[論文レビュー] Bounding Approaches for Generalization

Wendy Chan|arXiv (Cornell University)|Nov 2, 2017

Advanced Causal Inference Techniques被引用数 2

ひとこと要約

本稿では、無作為抽出を伴わないラウンド化実験における一般化を改善するための境界アプローチを提案する。単調なサンプル選択を活用することで、母数パラメータを部分的に同定し、妥当な値の範囲を導出する。この手法は、適合度スコアの層別化を用いて境界を絞り込み、シミュレーションおよび教育技術に関するクラスターランダム化試験への応用において、精度の向上を示している。

ABSTRACT

Statisticians have recently developed propensity score methods to improve generalizations from randomized experiments that do not employ random sampling. However, these methods require strong and often controversial assumptions, which affect the validity and credibility of inferences. This article considers an alternative assumption, monotone sample selection, that partially identifies the population parameter, yielding a range of plausible values in place of a point estimate. We illustrate how this assumption bounds the parameter of interest and investigate the extent to which the bounds are informative. We also explore how the bounds can be tightened using stratification with propensity scores. We conduct a simulation study to examine the types of covariates that yield the largest precision gain. We apply the bounding approach to a completed cluster randomized trial on an educational technology aid.

研究の動機と目的

• 無作為化実験から一般化する際に強い仮定に依存する適合度スコア法の限界を是正すること。
• 点推定ではなく母数パラメータの境界を導く単調なサンプル選択に基づく代替的同定戦略を開発すること。
• これらの境界がどの程度有用であるか、および適合度スコアを用いた層別化によって境界をどの程度絞れるかを調査すること。
• 異なる共変量が境界の精度に与える影響をシミュレーションにより評価すること。
• 教育技術に関する実世界のクラスターランダム化試験に境界法を適用すること。

提案手法

• 単調なサンプル選択仮定を課し、これは、未観測の異質性が高くなるほどサンプルに含まれる確率が上昇すると仮定するもので、母数パラメータの部分的同定を可能にする。
• 単調性制約を活用して母平均処置効果の境界を導出し、単一の点推定ではなく、妥当な値の範囲を得る。
• 適合度スコアを用いてサンプルを層別化し、層内での変動を低減することで、関心パラメータの境界をより絞り込む。
• 異なる共変量が境界の幅に与える影響および層別化による精度向上の程度を評価するため、シミュレーションスタディを実施する。
• 教育技術支援の効果を評価する完了済みのクラスターランダム化試験に境界フレームワークを適用し、実用的妥当性を示す。

実験結果

リサーチクエスチョン

• RQ1 強いパラメトリック仮定を必要としない状況下で、単調なサンプル選択仮定に基づく境界は、母数パラメータに対してどの程度有用であるか？
• RQ2 適合度スコアの層別化は、境界の幅をどの程度縮小し、精度をどの程度向上させ得るか？
• RQ3 どの種の共変量が境界推定における精度向上に最も寄与するか？
• RQ4 実世界のクラスターランダム化試験の文脈において、境界アプローチはどの程度の性能を示すか？

主な発見

• 強い仮定に依存する点推定の代替として、単調なサンプル選択仮定から得られる境界は、母数パラメータに対して信頼性のある情報を提供する。
• 適合度スコアの層別化は境界を顕著に絞り込み、境界の幅を縮小し、境界推定の精度を向上させる。
• サンプルへの選択確率を強く予測する共変量が、境界推定における精度向上に最も寄与する。
• シミュレーションスタディにより、共変量の選択が境界の情報性に顕著に影響することが確認され、高い予測力を持つ変数が最も有効であることが示された。
• 教育技術試験への応用において、境界アプローチは処置効果の妥当な範囲を導出し、実世界の文脈における実用的有用性を示した。