[論文レビュー] A general theory of regression adjustment for covariate-adaptive randomization: OLS, Lasso, and beyond

Hanzhong Liu, Fuyi Tu+1 more|arXiv (Cornell University)|Nov 19, 2020

Advanced Causal Inference Techniques参考文献 40被引用数 6

ひとこと要約

本稿は、共変量適応型ラウンド化実験における回帰補正の一般理論を構築し、モデル誤指定や高次元共変量下でも、通常最小二乗法（OLS）およびLassoを用いた処置効果推定のロバスト性と効率性を実現する。漸近正規性を確立し、一貫した分散推定法を提案し、層別ブロックおよび最小化設計を含む多様なランダム化手法において、より高い効率性と妥当性を示している。

ABSTRACT

We consider the problem of estimating and inferring treatment effects in randomized experiments. In practice, stratified randomization, or more generally, covariate-adaptive randomization, is routinely used in the design stage to balance the treatment allocations with respect to a few variables that are most relevant to the outcomes. Then, regression is performed in the analysis stage to adjust the remaining imbalances to yield more efficient treatment effect estimators. Building upon and unifying the recent results obtained for ordinary least squares adjusted estimators under covariate-adaptive randomization, this paper presents a general theory of regression adjustment that allows for arbitrary model misspecification and the presence of a large number of baseline covariates. We exemplify the theory on two Lasso-adjusted treatment effect estimators, both of which are optimal in their respective classes. In addition, nonparametric consistent variance estimators are proposed to facilitate valid inferences, which work irrespective of the specific randomization methods used. The robustness and improved efficiency of the proposed estimators are demonstrated through a simulation study and a clinical trial example. This study sheds light on improving treatment effect estimation efficiency by implementing machine learning methods in covariate-adaptive randomized experiments.

研究の動機と目的

• 任意のモデル誤指定下でも有効である、共変量適応型ラウンド化実験における回帰補正の統一的フレームワークの構築を目的とする。
• 標本サイズを超える共変量数を有する高次元設定へのロバスト推論を拡張し、従来のOLSの限界を克服することを目的とする。
• 特定のランダム化手法に依存しない非パラメトリックかつ一貫した分散推定法の提案により、任意のランダム化手法において有効な推論を保証することを目的とする。
• シミュレーション研究および実臨床試験データ（Nefazodone CBASP）を用いて、Lasso補正推定量の効率性とロバスト性を実証することを目的とする。
• 共変量適応型ランダム化下におけるOLS補正推定量に関する先行研究を統合・一般化し、より広範な適用性を実現することを目的とする。

提案手法

• 任意のモデル誤指定および高次元共変量を許容する、共変量適応型ランダム化における回帰補正の一般フレームワークを提案する。
• やや弱い正則性条件の下で、OLSおよびLasso補正処置効果推定量の漸近正規性を導出する。これにより、有効な推論が保証される。
• 特定のランダム化メカニズムに依存しない非パラメトリックかつ一貫した分散推定法を導入し、ロバストな推論を可能にする。
• 2つのLasso補正推定量（層間共通モデルと層別モデル）を適用し、それぞれのクラス内で最適であることが証明された。
• 有限母集団フレームワークを用いて潜在的アウトカムと処置割り当てをモデル化し、ラウンド化実験における設計ベース推論を可能にする。
• シミュレーション研究および実臨床試験（Nefazodone CBASP）を用いて理論的結果の妥当性を検証し、さまざまなランダム化手法間での性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 高次元共変量下でも、Lassoを用いた回帰補正が、共変量適応型ランダム化において有効かつ効率的な処置効果推論を可能にするか？
• RQ2 さまざまなランダム化スキーム下で、Lasso補正推定量はOLSおよび未補正推定量と比較して、バイアス、標準誤差、信頼区間のカバレッジ確率においてどのように性能を発揮するか？
• RQ3 特定のランダム化手法に依存しない一貫した非パラメトリック分散推定法を構築可能か？ これにより、任意のランダム化手法下でも有効な推論が保証されるか？
• RQ4 モデル誤指定が、共変量適応型デザインにおける回帰補正推定量の性能に与える影響は何か？
• RQ5 共変量数が多い状況下で、Lasso補正推定量は未補正またはOLS補正推定量よりも高い効率性を達成するか？

主な発見

• Lasso補正推定量は、特に高次元設定下で、未補正推定量と比較して無視できるほどのバイアスと顕著に低減された標準誤差を示す。
• 提案された分散推定法に基づく95％信頼区間のカバレッジ確率は、すべてのランダム化手法および標本サイズで名目水準（約0.95）に近く維持される。
• 提案された非パラメトリック分散推定法は、モデル誤指定や複雑なランダム化スキーム下でも、正確なサイズとカバレッジを維持する。
• n=500およびπ=2/3のシミュレーションでは、Lasso補正推定量の標準誤差は約0.39–0.40であったのに対し、未補正推定量は1.17–1.19であった。これは顕著な効率性の向上を示している。
• シミュレーション結果から、共変量数が多く、かつモデルが誤指定される可能性がある状況下で、Lasso補正推定量がOLS補正推定量を上回る効率性を示すことが明らかになった。
• 実臨床試験（Nefazodone CBASP）データの分析結果は理論的予測を裏付け、Lasso補正が未補正またはOLS補正法よりもより正確でロバストな処置効果推定を実現していることを確認した。