[論文レビュー] Covariate Adjustment in Stratified Experiments

Max Cytrynbaum|arXiv (Cornell University)|Feb 7, 2023

Statistical Methods in Clinical Trials被引用数 4

ひとこと要約

本稿は、標準的な介入-共変量相互作用を伴う回帰補正が、マッチドペアや粗い層別化を含む層別実験において、一般に非効率であることを特定している。これは、分散の最小化が整合していないことに起因する。本稿は、平均条件付き分散を最小化する漸近的に最適な線形共変量補正を導出し、実用的な推定量（例：ペア固定効果、グループOLS）を構築し、正しい被覆率を有する漸近的に正確な推論を提供する。従来の手法に比べて精度が著しく向上する。

ABSTRACT

This paper studies covariate adjusted estimation of the average treatment effect in stratified experiments. We work in a general framework that includes matched tuples designs, coarse stratification, and complete randomization as special cases. Regression adjustment with treatment-covariate interactions is known to weakly improve efficiency for completely randomized designs. By contrast, we show that for stratified designs such regression estimators are generically inefficient, potentially even increasing estimator variance relative to the unadjusted benchmark. Motivated by this result, we derive the asymptotically optimal linear covariate adjustment for a given stratification. We construct several feasible estimators that implement this efficient adjustment in large samples. In the special case of matched pairs, for example, the regression including treatment, covariates, and pair fixed effects is asymptotically optimal. We also provide novel asymptotically exact inference methods that allow researchers to report smaller confidence intervals, fully reflecting the efficiency gains from both stratification and adjustment. Simulations and an empirical application demonstrate the value of our proposed methods.

研究の動機と目的

• 層別実験における介入-共変量相互作用を伴う標準的回帰補正の非効率性を解決すること。これは、無調整推定量よりも分散を増加させる可能性がある。
• 層別共変量に条件付けた平均条件付き分散を最小化する漸近的に最適な線形共変量補正を導出すること。
• 大標本においてこの最適効率を達成する、実用的な推定量（例：ペア固定効果、グループOLS）を構築すること。
• 標準的な異分散性に強い分散推定量が層別化下で過剰被覆を引き起こすのを是正する、新しい漸近的に正確な推論手法を提供すること。
• 非遵守状況および処置割合が一定でない細かめの層別設計への結果の拡張。

提案手法

• 層別共変量に条件付けた平均条件付き分散の最小化によって最適な線形補正係数を導出する。これは、Lin型回帰で用いられる周辺分散の最小化とは対照的である。
• 最適補正が、i.i.d.設計における二重ロバストな半パラメトリック補正と漸近的に同等であることを示す。層別化が非パラメトリック成分を提供する。
• 実用的推定量の提案：(1) 層別変数の変換を交互作用回帰に追加する；(2) マッチドペアにおける非交互作用回帰に完全なペア固定効果を適用する；(3) 層内でのLin推定量および少数派の支配を避ける推定量の部分的除去。
• ImbensとRubin（2015）の提案を一般の層別設計に拡張した「グループOLS」推定量を提唱し、これが漸近的に最適であることを証明する。
• 被覆確率が名目水準に収束する新しい分散推定量を用いて、漸近的に正確な推論を構築する。これにより、標準的な異分散性に強い手法による過剰被覆を回避できる。
• 条件付きマルコフおよびモーメントバウンド技術を適用し、弱い正則性条件のもとで推定量の漸近正規性と収束を確立する。

実験結果

リサーチクエスチョン

• RQ1 なぜ標準的回帰補正（介入-共変量相互作用付き）は、完全に無作為化された実験では成功するが、層別実験では非効率となり、分散を増加させるのか？
• RQ2 与えられた層別設計における漸近的に最適な線形共変量補正は何か？ そして、既存の回帰手法とはどのように異なるのか？
• RQ3 特にマッチドペアや粗い層別化において、弱い仮定のもとでこの最適効率を達成する実用的推定量を構築可能か？
• RQ4 共変量補正を伴う層別実験において、標準的なロバスト分散推定量による過剰被覆を回避するため、どのように漸近的に正確な推論を実現できるか？
• RQ5 細かめの層別設計における非遵守や処置割合の非定常性の下で、最適補正が推定と推論に与える影響は何か？

主な発見

• Lin型の交互作用付き回帰推定量は、層別設計において一般に非効率であり、無調整推定量よりも分散が大きくなる可能性がある。これは、周辺分散の最小化を目的としており、層別化に依存しないためである。
• 最適補正は、層別共変量による変動の予測可能性を考慮する平均条件付き分散の最小化を目的としており、これにより漸近的効率性が達成される。
• マッチドペアでは、完全なペア固定効果を備えた非交互作用回帰が、分散の観点から漸近的に最適である。交互作用付き回帰を上回る性能を示す。
• 提案されたグループOLS推定量は、広範な層別設計クラスにおいて漸近的に最適であり、マッチドペアからの結果を一般化する。
• 標準的な異分散性に強い分散推定量は、層別実験では保守的信頼区間を生じるが、本稿で提示された推論手法は過剰被覆なしに正確な被覆率を達成する。
• シミュレーションおよびBaysan（2022）への実応用から、従来のロバスト区間は顕著に過剰被覆を示す一方、新手法は精度向上とともに名目水準に近い被覆率を達成する。