[論文レビュー] Decomposing Treatment Effect Variation

Peng Ding, Avi Feller+1 more|arXiv (Cornell University)|May 21, 2016

Advanced Causal Inference Techniques参考文献 31被引用数 5

ひとこと要約

本稿は、無作為化実験における処置効果の変動を、共変数によって説明可能な系統的（systematic）および説明不能な個別的（idiosyncratic）成分に分解する、ランダム化に基づくフレームワークを提案する。非順守（noncompliance）の状況への拡張も含む。線形回帰と交互作用項を含むものおよび二段階最小二乗法（2SLS）に相当する推定器、系統的変動に対する包括的検定、および説明された変動のR²に類似した指標を導入し、シミュレーションによる検証とHead Start影響研究への応用が行われた。

ABSTRACT

Understanding and characterizing treatment effect variation in randomized experiments has become essential for going beyond the "black box" of the average treatment effect. Nonetheless, traditional statistical approaches often ignore or assume away such variation. In the context of randomized experiments, this paper proposes a framework for decomposing overall treatment effect variation into a systematic component explained by observed covariates and a remaining idiosyncratic component. Our framework is fully randomization-based, with estimates of treatment effect variation that are entirely justified by the randomization itself. Our framework can also account for noncompliance, which is an important practical complication. We make several contributions. First, we show that randomization-based estimates of systematic variation are very similar in form to estimates from fully-interacted linear regression and two stage least squares. Second, we use these estimators to develop an omnibus test for systematic treatment effect variation, both with and without noncompliance. Third, we propose an $R^2$-like measure of treatment effect variation explained by covariates and, when applicable, noncompliance. Finally, we assess these methods via simulation studies and apply them to the Head Start Impact Study, a large-scale randomized experiment.

研究の動機と目的

• 無作為化実験における処置効果変動を、平均処置効果を超えて完全にランダム化に基づいて分解するためのアプローチを開発すること。
• 従来の手法が処置効果の異質性を無視または単純化するという限界を是正すること。
• 特にローカル平均処置効果（LATE）推定を念頭に、非順守が生じる状況へのフレームワークの拡張。
• ランダム化のもとで、非順守の有無に関わらず、系統的処置効果変動に対する妥当な包括的検定を提供すること。
• 共変数および非順守によって説明可能な処置効果変動の割合を測定するR²に類似した指標を導入すること。

提案手法

• 完全に交互作用項を含む線形回帰および二段階最小二乗法（2SLS）に類似した形をとる、系統的処置効果変動のランダム化に基づく推定器を提案する。
• きつい帰無仮説下での潜在的アウトカムを用いて、ランダム化機構にのみ依拠する推定器を導出する。
• ランダム化インファレンスを用いて、意図した治療効果（intention-to-treat）およびLATEフレームワークの両方に適用可能な、系統的変動に関する包括的検定を開発する。
• 0から1の間で範囲が定まる、説明された処置効果変動のR²に類似した指標を導入し、非順守の状況にも拡張する。
• シミュレーション研究を用いて有限標本における性能を検証し、Head Start影響研究にフレームワークを適用する。
• 潜在的アウトカム間の相関が非負であるという仮定の下で、R²指標の上限を導出する。

実験結果

リサーチクエスチョン

• RQ1 無作為化実験における処置効果変動を、ランダム化に基づく推論のみを用いて、系統的および個別的成分に正式に分解することは可能か？
• RQ2 観察された共変数が処置効果の変動をどの程度説明できるか、そしてその説明力は妥当なR²に類似した指標でどのように定量できるか？
• RQ3 このフレームワークは、特にLATE推定の文脈において、非順守の状況に対応するためにどのように拡張できるか？
• RQ4 大規模な無作為化実験、例えばHead Start影響研究において、系統的処置効果変動の実証的証拠は何か？
• RQ5 非順守は全体の処置効果変動にどの程度寄与しているか、そしてその影響はどのように分離・測定できるか？

主な発見

• 系統的処置効果変動のランダム化に基づく推定器は、交互作用項を含む二段階最小二乗法（2SLS）推定器とほぼ同一の形をとるため、ランダム化に基づく推論とモデルに基づく推論の橋渡しを可能にする。
• Head Start影響研究において、系統的変動に関する包括的検定のp値は、ランダム化に基づく推定で0.02、2SLSで0.01であった。これは、順守者（Compliers）の間で強い系統的変動の証拠を示している。
• Head Start研究における順守者における説明された変動のR²指標は、0.05から0.68の範囲にあり、共変数のみでは捉えきれない大きな異質性が存在することを示している。
• 非順守に起因する処置効果変動（R²_U）は比較的小さく、0.01から0.16の範囲にとどまり、全体の変動にほとんど寄与していないことが示された。
• 全体の分解結果から、R²_τ,UX（共変数および非順守によって説明された部分）は、R²_τ,c（共変数によって説明された部分）に非常に近い値を示しており、残りの大部分の未説明変動は個別的要因によるものであることが示された。
• 実証的結果は、共変数や非順守によって説明できない処置効果変動の大部分が残存することを確認しており、Dingら（2016）の先行研究と整合的である。