Proximity Matching による因果効果の推定

Proximity Matching で因果効果の推定

＠hikaru1122

五島光（ごとう・ひかる）自己紹介

• 歯科医院専門の経営コンサルティング会社勤務
• 社会人院生（JAIST 東京 知識科学系 博士後期課程）
• 純粋なパッケージユーザー
• データ分析の師匠はいませんし，身の周りにもやっている人いません。
• Twitter ID：hikaru1122

はやりの（！？）の統計的因果推論

Proximity Matching で因果効果の推定

• “Propensity Score and Proximity Matching Using Random Forest”（Zhao et al. 2016）
• 観察データをできるだけRCTに近づけたい。
• そうすれば回帰分析で因果効果が出せる。
• ウェブ上では TJO さんや nakamichi さんがランダムフォレストと傾向スコアのネタを書いている。
• 今日はそれとは違う方法。

ランダムフォレストでマッチング

• ネットで見つけた “Causal inference with observational data in R: A walk-through from some recent research”（Savage 2013）で実装してみる。
• 使用するデータは https://github.com/iwanami-datascience/vol3
• CM を見た人のアプリ利用回数を知りたい。

CI_data = read_csv("/Users/hikaru1122/Dropbox/06-blog/kazutanR/20170730/q_data_x.csv")
CI_data %<>% select(-gamedummy, -area_keihan, -job_dummy8, -fam_str_dummy5, -T:-M3, -gamesecond)
CI_data %>% glimpse()

## Observations: 10,000
## Variables: 23
## $ cm_dummy        <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0...
## $ area_kanto      <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0...
## $ area_tokai      <int> 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0...
## $ area_keihanshin <int> 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 1, 1...
## $ age             <dbl> 44.5, 34.5, 24.5, 44.5, 34.5, 24.5, 19.0, 54.5...
## $ sex             <int> 1, 1, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1...
## $ marry_dummy     <int> 1, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 0, 0, 1, 1...
## $ job_dummy1      <int> 1, 1, 0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 0, 1...
## $ job_dummy2      <int> 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0...
## $ job_dummy3      <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0...
## $ job_dummy4      <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0...
## $ job_dummy5      <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0...
## $ job_dummy6      <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0...
## $ job_dummy7      <int> 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0...
## $ inc             <dbl> 249.5, 800.0, 0.0, 800.0, 749.5, 103.0, 0.0, 4...
## $ pmoney          <dbl> 0.0, 12.5, 2.0, 2.0, 4.0, 3.3, 1.0, 4.0, 2.0, ...
## $ fam_str_dummy1  <int> 0, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 0...
## $ fam_str_dummy2  <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0...
## $ fam_str_dummy3  <int> 1, 1, 0, 1, 1, 0, 0, 0, 1, 0, 1, 1, 1, 0, 1, 1...
## $ fam_str_dummy4  <int> 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0...
## $ child_dummy     <int> 1, 1, 0, 1, 1, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0...
## $ TVwatch_day     <dbl> 33.42760, 31.54286, 37.82581, 36.34591, 49.344...
## $ gamecount       <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0...

ランダムフォレストの実行

cm_dummy = CI_data$cm_dummy==1 # 論理ベクトル
library(randomForest)
rf = randomForest(cm_dummy ~ ., data = CI_data, proximity = TRUE) # 1分くらいかかる

Proximityを使ったマッチング

prox = rf$proximity - diag(nrow(rf$proximity))  # 何やってるの？
prox.true = prox[cm_dummy, !cm_dummy]
untre.samples = apply(prox.true, 1, which.max)

tre = CI_data[cm_dummy,] # 処置群のみ取り出し
untre = CI_data[!cm_dummy,] # 対照群のデータのみ取り出し

untre.samples2 = unique(untre.samples)
untre2 = untre[untre.samples2,]
whole.sample.u = rbind(tre, untre2)

因果効果を推定する

lm(gamecount ~ ., data = whole.sample.u) %>% tidy() %>% formattable()

結果の比較

まとめ

• やってることがわからない。
• 毎回，結果が異なるので不便。
• やはりマッチングは使わないほうがよい（King and Nielsen 2016）。