[論文レビュー] Optimal A Priori Balance in the Design of Controlled Experiments

Nathan Kallus|arXiv (Cornell University)|Dec 2, 2013

Optimal Experimental Design Methods被引用数 8

ひとこと要約

本稿は、ミニマックス分散最適化と、新たに提唱される「カーネルアロケーション」と呼ばれる手法を用いて、事前バランスが最適化される制御実験の統一的枠組みを提示する。結果の依存関係を構造的関数空間（パラメトリックまたはノンパラメトリック）でモデル化することで、不均衡度の指標と最適設計を導出し、再ランダム化やペアマッチングといった既存手法を回復・改善する。合成および実世界の例において、分散、一貫性、収束速度に関する強い理論的保証のもとで、優れた精度と検出力が示された。

ABSTRACT

We develop a unified theory of designs for controlled experiments that balance baseline covariates a priori (before treatment and before randomization) using the framework of minimax variance and a new method called kernel allocation. We show that any notion of a priori balance must go hand in hand with a notion of structure, since with no structure on the dependence of outcomes on baseline covariates complete randomization (no special covariate balance) is always minimax optimal. Restricting the structure of dependence, either parametrically or non-parametrically, gives rise to certain covariate imbalance metrics and optimal designs. This recovers many popular imbalance metrics and designs previously developed ad hoc, including randomized block designs, pairwise-matched allocation and rerandomization. We develop a new design method called kernel allocation based on the optimal design when structure is expressed by using kernels, which can be parametric or non-parametric. Relying on modern optimization methods, kernel allocation, which ensures nearly perfect covariate balance without biasing estimates under model misspecification, offers sizable advantages in precision and power as demonstrated in a range of real and synthetic examples. We provide strong theoretical guarantees on variance, consistency and rates of convergence and develop special algorithms for design and hypothesis testing.

研究の動機と目的

• 事前バランスを保証する実験設計の統一的理論を構築すること。ミニマックス分散最適化を用いる。
• 共変量と結果の関係に関する構造的仮定が、最適な不均衡度指標と設計を決定する役割を形式化すること。
• カーネルに基づく関数空間に依存する新しい設計手法「カーネルアロケーション」を導入すること。これは、モデル誤指定下でもバイアスを生じさせることなく、ほぼ完全な共変量バランスを実現する。
• 提案手法に関する分散、一貫性、収束速度に関する理論的保証を提供すること。
• 実証的に、カーネルアロケーションが多様な実験設定において、既存手法を上回る精度と統計的検出力を持つことを示すこと。

提案手法

• 事前共変量の不均衡を制御することで、処置後推定分散を最小化するミニマックス分散フレームワークを用い、最適設計を導出する。
• 構造的仮定を再生核ヒルバート空間（RKHS）を介して表現するカーネルアロケーションを新たな設計手法として導入し、結果の共変量依存性のパラメトリックおよびノンパラメトリックなモデリングを可能にする。
• グループ平均および分散のマハラノビス距離、またはカーネルベースの不一致測度に基づく不均衡度指標を定義し、条件付き期待値関数空間の仮定された構造に応じて選択する。
• 混合整数プログラミングおよび半正定値プログラミングを含む現代的最適化技術を用い、さまざまな不均衡制約下での最適アロケーションを計算する。
• 関数解析を用いて推定分散および一貫性に関する理論的境界を導出し、バナッハ空間およびヒルバート空間におけるラデマッハ型およびB-凸性の議論を含む。
• モデル誤指定に対してロバストであり、有効な推論を保証する、設計生成および仮説検定のための特別なアルゴリズムを開発する。

実験結果

リサーチクエスチョン

• RQ1 結果がベースライン共変量に依存する構造的仮定がどのようなものである場合に、事前バランスが処置後推定分散の最小化に有益であるか？
• RQ2 再ランダム化、ブロック化、ペアマッチングといった既存の事前バランス手法を回復・一般化できる統一的フレームワークをどのように構築できるか？
• RQ3 因果推論において、事前不均衡度指標と処置後推定誤差の理論的関係は何か？
• RQ4 モデル誤指定下での精度、検出力、ロバスト性の観点から、カーネルアロケーションは既存手法と比べてどのように差をつけるか？
• RQ5 提案された設計フレームワーク下での推定量に関する分散、一貫性、収束速度に関する理論的保証は何か？

主な発見

• カーネルアロケーションは、最適なカーネルベース不均衡度指標に基づく設計により、モデル誤指定下でも因果推定量にバイアスを生じさせることなく、ほぼ完全な共変量バランスを達成する。
• 理論的分析により、推定量 ˆτkk0 は強い一貫性を示し、標本サイズが増加するにつれて推定誤差 |Dkk0| がほとんど確実にゼロに収束することが示された。これは、やや弱い正則性条件のもとで成立する。
• 有限標本における分散バウンドが強く保証されている：Var(Dkk0) ≤ (1 − 1/m)(||fk|| + ||fk0||)² E[M²_opt]。これは、完全なランダム化よりも精度が向上することを示している。
• 合成および実世界の例において、カーネルアロケーションは再ランダム化およびペアマッチングを上回る分散低減と統計的検出力を示した。
• フレームワークは既存手法を回復・一般化する：ランダム化ブロック設計、ペアマッチング、再ランダム化は、特定の構造的仮定の下で特殊ケースとして現れる。
• 関数解析を用いた理論的収束速度が確立され、n → ∞ のとき M²_P(W⁰) → 0 がほとんど確実に成り立つことが示され、設計に起因するバイアスが漸近的に消滅することが示された。