[論文レビュー] A Unified Theory of Regression Adjustment for Design-based Inference

Joel A. Middleton|arXiv (Cornell University)|Mar 15, 2018

Advanced Causal Inference Techniques被引用数 12

ひとこと要約

本稿は、任意の実験設計における回帰補正のための統一的枠組みを構築し、ホルヴィッツ＝トムプソン加重と再帰的一般化回帰に基づく2つの漸近的に最適な推定量を提案する。これらは標準的OLSよりも精度を向上させる。よりきめの細かい分散の上限を導出し、シミュレーションを通じて、クラスターランダム化設計において平均二乗誤差を最大60％まで低減できることを示している。

ABSTRACT

Under the Neyman causal model, it is well-known that OLS with treatment-by-covariate interactions cannot harm asymptotic precision of estimated treatment effects in completely randomized experiments. But do such guarantees extend to experiments with more complex designs? This paper proposes a general framework for addressing this question and defines a class of generalized regression estimators that are applicable to experiments of any design. The class subsumes common estimators (e.g., OLS). Within that class, two novel estimators are proposed that are applicable to arbitrary designs and asymptotically optimal. The first is composed of three Horvitz-Thompson estimators. The second recursively applies the principle of generalized regression estimation to obtain regression-adjusted regression adjustment. Additionally, variance bounds are derived that are tighter than those existing in the literature for arbitrary designs. Finally, a simulation study illustrates the potential for MSE improvements.

研究の動機と目的

• 完全ランダム化を越える複雑な実験設計における回帰補正の一般的な理論的保証の欠如に対処すること。
• ネイマン＝ルービンの因果モデルの下で、クラスターデザイン、ブロックデザイン、ネットワークベースのデザインを含む、任意の設計に適用可能な一般枠組みを構築すること。
• 普遍的に適用可能で推定精度を向上させる2つの漸近的に最適な回帰推定量を提案すること。
• 任意の設計に対して、既存の文献よりも正確な設計に基づく推論のためのよりきめの細かい分散の上限を導出すること。
• シミュレーションを通じて、提案された推定量を用いることで、平均二乗誤差（MSE）が顕著に低減する可能性を示すこと。

提案手法

• OLSを包含するが任意の設計に適用可能な一般化回帰推定量のクラスを提案し、簡潔な導出を可能にする統一的表記を用いる。
• 2つの新規推定量を導入：1つは3つのホルヴィッツ＝トムプソン推定量を組み合わせたもの、もう1つは再帰的一般化回帰推定を用いたもの。
• ホルヴィッツ＝トムプソンの原理（逆確率加重）と一般化回帰の原理を再帰的に適用することで、漸近的最適性を達成する。
• 再パrameter化された設計に基づく枠組みを用いて分散の上限を導出し、既存の文献における上限を改善する。
• 5,000回のランダム化を含むクラスターランダム化実験のシミュレーションスタディを実施し、さまざまな共変量仕様における推定量の性能を比較する。
• クラスターレベルのランダム効果と不均一分散誤差を備えた有限母集団のデータ生成過程を用い、現実的な実験状況を反映する。

実験結果

リサーチクエスチョン

• RQ1 完全ランダム化を超える複雑な設計における、処置×共変量相互作用を含む回帰補正は、漸近的精度を維持または向上させることができるか？
• RQ2 任意の設計において漸近的に最適な回帰推定量の一般形は何か？
• RQ3 任意の設計における回帰補正推定量の分散の上限をどのようにしてきめの細かくできるか？
• RQ4 提案された推定量は、複雑な設計下で標準的OLSよりも平均二乗誤差（MSE）の観点で優れているか？
• RQ5 モデルの不適合や過適合は、クラスターランダム化実験における回帰補正推定量の性能にどのような影響を与えるか？

主な発見

• シミュレーションにおいて、最初の2つの共変量仕様（x および x, xc）では、提案された2R!推定量（再帰的回帰補正）がWLS/OLSに対して約60％のMSE低減を達成した。
• 3番目の仕様（x, xc, nc）では、2R!推定量がベンチマークのWLS/OLS推定量と比べてMSEが約13％低かった。
• 最終の仕様（x, xc, nc, n²c）では、2R!推定量とWLS/OLSの両方が類似したMSEを示したが、ともに3番目の仕様と比較してMSEが増加しており、モデルの過適合が示唆された。
• 3HT!推定量は全体的に性能が低く、MSEが著しく高かったが、これは特に初期の仕様で顕著なバイアスに起因した。
• クラスターターゲットを用いたOLSは初期の仕様で良好な性能を示し、WLS/OLSに対して約60％のMSE低減を達成した。
• 本稿で導出した理論的分散の上限は、特にクラスターランダム化下で、既存の文献におけるものよりもきめの細かく、より正確である。