．これにより，CT-TOが有する高い解釈性を維持しつつ，選択バイアスが存在する状況において，より精度の高いCATEの推定が可能になる．最後に，人工データと実データに対して提案手法を適用し，その有効性を検証する．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In the effectiveness testing of business measures based on statistical causal inference, it is often useful to estimate the conditional average treatment effect (CATE). Causal Tree, which is the basic method for estimating CATE, is highly interpretable and can be adapted to observational studies, making it very useful. However, when Causal Tree is used in observational studies, selection bias needs to be removed, and an improved method using propensity scores, Causal Tree-Transformed Outcome (CT-TO), has been proposed. However, CT-TO has some points to be improved, such as the fact that it tends to lead to incorrect CATE estimation if a model for estimating propensity scores is not correctly specified. Therefore, this study proposes a Causal Tree-based CATE estimation method for situations where selection bias exists with a high degree of robustness. Specifically, the objective function of Causal Tree is derived based on the estimation of CATE using doubly robust estimator, a method that can estimate the treatment effect for an entire population. This enables more accurate CATE estimation in situations where selection bias exists, while maintaining the high interpretability of CT-TO. Finally, the proposed method is applied to artificial and real data to verify its effectiveness.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 64, 号 9, p. 1399-1412, 発行日 2023-09-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764
• 公開者 / 言語: ja
• 公開者 / 出版者: 情報処理学会