因果推理 - IPTW 与最近邻匹配
Causal inference - IPTW vs nearest neighbour matching
我正在进行准实验，并且有兴趣获得 ATT。我有一个包含 260k 个条目的数据，其中 Ti = 0 和 5k 个条目，其中 Ti = 1。我正在使用 iptw 技术计算 ATT，我实现了很好的平衡，治疗效果 -on 被视为 -ve 450 欧元，但并不显着。
权重计算：
(If treatment = 1, weight = 1 else propensity score / (1-propensity score)
然后，为了与其他方法进行比较，我使用比率 = 1 的最近邻匹配，再次实现了平衡。我得到的治疗效果（匹配时默认为 ATT）为 +very 750 且显着。
这两种方法不应该产生相似的结果吗？在这种情况下我应该采用哪种方法？为什么？
你匹配的时候，有没有被处理过的个体没有匹配到？
按预期，IPTW 和匹配应该给出相同的答案。一种可能的解释是，一些接受治疗的个体没有相近的匹配，因此他们被丢弃了。发生这种情况时，定义因果效应的人群会发生变化。这可能会导致方法之间的不同答案
每种方法都需要进行不同的评估。
对于 IPW，您需要检查您没有获得具有极低（或极高）倾向的样本。如果它们接近 0 或 1，那么您需要评估发生这种情况的原因，并可能从数据中删除类似的样本。由于您的标签非常不平衡，这肯定会发生。
对于匹配，就像@pzivich说的，你需要检查是否有没有匹配的样本（类似于极低的倾向）
最后，我喜欢检查 held-out 数据的平衡，以检查是否没有 over-fitting。
我正在进行准实验，并且有兴趣获得 ATT。我有一个包含 260k 个条目的数据，其中 Ti = 0 和 5k 个条目，其中 Ti = 1。我正在使用 iptw 技术计算 ATT，我实现了很好的平衡，治疗效果 -on 被视为 -ve 450 欧元，但并不显着。
权重计算： (If treatment = 1, weight = 1 else propensity score / (1-propensity score)
然后，为了与其他方法进行比较，我使用比率 = 1 的最近邻匹配，再次实现了平衡。我得到的治疗效果（匹配时默认为 ATT）为 +very 750 且显着。
这两种方法不应该产生相似的结果吗？在这种情况下我应该采用哪种方法？为什么？
你匹配的时候，有没有被处理过的个体没有匹配到？
按预期，IPTW 和匹配应该给出相同的答案。一种可能的解释是，一些接受治疗的个体没有相近的匹配，因此他们被丢弃了。发生这种情况时，定义因果效应的人群会发生变化。这可能会导致方法之间的不同答案
每种方法都需要进行不同的评估。
对于 IPW，您需要检查您没有获得具有极低（或极高）倾向的样本。如果它们接近 0 或 1，那么您需要评估发生这种情况的原因，并可能从数据中删除类似的样本。由于您的标签非常不平衡，这肯定会发生。
对于匹配，就像@pzivich说的，你需要检查是否有没有匹配的样本（类似于极低的倾向）
最后，我喜欢检查 held-out 数据的平衡，以检查是否没有 over-fitting。