[論文レビュー] Fast Rerandomization for Balancing Covariates in Randomized Experiments: A Metropolis-Hastings Framework

Jiuyao Lu, Tianruo Zhang+1 more|arXiv (Cornell University)|Feb 7, 2026

Advanced Causal Inference Techniques被引用数 0

ひとこと要約

PSRSRRを導入。重要度リサンプリング補正を伴うMetropolis-Hastingsベースの再乱数化法で、許容割り当てに対する均一サンプリングを実現し、巨大な速度向上を達成。

ABSTRACT

Balancing covariates is critical for credible and efficient randomized experiments. Rerandomization addresses this by repeatedly generating treatment assignments until covariate balance meets a prespecified threshold. By shrinking this threshold, it can achieve arbitrarily strong balance, with established results guaranteeing optimal estimation and valid inference in both finite-sample and asymptotic settings across diverse complex experimental settings. Despite its rigorous theoretical foundations, practical use is limited by the extreme inefficiency of rejection sampling, which becomes prohibitively slow under small thresholds and often forces practitioners to adopt suboptimal settings, leading to degraded performance. Existing work focusing on acceleration typically fail to maintain the uniformity over the acceptable assignment space, thus losing the theoretical grounds of classical rerandomization. Building upon a Metropolis-Hastings framework, we address this challenge by introducing an additional sampling-importance resampling step, which restores uniformity and preserves statistical guarantees. Our proposed algorithm, PSRSRR, achieves speedups ranging from 10 to 10,000 times while maintaining exact and asymptotic validity, as demonstrated by simulations and two real-data applications.

研究の動機と目的

• ランダム化実験における信頼できる因果推論のために共変量バランスを不可欠と位置づける動機付け。
• 厳密なバランス閾値の下での古典的再乱数化の計算的困難性に対処。
• 割り当て空間を探索するMetropolis-Hastingsベースの機構を開発。
• 受け入れ時のサンプリング重要度リサンプリングステップを組み込み、許容される割り当て集合上の均一性を回復。
• 停止規則と理論保証を備えた実用的アルゴリズム（PSRSRR）を提供。

提案手法

• 治療割り当て上の対のスイッチングマルコフ連鎖をMahalanobis距離 M(W)で定式化。
• 連鎖から定常分布 pi(W) ∝ M(W)^{-1/T} を導出（温度 T）。
• 受け入れ不可能領域 W_a（M(W) ≤ a）での均一性を回復するための拒否サンプリングを適用。
• Algorithm 2（定理3.2）に従い W_a 内の結果の均一性を証明。
• PSRSRRを開発し、連鎖の進化とその場での受け入れを結びつけてサンプリングを高速化。
• 実用的な停止規則とアサインメントの漸近的均一性を保証する潜在的バーンインフレームワークを提供。

実験結果

リサーチクエスチョン

• RQ1 Metropolis-Hastingsベースのアプローチで共変量バランスのある割り当て集合から均一サンプルを得られるか。
• RQ2 対のスイッチMHダイナミクスと重要度リサンプリング補正の組み合わせで W_a 上の均一性を回復できるか。
• RQ3 PSRSRRは既存の再乱数化手法と比較して推定効率と計算時間でどの程度の性能を発揮するか。
• RQ4 PSRSRRを用いた推論の有効性についての理論的保証はどのようなものか。
• RQ5 閾値 a および温度 T の戦略が実際の性能にどのように影響するか。

主な発見

• PSRSRRは大幅な速度向上（10倍〜10,000倍）を達成しつつ、正確性と漸近的妥当性を維持。
• 対のスイッチング MH連鎖の定常分布はバランスのとれた割り当てを好むが非均一であり、π(W) ∝ M(W)^{-1/T}。
• 逆戻り補正を伴う拒否サンプリングにより W_a 上の均一なサンプルを得られる（定理3.2）。
• PSRSRRは割り当て集合をほぼ均一に提供し、競合手法に対してサンプリング速度が優れる（シミュレーションおよび実データ応用）。
• 実証結果はPSRSRRが競争力のあるMSE、CI長、推論特性を、実行時間を著しく短縮して達成することを示す（STARデータではRRと比較して最大約1800倍高速）。
• PSRSRRは効率と統計パフォーマンスのバランスをとる実用的な閾値（a）および温度設定（T）を提供。