[論文レビュー] Asymptotic Efficiency Bounds for a Class of Experimental Designs

Timothy B. Armstrong|arXiv (Cornell University)|May 5, 2022

Advanced Causal Inference Techniques被引用数 5

ひとこと要約

本稿は、共変量および過去の結果に基づいて処置を割り当てる実験設計の漸近的効率性の上限を確立し、最適化されたHahn（1998）の上限が、層別化や適応的設計でさえも、平均処置効果を推定するための最小の分散であることを示している。主な結果は、処置割り当てが共変量および逐次的結果データに依存する場合、この上限を超える一階の効率性の向上は不可能であるということである。

ABSTRACT

We consider an experimental design setting in which units are assigned to treatment after being sampled sequentially from an infinite population. We derive asymptotic efficiency bounds that apply to data from any experiment that assigns treatment as a (possibly randomized) function of covariates and past outcome data, including stratification on covariates and adaptive designs. For estimating the average treatment effect of a binary treatment, our results show that no further first order asymptotic efficiency improvement is possible relative to an estimator that achieves the Hahn (1998) bound in an experimental design where the propensity score is chosen to minimize this bound. Our results also apply to settings with multiple treatments with possible constraints on treatment, as well as covariate based sampling of a single outcome.

研究の動機と目的

• 処置割り当てが共変量および過去の結果データに依存する実験設計の漸近的効率性の上限を導出すること。
• 層別化や適応的設計が、平均処置効果推定のためのHahn（1998）の効率性上限を上回ること可能かどうかを特定すること。
• 共変量に基づくサンプリングまたは逐次的割り当てによって依存性を生じる一般の実験設計に、半パラメトリック効率性枠組みを拡張すること。
• 処置割り当ての制限や複数の処置が存在する制約下で、Hahn（1998）の上限の最適性を形式化すること。
• 局所的漸近正規性および尤度展開技術を用いて、逐次的および共変量に適応する実験における最適設計の理論的基盤を提供すること。

提案手法

• 逐次的処置割り当てを伴う一般の実験設計において、Le Cam風の局所的漸近正規性（LAN）展開を尤度比に適用する。
• AbadieとImbens（2012）と類似したマルティングール表現技術を用いて、依存性を引き起こす設計下での推定量の漸近的挙動を分析する。
• 最小不利な部分モデルを用いて効率性の上限を導出し、半パラメトリック効率性上限を、条件付き分散および傾向スコアを含む情報項の和として表現する。
• ラグランジュ乗数を用いて処置割り当て確率の最適化問題を解き、処置割り当て制限の下で効率性上限を最小化する。
• 最適設計下での局所的漸近正規性（LAN）を確立し、情報上限が鋭いことを示す。
• 局所的漸近最小最大定理を適用して、最適設計下では、いかなる推定量もこの上限を上回る漸近的性能を達成できないことを示す。

実験結果

リサーチクエスチョン

• RQ1 共変量および過去の結果を用いる実験設計は、Hahn（1998）の上限を上回る漸近的効率性を達成可能か？
• RQ2 処置割り当てが共変量および逐次的結果データ（例：層別化や適応的設計）に依存する場合でも、Hahn（1998）の効率性上限は依然として有効か？
• RQ3 共変量に基づくサンプリングおよび制約下で、平均処置効果推定量の漸近的分散を最小化する最適な処置割り当てルールは何か？
• RQ4 処置割り当ての制限（例：総処置数の制限）は、逐次的実験設計における推定量の漸近的効率性にどのように影響するか？
• RQ5 複数の処置および非一様処置効果が存在する状況でも、効率性上限は達成可能か？

主な発見

• Hahn（1998）の効率性上限は、処置割り当てが共変量および過去の結果に依存する場合でさえも、平均処置効果推定のための最小の漸近的分散の上限のままである。
• 処置割り当てが共変量および逐次的結果データに依存する場合、設計の複雑さに関わらず、この最適化されたHahn（1998）の上限を超える一階の漸近的効率性の向上は不可能である。
• 上限を最小化する最適な傾向スコア $ e^*(x) $ は、$ \frac{\sigma^2(x,0)}{(1-e^*(x))^2} = \frac{\sigma^2(x,1)}{e^*(x)^2} $ を満たし、これはNeyman配分に対応する。
• 処置割り当ての制限がある場合、最適設計はラグランジュ乗数を用いた最適化問題を解き、$ \frac{\tilde{\sigma}^2(x,w)}{p^*(x,w)^2} = \lambda(x) + \mu' r(x,w) $ を満たし、補完性の緩和条件を含む。
• 最適設計下での半パラメトリック効率性上限は $ v_{p^*(\cdot)} = I_X + E_{\theta^*} \lambda(X_i) + \mu' c $ であり、これは鋭く、改善不能である。
• 期待値の制約を満たす任意の実行可能処置ルールに対して、局所的漸近正規性定理により、情報上限 $ v_{p^*(\cdot)} $ は推定量および検定の達成可能な最小分散であることが確認される。