通过五个实证应用比较基于协变量优先排序的匹配与机器学习因果推断方法
应用统计
2019-01-09 v3
摘要
当研究者试图估计因果效应时，常假设进入处理仅基于观测协变量。在此识别策略下，分析者必须调整观测混杂因素。虽然基础回归模型长期是统计调整的主导方法，但基于匹配或加权的更稳健方法已更为常见。近来，甚至更灵活的基于机器学习方法的统计调整方法已被开发。这些机器学习方法被设计为黑箱方法，研究者几乎不介入。近期研究利用数据竞赛评估各类统计调整方法，发现黑箱方法优于所有其他统计调整方法。具有协变量优先排序的匹配方法旨在让实质研究者直接介入，与黑箱方法形成鲜明对比。在本文中，我们使用不同的研究设计来比较具协变量优先排序的匹配与黑箱方法。我们使用黑箱方法复现五项研究的结果，这些研究中具协变量优先排序的匹配被用于依据实质专业知识定制统计调整。我们发现各方法间差异甚微。我们以对研究者的建议作结。
引用
@article{arxiv.1805.03743,
title = {Comparing Covariate Prioritization via Matching to Machine Learning Methods for Causal Inference using Five Empirical Applications},
author = {Luke Keele and Dylan Small},
journal= {arXiv preprint arXiv:1805.03743},
year = {2019}
}