[論文レビュー] Covariate adjustment in randomization-based causal inference for 2K factorial designs

Jiannan Lu|arXiv (Cornell University)|Jun 17, 2016

Advanced Causal Inference Techniques参考文献 14被引用数 6

ひとこと要約

本稿は、2^K要因設計におけるランダム化に基づく因果推論のための有限母集団漸近理論を、共変量補正に関して展開する。共変量補正推定量が漸近的に不偏であり、かつ未補正推定量よりも精度が高く、その精度向上を定量化する閉形式の漸近分散式が得られていることを確立する。

ABSTRACT

We develop finite-population asymptotic theory for covariate adjustment in randomization-based causal inference for 2K factorial designs. In particular, we confirm that both the unadjusted and covariate-adjusted estimators of the factorial effects are asymptotically normal, and the latter is more precise than the former.

研究の動機と目的

• 2^K要因設計における共変量補正のための厳密な有限母集団漸近枠組みを確立すること。
• ランダム化に基づく推論において、共変量補正が因子効果推定量の精度を向上させるかどうか、またどのように向上させるかを調査すること。
• 未補正および共変量補正済み推定量の漸近分散の閉形式表現を導出すること。
• 共変量補正による精度向上を定量化し、その向上が最大・最小となる条件を同定すること。
• Lin (2013) の治療対照群研究に関する結果を、多要因要因設計へと拡張すること。

提案手法

• 有限母集団における安定単位処置値仮定（SUTVA）の下での潜在的アウトカム枠組みを用いる。
• J×Jのモデル行列 H から導かれる直交対比ベクトルを用いて因子効果を定義する。ここで J=2^K である。
• 事前共変量を活用して標本分散を低減する共変量補正推定量を提案する。
• 有限母集団漸近理論を適用し、実験単位数 N が増大するが、処置組み合わせ数 J は固定されるという仮定をとる。
• 観測済みおよび潜在的アウトカム平均の多変量中心極限定理を用いて漸近分布を導出する。
• 潜在的アウトカムの分散・共分散構造を用いて、行列代数を用いて未補正および共変量補正済み推定量の漸近分散の閉形式表現を導出する。

実験結果

リサーチクエスチョン

• RQ1 2^K要因設計において、共変量補正は推定量の精度向上に寄与するか？
• RQ2 共変量補正推定量の漸近分散は、未補正推定量のそれと比べてどのように異なるか？
• RQ3 共変量補正による漸近的精度向上の閉形式表現は何か？
• RQ4 共変量補正による精度向上が最大または最小となる条件は何か？
• RQ5 2^K要因設計における共変量補正推定量の有限標本バイアスは何か？

主な発見

• 有限母集団漸近枠組みのもとで、未補正および共変量補正済み推定量の両方が漸近的に不偏であり、正規分布に従う。
• 共変量補正推定量は、未補正推定量よりも漸近的に高い精度を示し、その精度向上は漸近分散の差によって定量化される。
• 漸近分散の差は次式で与えられる閉形式表現を持つ: Var(τ_rb(l)) - Var(τ_ca(l)) = (1/(2^{2K-1}N)) × Σ_j Σ_j' ξ_jj'ᵀΩξ_jj' ここで ξ_jj' は処置効果、割合、および共変量残差の関数である。
• 精度向上は非負であり、共変量補正が漸近的精度を低下させることはない。また、精度向上がゼロとなるのは、すべての j,j' = 1,…,J に対して p_j' h_jl ζ_j = p_j h_j'l ζ_j' が成り立つ場合に限る。
• 未補正推定量の漸近分散は σ²_rb(l) = (1/2^{2K-1}) × Σ_j (1-p_j)/p_j × (σ_jj - σ̃_jj) であり、共変量補正済み分散は σ²_ca(l) = (1/2^{2K-1}) × Σ_j (1-p_j)/p_j × (σ_jj - σ̃_jj) - Σ_{j≠j'} h_jl h_j'l (σ_jj' - σ̃_jj') である。
• 本研究の結果は、Lin (2013) の治療対照群研究に関する発見を多要因要因設計へと一般化し、複雑な実験設計における共変量補正の理論的基盤を確立する。