[論文レビュー] Estimation Methods for Cluster Randomized Trials with Noncompliance: A Study of A Biometric Smartcard Payment System in India

Hyunseung Kang, Luke Keele|arXiv (Cornell University)|May 9, 2018

Advanced Causal Inference Techniques参考文献 46被引用数 7

ひとこと要約

本稿は、クラスターランダム化試験における非順応を扱う、新しいインストルメンタル変数（IV）推定法を提案する。既存の手法では、クラスタ間で一定の処置効果を仮定し、漸近的近似に依存しているため、その限界を克服する。本手法は、クラスタサイズと相関する処置効果の非定数性と低非順応率の下でも、補正済み平均因果効果（CACE）の一貫した推定を可能とし、閉形式の解と正確な有限標本推論を実現する。シミュレーションとインドのバイオメトリックスマートカード決済試験への応用によって検証された。

ABSTRACT

Many policy evaluations occur in settings where treatment is randomized at the cluster level, and there is treatment noncompliance within each cluster. For example, villages might be assigned to treatment and control, but residents in each village may choose to comply or not with their assigned treatment status. When noncompliance is present, the instrumental variables framework can be used to identify and estimate causal effects. While a large literature exists on instrumental variables estimation methods, relatively little work has been focused on settings with clustered treatments. Here, we review extant methods for instrumental variable estimation in clustered designs and derive both the finite and asymptotic properties of these estimators. We prove that the properties of current estimators depend on unrealistic assumptions. We then develop a new IV estimation method for cluster randomized trials and study its formal properties. We prove that our IV estimator allows for possible treatment effect heterogeneity that is correlated with cluster size and is robust to low compliance rates within clusters. We evaluate these methods using simulations and apply them to data from a randomized intervention in India.

研究の動機と目的

• クラスターランダム化試験における非順応を伴うインストルメンタル変数推定法に、信頼性の高い推定手法が不足しているという問題に取り組む。
• 既存のクラスターレベルおよび個別レベルのIV推定量が、バイアスを生じる潜在的仮定を同定・是正する。
• クラスタサイズと相関する処置効果の非定数性を許容し、低非順応率下でも有効性を保つ新しいIV推定法を開発する。
• 漸近的近似に依存せず、閉形式の有限標本推論手法を提供する。
• シミュレーションとインドのバイオメトリックスマートカード決済システム試験の実世界データを用いて、手法を検証する。

提案手法

• クラスタ間での非順応とアウトカムの非定数性をモデル化し、クラスタサイズの変動を明示的に扱う新しいIV推定量を提案する。
• 推定量の有限標本特性を導出し、弱いインストルメンタル変数および非定数の非順応効果下でも一貫性を示すことを示す。
• 弱いインストルメンタル変数に対応する修正された推論手順を導入し、大標本近似に依存せず、正確な信頼区間を提供する。
• 一般化効果比アプローチを用いてCACEを推定し、クラスタレベルでの処置効果の変動を許容する。
• 二段階最小二乗法（TSLS）とクラスターレベル平均推定量を比較のためのベンチマークとして用いる。
• 非順応率とクラスタサイズ効果の変動下での性能を評価するため、シミュレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 処置効果がクラスタサイズに応じて変動する場合、既存のクラスターランダム化試験におけるIV推定法は、補正済み平均因果効果（CACE）の推定においてバイアスのない推定値を提供するか？
• RQ2 低非順応率と非均一なクラスタサイズ下で、現在の推定量はどのように性能を示すか？
• RQ3 低非順応率と非均一なクラスタサイズ下でも一貫性を保ち、正確な有限標本推論を提供する新しいIV推定量を開発可能か？
• RQ4 インドのスマートカード試験の実証的結果は、解析的およびシミュレーション結果で予測されたバイアスをどの程度反映しているか？
• RQ5 本手法の信頼区間は、既存のアプローチと比較して、カバレッジと幅の点でどのように異なるか？

主な発見

• 一般化効果比推定量は、クラスターレベル平均とTSLSと比較して、推定値の絶対値が著しく小さく、信頼区間ははるかに広がっており、既存手法による過大評価の可能性を示唆している。
• インドのスマートカード試験の実証的分析において、既存手法（クラスターレベル平均とTSLS）は類似した結果を示したが、両者とも本手法に比べてCACEを過大評価しており、シミュレーションの結果と整合的であった。
• 本手法はより正確な有限標本推論を提供し、信頼区間が著しく長く、漸近的近似に比べて良好に校正されていた。
• 散布図解析から、クラスタサイズとアウトカムの偏差との間にやや正の相関関係が認められ、処置効果がクラスタサイズに応じて変動する可能性を示唆し、既存手法の仮定を無効にした。
• 本研究では、既存手法が現実の状況でバイアスを生じる不切実な仮定（クラスタ間で一定の処置効果、高い非順応率）に依存していることが判明した。
• 提案手法は、低非順応率と非均一なクラスタ効果下でも、関心の因果推定量を的確に回復でき、ロバスト性と一貫性を示した。