[2S5-GS-2] Machine learning:

[2S5-GS-2-04] Estimation of the average treatment effect by estimating propensity scores using a Bayesian network classifier

〇Rina Sakuma¹, Koya Kato¹, Maomi Ueno¹ (1. The University of Electro-Communications)

Keywords:Propensity score, Causal inference in statistics, Baysian network classifier

因果推論は, 観察データから介入効果を推定するための手法であり, 医療, 経済学, 社会科学などの多くの分野で広く利用されている. 無作為化比較試験が難しい場合、傾向スコアを用いることで共変量の分布を調整し, 介入群と対照群のバイアスを除去できる.しかし, 傾向スコアの一般的な推定手法であるロジスティック回帰は, 傾向スコアのlogitが共変量の線形関数で表現できない場合, 傾向スコアの推定に一致性が無くなる. さらに, 既存の機械学習手法を用いた傾向スコア推定法は, 漸近的に真の確率を推定できず, 結果の解釈が難しくなるという課題がある. 近年,真のモデルに依存せず, 真の分類確率に漸近収束するベイジアンネットワーク分類器学習法が提案されている. そこで本研究では,この手法を用いた新しい傾向スコア推定法を提案する. 提案手法は, 変数間の因果関係を視覚的に表現でき,その推定値は真の傾向スコアに漸近的に一致する. 提案手法の有効性を示すため, マルコフネットワークを用いたシミュレーションと, 実データセットを用いた実験を行い, 従来手法と比較する.これにより, 提案手法が平均介入効果推定の精度向上に寄与することを示す.