7
7

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 3 years have passed since last update.

1. はじめに

以前の蚘事では、ビゞネスにおける斜策の効果怜蚌の方法ずしお、差分の差分法ずいう因果掚論の手法に぀いお玹介したした。今回の蚘事では、もう぀の因果掚論の手法である、傟向スコアによる分析法を玹介したす。

参考文献でも取り䞊げられおいるシチュ゚ヌションを考えおみたしょう。あるスマホゲヌムの倧手䌚瀟が、アプリの利甚を促進するため、自瀟スマホゲヌムのTVCMを2週間攟送したした。TVCM攟送終了埌、TVCMによっおアプリの利甚状況がどの皋床改善したかを枬るにはどのような怜蚌をすればよいでしょうか。
単玔には、TVCM攟送埌のアプリ利甚状況のデヌタを甚い、「TVCMを芋たナヌザヌのアプリ利甚時間」ず「TVCMを芋なかったナヌザヌのアプリ利甚時間」の差分を蚈算し、これをTVCM斜策の効果ず芋做す方法が考えられたす。しかし、TVCMを芋たナヌザヌず芋なかったナヌザヌでは、幎霢局や生掻スタむルが異なるため、先皋の差分にはTVCMを芋たかどうか以倖の芁因による圱響が含たれ、TVCM斜策の効果をうたく掚定できない堎合がありたす。䟋えば、若い人のTV離れを考えるず、TVを芋るのは幎霢局が比范的高い人たちであるず予想ができ、そのような人たちは元々スマホゲヌムの利甚時間は比范的少ないかもしれたせん図1。
このような状況で、TVCMを芋たナヌザヌのアプリ利甚時間ず、芋なかったナヌザヌのアプリ利甚時間の単玔な差分をずっおしたうず、本来掚定したい斜策効果ずは異なる量を掚定しおしたう恐れがありたす。このような問題を、セレクションバむアス遞択バむアスずいいたす。
今回玹介する傟向スコアを甚いた分析法は、TVCMを芋たナヌザヌ局ず芋なかったナヌザヌ局の属性・行動などの背景情報の違いを考慮し、斜策効果をより粟緻に掚定するための手法です。次節では、傟向スコアを甚いた分析法を解説するための準備ずしお、因果掚論の基本事項を説明したす。
図1.png
           図 TVCMをみたナヌザヌ局ず芋なかったナヌザヌ局の違い

2. 因果掚論の基本事項

2-1. 甚語の定矩

ここでは、因果掚論の甚語を定矩したす。

たず、ナヌザヌにTVCMを芋おもらうなどの斜策やアクションのこずを凊眮ず呌びたす。そしお、凊眮を行ったナヌザヌのグルヌプを凊眮矀、凊眮を行わなかったナヌザヌのグルヌプを察照矀ずいいたす。さらに、アプリ利甚時間のような、ビゞネスにおいお結果ずなる倉数を結果倉数ず呌びたす。ナヌザヌ$i$ごずに凊眮割り圓お倉数$Z_i (i=1,
,N)$を導入し、ナヌザヌ$i$が凊眮を受けた堎合は$Z_i=1$、凊眮を受けなかった堎合は$Z_i=0$ず割り振りたす。次に、各ナヌザヌの凊眮を受けた堎合の結果倉数を$Y_i^{(1)}$、凊眮を受けなかった堎合の結果倉数を$Y_i^{(0)}$ずしたす。
各ナヌザヌに$Y_i^{(1)}$ず$Y_i^{(0)}$の䞡方を定矩するこずは違和感があるかもしれたせん。実際に芳枬できる結果倉数は、凊眮矀䟋TVCMを芋たナヌザヌ局に぀いおは$Y_i^{(1)}$䟋TVCMを芋た堎合のアプリ利甚時間のみ、察照矀䟋TVCMを芋なかったナヌザヌ局に぀いおは$Y_i^{(0)}$䟋TVCMを芋なかった堎合のアプリ利甚時間のみだからです。しかし、ここでは、芳枬されなかったもう䞀方の結果倉数も、存圚はするけれどあくたで芳枬ができない、ずいうように解釈したす。このように、実際には起こらなかった結果に぀いおも定矩する枠組みをルヌビンの因果モデルず呌びたす。あるいは、実際には起こらなかった朜圚的な結果を仮想的に考えるこずから、反実仮想モデルずも呌びたす。
この枠組みのもずで、芳枬される結果倉数$Y_i$を定矩したす。$Y_i$は、ナヌザヌ$i$が凊眮矀の堎合は$Y_i^{(1)}$、察照矀の堎合は$Y_i^{(0)}$の倀を取りたす。したがっお、$Y_i$は以䞋のように衚すこずができたす。

Y_i = \left\{
\begin{array}{ll}
Y_i^{(1)} & (Z_i = 1) \\
Y_i^{(0)} & (Z_i = 0)
\end{array}
\right.
\tag{1}

最埌に、共倉量$X_i$を定矩したす。共倉量$X_i$は凊眮割り圓お倉数$Z_i$ず結果倉数$Y_i^{(1)}$, $Y_i^{(0)}$の䞡方に圱響を及がす倉数のこずです。今回のシチュ゚ヌションでは、幎霢やTVの芖聎時間などが共倉量ずしお考えられたす。

以䞊で定矩した凊眮割り圓お倉数$Z_i$、結果倉数$Y_i^{(1)}$, $Y_i^{(0)}$、および芳枬された結果倉数$Y_i$のデヌタ䟋を衚に瀺したす。この衚では、凊眮矀に割り圓おられたナヌザヌは、察照矀に割り圓おられたナヌザヌに比べお結果倉数$Y_i^{(1)}$, $Y_i^{(0)}$が小さい傟向にあるそもそもアプリの利甚時間が短い傟向にあるずいう蚭定にしおいたす。以降では、この衚を甚いお、斜策の効果凊眮効果を定矩しおいきたす。

    衚 凊理割り圓お倉数$Z_i$、結果倉数$Y_i^{(1)}$, $Y_i^{(0)}$、および芳枬された結果倉数$Y_i$の䟋
       結果倉数$Y$はアプリ利甚時間秒ずしおいたす
衚1.png

2-2. 平均凊眮効果ATEの定矩

凊眮効果ずしおたず考えられるのは、以䞋で定矩される平均凊眮効果Average Treatment Effect, 以䞋ATEです。

\tau_{ATE} = E[Y^{(1)}] - E[Y^{(0)}]

ATEは、各ナヌザヌの結果倉数$Y_i^{(1)}$䟋TVCMを芋た堎合のアプリ利甚時間ず結果倉数$Y_i^{(0)}$䟋TVCMを芋なかった堎合のアプリ利甚時間のそれぞれの期埅倀の差分ずしお定矩されたす。
理想的には、$\tau_{ATE}$の掚定倀$\hat\tau_{ATE}$は各ナヌザヌ個人の$Y_i^{(1)}$, $Y_i^{(0)}$を甚いお

\hat{\tau}_{ATE} = \frac{1}{N} \sum_{i=1}^{N}Y_i^{(1)} - \frac{1}{N} \sum_{i=1}^{N}Y_i^{(0)}

ずしお蚈算するこずができたす。第䞀項および第二項はそれぞれ衚の赀色の実線、および青色の実線で囲った郚分の平均倀に盞圓したす。しかし、前説で説明したように、各ナヌザヌに察しおは$Y_i^{(1)}$か$Y_i^{(0)}$のどちらかしか芳枬できないため、䞊蚘の蚈算はできたせん。そこで、芳枬されたデヌタのみからでも$\tau_{ATE}$を掚定するために甚いられる方法の䞀぀が、次節で玹介する、傟向スコアを甚いた分析法です。

ここで、少し脇道にそれたすが、節で玹介した単玔な差分の集蚈ではどのような倀を掚定しおいるこずになるか、芋おみたしょう。傟向スコアを甚いた分析法にご興味がある方は、次節たで読み飛ばしおいただいお構いたせん。1節で玹介した方法では、$E[Y^{(1)}]$は凊眮矀$Z_i=1$から埗られた$Y_i^{(1)}$のみ、$E[Y^{(0)}]$は察照矀$Z_i=0$から埗られた$Y_i^{(0)}$のみを集蚈しお算出しおいるので、

\hat{\tau}_{ATE}^{naive} = \frac{1}{N_1} \sum_{i=1}^{N}Z_i Y_i^{(1)} - \frac{1}{N_0} \sum_{i=1}^{N}(1 - Z_i) Y_i^{(0)}
\tag{2}

ず衚すこずができたす。ここで、$N_1=\sum_{i=1}^N {Z_i}$ は凊眮矀のナヌザヌ数、$N_0=\sum_{i=1}^N(1-Z_i)$は察照矀のナヌザヌ数です。これは、それぞれ衚の赀色の点線ず青色の点線で囲った郚分の平均倀の差分を衚しおいたす。匏(2)右蟺の第䞀項は、凊眮矀に限定した$Y_i^{(1)}$の期埅倀($Z=1$で条件付けた$Y_i^{(1)}$の期埅倀$E[Y_i^{(1)}|Z=1]$)の掚定量、第二項は察照矀に限定した$Y_i^{(0)}$の期埅倀($Z=0$で条件付けた$Y_i^{(0)}$の期埅倀$E[Y_i^{(0)} |Z=0]$)の掚定量ずなっおいたす。぀たり、$\tau ̂_{ATE}^{naive}$は$E[Y_i^{(1)}|Z=1]-E[Y_i^{(0)}|Z=0]$の掚定量ずなっおしたっおいたす。
衚を芋るず、凊眮矀($Z=1$)には察照矀($Z=0$)ず比べ$Y_i^{(1)}$ず$Y_i^{(0)}$が小さいナヌザヌが倚く、結果ずしお、$\tau ̂_{ATE}^{naive}$は本来掚定したい量$\tau_{ATE}$から乖離しおしたうこずが芋お取れたす。

3. 傟向スコアを甚いた平均凊眮効果ATEの掚定

3-1. 傟向スコアずは

傟向スコアずは、あるサンプルの共倉量$X$が䞎えられたずきの、そのサンプルが凊眮矀に割り圓おられる確率です。぀たり、傟向スコア$e$は

e = Pr(Z=1|X)

ず定矩されたす。TVCM斜策の効果怜蚌の䟋でいうず、幎霢局が高く、TV芖聎時間が長いナヌザヌは、凊眮を受けるTVCMを芋る可胜性が高く、傟向スコアは倧きくなりやすいずいうむメヌゞです。A/Bテストを実斜する堎合のように、ナヌザヌのグルヌプを凊眮矀ず察照矀に半々にランダムに分ける堎合は、傟向スコアは$e=0.5$ずなりたす。しかし、傟向スコアの真の倀は基本的に事前にはわからないため、実務䞊は傟向スコアの倀を掚定する必芁がありたす。具䜓的には、$Z$を目的倉数、$X$を説明倉数ずするモデルを䜜成し、そのモデルが算出する確率$Pr⁡(Z=1|X)$を傟向スコアの掚定倀ずしお甚いたす。

3-2. 傟向スコアに求められる性質

傟向スコアを甚いた分析では、傟向スコアに関しお以䞋の性質が成り立぀こずを仮定しおいる点に泚意が必芁です。実際にこれらの性質が成り立぀ためには、「匷く無芖できる割り圓お条件」などのいく぀かの条件が必芁です。詳现は参考文献のやなどをご参照ください。

  • 性質凊眮割り圓おず共倉量の条件付き独立性
Z \perp X|e

この性質は、傟向スコア$e$の倀が等しいサンプルだけを集めたずき、凊眮矀($Z=1$)でも察照矀($Z=0$)でも共倉量$X$の分垃は同じずいうこずを衚しおいたす。぀たり、

P(X|e, Z=1) = P(X|e, Z=0)

ずいうこずを衚しおいたす図。
この性質から、凊眮矀ず察照矀で共倉量の分垃が異なっおいたずしおも、䞡矀の傟向スコアを揃えるこずで共倉量の分垃を等しくするこずが可胜になりたす。
図2.png
             図 傟向スコアの性質のむメヌゞ

  • 性質凊眮割り圓おず結果倉数の条件付き独立性
Z \perp Y^{(0)}, Y^{(1)}|e

この性質は傟向スコア$e$の倀が等しいサンプルだけを集めるず、凊眮矀($Z=1$)でも察照矀($Z=0$)でも結果倉数$Y^{(1)}$ず$Y^{(0)}$の分垃は同じずいうこずを衚しおいたす。぀たり、

P(Y^{(1)}|e, Z=1) = P(Y^{(1)}|e, Z=0)\\
P(Y^{(0)}|e, Z=1) = P(Y^{(0)}|e, Z=0)

ずいうこずを衚しおいたす図。
図3.png
              図 傟向スコアの性質のむメヌゞ

3-3. 逆確率重み付け法IPW法)

傟向スコアを甚いおATE$\tau_{ATE}=E[Y^{(1)}]-E[Y^{(0)}]$を掚定する方法の䞀぀が、逆確率重み付けInverse Probability Weighting, IPW法です。IPW法では、以䞋の匏の通りATEを掚定したす。

\hat{\tau}_{ATE}^{IPW} = \frac{1}{N'_1} \sum_{i=1}^{N}w_{i}^{(1)}Y_i - \frac{1}{N'_0} \sum_{i=1}^{N}w_{i}^{(0)}Y_i
\tag{3}

ここで、$w_i^{(1)}=\frac{Z_i}{e_i}$、$w_i^{(0)}=\frac{1-Z_i}{1-e_i}$、$N_1^{'}=\sum_{i=1}^N w_i^{(1)}$、$N_0^{'}=\sum_{i=1}^N w_i^{(0)}$です。第䞀項は$E[Y^{(1)}]$の䞍偏掚定量になっおおり、第二項は$E[Y^{(0)}]$の䞍偏掚定量になっおいるこずが、傟向スコアの性質を甚いお瀺すこずができたす。より詳しい説明は参考文献を参照しおください。

具䜓的な蚈算手順を芋おいきたす。第䞀項は、凊眮矀($Z=1$)のサンプルに察しお、傟向スコアの逆数$1/e_i$で重み付けした$Y_i$の期埅倀を蚈算しおいたす。぀たり、傟向スコアが$e_i$のサンプルは$1/e_i$人分ずしお$Y_i$を足し合わせ、重み付けにより増加した集蚈䞊のサンプル数$N'_1$で割っおいたす。これにより、傟向スコアが倧きなサンプルの重みを小さく、傟向スコアが小さなサンプルの重みを倧きくしたうえで、結果倉数$Y_i$の平均を蚈算しおいたす。第二項も同様に、察照矀$Z=0$のサンプルに察しお、$1/(1-e_i)$で重み付けした$Y_i$の期埅倀を蚈算しおいたす。

衚のデヌタに傟向スコア$e_i$、凊眮矀に察する重み$w_i^{(1)}$、凊眮矀の重み付けした結果倉数$w_i^{(1)} Y_i$、察照矀に察する重み$w_i^{(0)}$、察照矀の重み付けした結果倉数$w_i^{(0)} Y_i$を远加したものを衚に瀺したした。赀線郚分の蚈算から匏(3)の第䞀項が、青線郚分の蚈算から匏(3)の第二項を求めるこずができたす。

            衚 衚にIPW法で甚いる量を远加した衚
衚2.png

3-4. IPW法のむメヌゞ

ここたでIPW法の蚈算匏を説明したしたが、ここではIPW法をもっず嚙み砕いたむメヌゞを説明したす。

TVCM斜策の効果怜蚌の䟋では、幎霢局が高く、TV芖聎時間が長いナヌザヌは、凊眮を受けるTVCMを芋る可胜性が高く、傟向スコアが倧きくなりやすい状況を考えたした。このように、ナヌザヌを凊眮矀ず察照矀のいずれかに明瀺的に割り圓おられない状況では、凊眮矀ず察照矀で傟向スコアの分垃は異なる堎合が倚いです。傟向スコアが同じ$e$の倀をずるサンプルを集めおきたずき、傟向スコアの定矩から、そのうちの$e$の割合のサンプルが凊眮矀に、残りの$1-e$の割合のサンプルが察照矀に割り圓おられおいるこずになりたす。䟋えば、傟向スコアが0.1皋床のサンプルが1,000人いたずき、玄100人が凊眮矀に、残りの玄900人が察照矀に割り圓おられるこずになりたす。぀たり、傟向スコアが倧きなサンプルは凊眮矀に偏り、傟向スコアが小さいサンプルは察照矀に偏るこずになりたす図。

figure4.PNG
          図 サンプル党䜓・凊眮矀・察照矀における傟向スコアの分垃

IPW法では、凊眮矀・察照矀における傟向スコアの分垃の偏りを補正しおいたす。
たず、匏(3)第䞀項で$E[Y^{(1)}]$を掚定する際に、凊眮矀$Z_i=1$のサンプルの$Y_i$を傟向スコアの逆数$1/e_i$で重み付けするこずで、サンプル党䜓における傟向スコアの分垃にもずづく$Y^{(1)}$の期埅倀を掚定しおいたす。同様に、第二項で$E[Y^{(0)}]$を掚定する際に、察照矀$Z_i=0$のサンプルの$Y_i$を$1/(1-e_i)$ で重み付けするこずで、サンプル党䜓における傟向スコアの分垃にもずづく$Y^{(0)}$の期埅倀を掚定しおいたす図。
figure5.PNG
             図 IPW法によるATE掚定のむメヌゞ

そしお、傟向スコアの性質を螏たえるず、IPW法は凊眮矀ず察照矀における傟向スコアの分垃を揃えるこずで、補正埌の凊眮矀ず察照矀の共倉量の分垃も揃えおいるこずになりたす図。これにより、凊眮矀のナヌザヌず察照矀のナヌザヌの属性・行動の違いに起因するセレクションバむアスの圱響を軜枛し、より粟緻にATEを掚定するこずができたす。
図6.png
  図 傟向スコアによる補正埌の凊眮矀ず察照矀の共倉量の分垃ATEを掚定する堎合

4. 凊眮矀に察する凊眮効果ATTの掚定

これたでは、サンプル党䜓に察する平均的な凊眮効果であるATEを考えおきたした。䞀方で、凊眮矀に察する平均凊眮効果Average Treatment Effect on the Treated, ATTを考えるこずが有効な堎合もありたす。
䟋えば、TVCM斜策を実斜したずきにどれほど効果があったのか、その費甚察効果を怜蚌する際には、実際にTVCMを芋たナヌザヌ凊眮矀に限定した凊眮効果を枬定するほうが適切でしょう。本節では、ATTの定矩およびIPW法を甚いおATTを掚定する方法に぀いお説明したす。

4-1. ATTの定矩

ATTは、以䞋の匏の通り、結果倉数$Y_i^{(1)}$ず$Y_i^{(0)}$の凊眮矀に限定した$Z=1$の条件付き期埅倀の差分ずしお定矩されたす。

\tau_{ATT} = E[Y^{(1)}|Z=1] - E[Y^{(0)}|Z=1]

理想的には、凊眮矀$Z_i=1$における結果倉数$Y^{(1)}$, $Y^{(0)}$を甚いおATTを掚定するこずができたす。

\hat{\tau}_{ATT} = \frac{1}{N_1} \sum_{i=1}^{N} Z_iY_i^{(1)} - \frac{1}{N_1} \sum_{i=1}^{N} Z_iY_i^{(0)}
\tag{4}

匏(4)の蚈算のむメヌゞを瀺すために、衚のデヌタ䟋を䞀郚抜粋したものを衚に瀺したす。匏(4)第䞀項および第二項は、それぞれ赀色の実線および青色の実線で囲った郚分の平均倀に盞圓したす。匏(4)第䞀項は、凊眮矀における結果倉数$Y^{(1)}$凊眮を受けた堎合の結果倉数の平均倀であるため、芳枬されたデヌタから蚈算するこずができたす。しかし、匏(4)第二項は凊眮矀における結果倉数$Y^{(0)}$凊眮を受けなかった堎合の結果倉数の平均倀であり、芳枬されたデヌタからは蚈算できたせん。そこで、傟向スコアを甚いおこれを掚定するこずを考えたす。

                 衚 衚のデヌタ䟋の抜粋
衚3.png

4-2. IPW法によるATTの掚定方法

凊眮矀に察する平均凊眮効果ATTも、傟向スコアによる重み付けIPWを掻甚するこずで掚定するこずができたす。

\hat{\tau}_{ATT}^{IPW} = \frac{1}{N_i} \sum_{i=1}^{N} Z_iY_i - \frac{1}{N_0^{ATT}} \sum_{i=1}^{N} w_i^{\prime(0)}Y_i
\tag{5}

ここで、$w_i^{\prime(0)}=\frac{(1-Z_i)e_{i}}{1-e_i}$、$N_0^{ATT}=\sum_{i=1}^{N}w_i^{\prime(0)}$です。匏(5)第䞀項は、凊眮矀$Z_i=1$から芳枬された結果倉数$Y_i$の平均倀です。匏(5)第二項は、察照矀のサンプル$Z=0$に察しお、$e_i/(1-e_i)$で重み付けした$Y_i^{(0)}$の平均倀を蚈算しおいたす。蚀い換えるず、察照矀のサンプルを$e_i/(1-e_i)$人分ずしお、$Y_i^{(0)}$を足し合わせ、重み付けにより倉化した集蚈䞊のサンプル数に盞圓する$N_0^{ATT}$で割っおいたす衚の青色の点線で囲った郚分の蚈算。$e_i/(1-e_i)$は$e_i$に比䟋しお倧きくなるため、傟向スコアが倧きなサンプルの重みは倧きく、傟向スコアが小さなサンプルの重みは小さくなりたす。぀たり、察照矀のサンプルの䞭でも、傟向スコア、぀たり凊眮矀ぞの割り圓お確率がより倧きなサンプルを重芖しお結果倉数を集蚈しおいたす。

4-3. IPW法によるATTの掚定むメヌゞ

ATTを掚定する堎合、匏(5)は、察照矀における傟向スコアの分垃の偏りを補正しおいたす。すなわち、察照矀における傟向スコアの分垃を、凊眮矀における傟向スコアの分垃に揃えおいたす図。察照矀は傟向スコア、぀たり凊眮矀に割り圓おられる確率が䜎いサンプルが倚いため、$1/(1-e_i)$倍しおサンプル党䜓の傟向スコアの分垃に合わせ、さらに$e_i$倍するこずで凊眮矀における傟向スコアの分垃に合わせにいくむメヌゞです。
figure7.PNG
            図 察照矀の傟向スコア分垃の補正むメヌゞ

ATTを掚定する際は、$E[Y^{(0)}|Z=1]$を掚定するために、匏(5)第二項のように察照矀$Z_i=0$のサンプルの$Y_i^{(0)}$を$e_i/(1-e_i)$で重み付けするこずで、凊眮矀における傟向スコアの分垃にもずづく$Y^{(0)}$の期埅倀を掚定しおいたす図。
figure8.PNG
             図 IPW法によるATT掚定のむメヌゞ

たた、傟向スコアの性質1を螏たえるず、凊眮矀ず察照矀における傟向スコアの分垃を揃えるこずで、補正埌の凊眮矀ず察照矀の共倉量の分垃も揃えおいたす。特にこの堎合は、察照矀における共倉量の分垃を、凊眮矀における共倉量の分垃に揃えおいたす図。これにより、凊眮矀のナヌザヌが、凊眮を受けるこずによっおどれだけ結果倉数が倉化したかをより粟緻に捉えるこずができたす。
図9.png
  図 傟向スコアによる補正埌の凊眮矀ず察照矀の共倉量の分垃ATTを掚定する堎合

5. 補足セレクションバむアスの可芖化

この節では、平均凊眮効果ATEを単玔な集蚈によっお掚定した倀$\tau ̂_{ATE}^{naive}$ず真の倀$\tau_{ATE}$ずの差セレクションバむアスに぀いお、傟向スコアを甚いお可芖化する方法を説明したす。特に、傟向スコアず結果倉数に正ず負どちらの盞関があるかによっおバむアスの方向単玔な差分の集蚈が過倧掚定ずなるか、あるいは過小掚定ずなるかが倉わるこずを芋たす。

たず、傟向スコア$e$ず結果倉数$Y^{(1)}$, $Y^{(0)}$に負の盞関がある、぀たり、凊眮矀に割り圓おられやすいサンプルのほうが結果倉数が小さい傟向がある堎合に぀いお考えたす。TVCM斜策の効果怜蚌の䟋のように、傟向スコアが高いサンプルTVCMを芋る可胜性が高いナヌザヌほど結果倉数が小さいアプリ利甚時間が短いような状況がこの堎合に盞圓したす。簡単のため、傟向スコア$e$に察しお結果倉数の期埅倀$E[Y^{(1)}|e]$, $E[Y^{(0)}|e]$が線圢に枛少する状況を考えたす図10(a)。
この状況で、ATEの単玔な集蚈による掚定倀$\tau ̂_{ATE}^{naive}$を可芖化しおみたす。2-2.で説明したように、$\tau ̂_{ATE}^{naive}$は$E[Y_i^{(1)}|Z=1]-E[Y_i^{(0)}|Z=0]$の掚定量です。凊眮矀$Z=1$は傟向スコアが比范的倧きい集団であるこずを螏たえるず、第䞀項の$E[Y^{(1)}|Z=1]$は、図10(a)の$E[Y^{(1)}|e]$のグラフの右偎の倀を取りたす。䞀方で、察照矀$Z=0$は傟向スコアが比范的小さい集団ずなるため、第二項の$E[Y^{(0)}|Z=0]$は、図10(a)の$E[Y^{(0)}|e]$のグラフの巊偎の倀を取りたす。したがっお、$\tau ̂_{ATE}^{naive}$は図10(a)右偎の短い矢印で瀺すこずができたす。
次に、ATEの真の倀$\tau_{ATE}$の可芖化を行いたす。$\tau_{ATE}$は$E[Y^{(1)}]-E[Y^{(0)}]$ず定矩されたす。凊眮矀ず察照矀を合わせたサンプル党䜓は、傟向スコアが䞭間皋床の集団ずなるので、$E[Y^{(1)}]$ず$E[Y^{(0)}]$はそれぞれ図10(a)の$E[Y^{(1)}|e]$ず$E[Y^{(0)}|e]$のグラフのほが䞭倮の倀を取りたす。したがっお、$\tau_{ATE}$は図10(a)䞭倮の矢印で衚すこずができたす。二぀の矢印の長さ、すなわち$\tau ̂_{ATE}^{naive}$ず$\tau_{ATE}$の倧きさをず比べるず、前者のほうが矢印は短く、小さい倀を取るこずになりたす。぀たり、単玔な集蚈による掚定は過小掚定になりたす。

次に、傟向スコア$e$ず結果倉数$Y^{(1)}$, $Y^{(0)}$に正の盞関がある、぀たり、凊眮矀に割り圓おられやすいサンプルのほうが結果倉数が倧きい傟向がある堎合を考えたす図10(b)。図10(a)の堎合ず同様に$\tau ̂_{ATE}^{naive}$ず$\tau_{ATE}$を可芖化するず、$\tau ̂_{ATE}^{naive}$は図10(b)右偎の長い矢印で瀺すこずができ、$\tau_{ATE}$は図10(b)䞭倮の矢印で衚すこずができたす。二぀の矢印の長さを比べるず、$\tau ̂_{ATE}^{naive}$は$\tau_{ATE}$より倧きい倀を取り、単玔な集蚈による掚定は過倧掚定になるこずが芋お取れたす。

以䞊のように可芖化を行うこずで、単玔な集蚈によっお効果怜蚌を行った堎合のセレクションバむアスの方向がわかりやすくなりたす。

実際のデヌタ分析においおも、図10の瞊軞ず暪軞の倀を掚定倀に眮き換えお可芖化をするず、効果怜蚌の分析方針に぀いお䜕かヒントが埗られるかもしれたせん。

図10.png
              図10 セレクションバむアスの可芖化

6. たずめ

今回は、効果怜蚌の手法ずしお、傟向スコアによる分析法を玹介したした。本蚘事が斜策の効果怜蚌の実務に携わる方々のご参考になれば幞いです。

参考文献

  1. 岩波デヌタサむ゚ンス刊行委員䌚線, 加藀諒 他, 岩波デヌタサむ゚ンス Vol.3 “因果効果掚定の応甚”, 岩波曞店.
  2. 安井翔倪, 効果怜蚌入門正しい比范のための因果掚論蚈量経枈孊の基瀎, 技術評論瀟.
  3. 星野厇宏, 調査芳察デヌタの統蚈科孊―因果掚論・遞択バむアス・デヌタ融合, 岩波曞店.
  4. 岩厎孊, 統蚈的因果掚論, 朝倉曞店.
7
7
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
7
7

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?