[論文レビュー] Model-assisted analyses of cluster-randomized experiments

Fangzhou Su, Peng Ding|arXiv (Cornell University)|Apr 9, 2021

Advanced Causal Inference Techniques参考文献 47被引用数 4

ひとこと要約

本稿は、クラスターランダム化実験の分析のための設計ベース、モデル補助フレームワークを提案し、個人レベルデータ、クラスターターゲットデータ、クラスターアベージデータを用いた回帰推定量を比較する。クラスターターゲットに対する共変量調整付き回帰が、最も効率的かつ一貫性のある推定量をもたらすことを示しており、ロバスト標準誤差はモデル不適合下でも保守的だが信頼性のある推論を提供する。

ABSTRACT

Cluster-randomized experiments are widely used due to their logistical convenience and policy relevance. To analyze them properly, we must address the fact that the treatment is assigned at the cluster level instead of the individual level. Standard analytic strategies are regressions based on individual data, cluster averages, and cluster totals, which differ when the cluster sizes vary. These methods are often motivated by models with strong and unverifiable assumptions, and the choice among them can be subjective. Without any outcome modeling assumption, we evaluate these regression estimators and the associated robust standard errors from a design-based perspective where only the treatment assignment itself is random and controlled by the experimenter. We demonstrate that regression based on cluster averages targets a weighted average treatment effect, regression based on individual data is suboptimal in terms of efficiency, and regression based on cluster totals is consistent and more efficient with a large number of clusters. We highlight the critical role of covariates in improving estimation efficiency, and illustrate the efficiency gain via both simulation studies and data analysis. Moreover, we show that the robust standard errors are convenient approximations to the true asymptotic standard errors under the design-based perspective. Our theory holds even when the outcome models are misspecified, so it is model-assisted rather than model-based. We also extend the theory to a wider class of weighted average treatment effects.

研究の動機と目的

• クラスターランダム化実験における標準的回帰手法の非効率性とモデル依存性を是正すること。
• 個人データ、クラスターターゲット、クラスターアベージを用いた回帰推定量の設計ベース的性質を評価すること。
• さまざまな仮定と共変量調整下での推定量選択における効率性と頑健性のトレードオフを定量化すること。
• この文脈においてロバスト標準誤差が真の漸近標準誤差の保守的近似であることを確立すること。
• 重み付き平均処置効果へとフレームワークを拡張し、重み付きクラスターアベージに基づく新しい推定量を提案すること。

提案手法

• 結果の分布に関する強いパラメトリック仮定を避けるために、処置割り当てのみが確率的である設計ベースの視点を採用する。
• 共変量調整あり・なしを含めた、個人データ、クラスターターゲット、クラスターアベージを用いた回帰推定量を比較する。
• 潜在的アウトカムと設計ベースの漸近理論を用いて、確率的割り当て下での推定量の性質を導出する。
• クラスターサイズと共変量に基づく重みを用いた重み付き最小二乗推定量をクラスターアベージ上で提案し、効率性を向上させる。
• 真の標準誤差の保守的近似としてのロバスト標準誤差（クラスターロバストおよび不均等分散ロバスト）を導出し、評価する。
• 結果を、クラスターレベル効果を標的とする推定量を含むより広いクラスの重み付き平均処置効果へと拡張する。

(a) Simulation in Section 6.1 : comparing the estimators

実験結果

リサーチクエスチョン

• RQ1 設計ベース推論下で、個人データ、クラスターターゲット、クラスターアベージを用いた異なる回帰推定量は、効率性と一貫性の観点でどのように比較されるか？
• RQ2 共変量調整は、クラスターランダム化実験における推定量の効率性と頑健性にどのような影響を与えるか？
• RQ3 個別レベル回帰において、クラスターロバスト標準誤差は真の漸近標準誤差の有効な保守的近似として妥当か？
• RQ4 データレベルの選択（個別データ対クラスターデータ）は、推定における効率性と頑健性のトレードオフにどのように影響するか？
• RQ5 重み付きクラスターアベージに基づく新しい推定量は、標準的クラスターアベージ回帰に比べ、効率性と一貫性の観点で優れているか？

主な発見

• 大標本設計ベース推論下で、平均処置効果の推定にあたって、共変量調整付きクラスターターゲット回帰が最も効率的かつ一貫性のある推定量をもたらす。
• 共変量調整付き個別データ回帰は、効率性において劣るが、モデル不適合やクラスターサイズの変動に対してより頑健である。
• 個別レベル回帰において、クラスターロバスト標準誤差は真の漸近標準誤差の保守的推定量であり、有効な推論を保証する。
• 不均等分散ロバスト標準誤差は、クラスターターゲット回帰においても保守的である。これはLin (2013) の結果をクラスターランダム化設計へと拡張する。
• 提案された重み付き最小二乗推定量（クラスターアベージ上）は、共変量情報を統合することで、標準的クラスターアベージ回帰よりも高い効率性を達成する。
• シミュレーションおよび実データ分析により、共変量調整付きクラスターターゲット推定量は、調整なし推定量に比べ、平均二乗誤差を最大75％まで低減することが示された。

(b) Simulation in Section 6.2 : noise covariate