基于工具变量的可解释近似精确匹配方法
统计方法学
2019-07-30 v2 机器学习
摘要
在观测性研究中，因果效应估计的不确定性常源于未测量的混杂因素，即存在连接处理与结果的未观测协变量。工具变量（Instrumental Variables, IV）常用于减少未测量混杂的影响。现有的IV估计方法要么需要较强的参数假设，要么使用任意的距离度量，要么无法很好地扩展到大型数据集。我们提出一个在存在已观测类别混杂因素情况下的IV匹配框架，以解决这些不足。我们的方法首先对单元进行精确匹配，然后逐步舍弃变量，以在尽可能多的变量上对剩余单元进行近似匹配。我们在模拟数据集上证明，我们的算法能构建出优于其他现有方法的匹配，并在政治拉票的应用中得到了有意义的结果。
引用
@article{arxiv.1906.11658,
title = {Interpretable Almost-Matching-Exactly With Instrumental Variables},
author = {M. Usaid Awan and Yameng Liu and Marco Morucci and Sudeepa Roy and Cynthia Rudin and Alexander Volfovsky},
journal= {arXiv preprint arXiv:1906.11658},
year = {2019}
}