倾向得分估计中的最优协变量平衡条件
统计方法学
2021-08-04 v1 统计理论
应用统计
统计理论
摘要
逆概率加权处理（IPTW）是估计平均处理效应（ATE）的一种常用方法。然而，实证研究表明，IPTW 估计量可能对倾向得分模型的错误设定较为敏感。为解决这一问题，研究者提出通过直接优化预处理协变量的平衡来估计倾向得分。尽管这些方法在实证中表现良好，但关于平衡条件的选择如何影响其理论性质，人们知之甚少。为填补这一空白，我们首先在局部模型错误设定下，刻画了基于协变量平衡倾向得分（CBPS）方法的 IPTW 估计量的渐近偏差与效率。基于此分析，我们展示了如何最优地选择协变量平衡函数，并提出了一种最优的基于 CBPS 的 IPTW 估计量。该估计量具有双重稳健性：只要倾向得分模型或结果模型之一正确，它对 ATE 就是一致的。此外，当两个模型均正确设定时，所提估计量是局部半参数有效的。为进一步放松参数假设，我们使用筛估计方法扩展了我们的方法。我们证明，在一组更弱的假设下，所得估计量是全局有效的，且其渐近偏差小于现有估计量。最后，我们通过模拟和实证研究评估了所提估计量的有限样本表现。我们提供了一个开源软件包用于实现所提方法。
引用
@article{arxiv.2108.01255,
title = {Optimal Covariate Balancing Conditions in Propensity Score Estimation},
author = {Jianqing Fan and Kosuke Imai and Inbeom Lee and Han Liu and Yang Ning and Xiaolin Yang},
journal= {arXiv preprint arXiv:2108.01255},
year = {2021}
}