予測モデルを用いた施策効果の測定バイアスを減らす方法

手順

1. 共変量の設定

この共変量と呼ばれるデータを用意できるかが、一番重要なポイントとなります。
こちらは施策の有無と関係がありそうなものの、施策の効果とは関係が弱そうなデータをより多く用意することで、バイアスをより減らせると言われています。
例えば、年齢、性別、居住地などのデモグラフィックデータやWEBの行動ログなどが候補になるでしょう。

2. 施策対象の予測モデルの作成

1で設定した共変量から施策を行ったかどうかを予測するモデルを作成します。
ロジスティック回帰モデルを利用することが多いですが、それ以外の予測モデルでも問題ございません。


3. マッチング

2で作成したモデルの確率が近いペアを、実際の施策の対象者と非対象者から作り、反復します。
これにより偏りを減らした、対象者と非対象者の1:1のグループを作成することができます。

元の集団では偏りがありましたが、施策対象となる確率の近いペアを作ったため、できるだけ似た共変量の傾向を持ったグループとなっています。このグループを比較することで、施策結果の効果をより正確に計測することができます。

おわりに

今回は、施策効果をより正確に測定する方法の1つを紹介いたしました。この方法は傾向スコアマッチングと呼ばれ、医療現場の治療の効果の実証に用いられるようです。あくまで他のデータからバイアスを減らす方法であり、バイアスを完全に取り除く魔法ではございませんので、ご利用にはご注意ください。