[論文レビュー] Efficient Semiparametric Estimation of Average Treatment Effects Under Covariate Adaptive Randomization

Ahnaf Rafi|arXiv (Cornell University)|May 15, 2023

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本稿は、ベースライン共変量によって定義される層内ですべての治療割り当てがバランスされる共変量適応的ランダム化（CAR）における平均処置効果（ATE）を推定するための半パラメトリック効率限界を確立する。弱い正則性条件のもとで、クロスフィットド・ナダラヤ＝ワトソンカーネル推定量がこの限界に達することを示し、治療割り当てメカニズムが結果に依存性をもたらす場合でも、有効な推論が可能になることを示している。

ABSTRACT

Experiments that use covariate adaptive randomization (CAR) are commonplace in applied economics and other fields. In such experiments, the experimenter first stratifies the sample according to observed baseline covariates and then assigns treatment randomly within these strata so as to achieve balance according to pre-specified stratum-specific target assignment proportions. In this paper, we compute the semiparametric efficiency bound for estimating the average treatment effect (ATE) in such experiments with binary treatments allowing for the class of CAR procedures considered in Bugni, Canay, and Shaikh (2018, 2019). This is a broad class of procedures and is motivated by those used in practice. The stratum-specific target proportions play the role of the propensity score conditional on all baseline covariates (and not just the strata) in these experiments. Thus, the efficiency bound is a special case of the bound in Hahn (1998), but conditional on all baseline covariates. Additionally, this efficiency bound is shown to be achievable under the same conditions as those used to derive the bound by using a cross-fitted Nadaraya-Watson kernel estimator to form nonparametric regression adjustments.

研究の動機と目的

• 広範な共変量適応的ランダム化（CAR）手順のクラスにおいて、ATE推定のための明確に定義された半パラメトリック効率限界（SPEB）が存在するかどうかを同定すること。
• 弱い正則性条件のもとで、実用的な半パラメトリック推定量がこの効率限界に漸近的に達するかどうかを調査すること。
• CARメカニズムが原因で生じる依存性にもかかわらず、効率性が達成可能な条件を特定すること。
• 標本割合が層ごとに異なる場合や治療割り当てメカニズムが分散に影響を及ぼすCARデザインに、既存の効率理論を拡張すること。

提案手法

• すべてのベースライン共変量を条件として、[26]における限界を一般化することで、CAR下でのATEの半パラメトリック効率限界を導出する。
• 実務で用いられるものも含む、層ごとの標本割合が事前に指定された広範なCAR手順のクラスを検討する。
• 非パラメトリック回帰補正を達成するためのクロスフィットド・ナダラヤ＝ワトソンカーネル推定量を提案する。
• 弱い正則性条件のもとで、推定量の漸近正規性と√n一致性を保証するためにクロスフィッティングを用いる。
• 導出した限界に到達可能であることを示し、弱い正則性条件が同じ条件下で有効であるため、実用的妥当性が保証される。
• 治療割り当てメカニズムが分散に与える影響を分析し、一部の推定量がメカニズム選択に感受的である一方で、提案手法はメカニズム選択にかかわらず効率性を達成することを示す。

実験結果

リサーチクエスチョン

• RQ1 層ごとの標本割合が異なる共変量適応的ランダム化において、ATE推定のための明確に定義された半パラメトリック効率限界が存在するか？
• RQ2 弱い正則性条件のもとで、実用的な推定量がこの効率限界に達することができるか？
• RQ3 治療割り当てメカニズムの選択が、CARデザインにおけるATE推定量の漸近的分散にどのように影響するか？
• RQ4 CAR実験において、層固定効果モデルを上回る非パラメトリック回帰補正が、どの程度推定精度を向上させるか？
• RQ5 標本割合が層ごとに異なる場合や治療割り当てメカニズムが結果に依存性をもたらす場合でも、提案された推定量は効率性を保つのか？

主な発見

• CAR下でのATE推定の半パラメトリック効率限界は、[26]における限界の特殊ケースではあるが、すべてのベースライン共変量を条件としている。
• 限界は、限界を導出するのと同じ弱い正則性条件のもとで、クロスフィットド・ナダラヤ＝ワトソンカーネル推定量を用いることで達成可能である。
• 提案された推定量は√n一致性と漸近正規性を達成し、有効な推論が可能になる。
• 標準的推定量とは異なり、提案手法は治療割り当てメカニズムの選択にかかわらずロバストである。特に、他の推定量がメカニズム選択に感受的である場合でも同様である。
• カーネル推定による非パラメトリック補正による効率性の向上が明確に確立され、層固定効果モデルを上回る精度向上が達成される。
• 複雑なCARメカニズム下でも、適切な非パラメトリック補正とクロスフィッティングを用いることで、効率的ATE推定が可能であることが示された。