[論文レビュー] Randomization-based Inference for Bernoulli-Trial Experiments and Implications for Observational Studies

Zach Branson, Marie‐Abèle Bind|PubMed|Jul 13, 2017

Statistical Methods in Clinical Trials参考文献 41被引用数 7

ひとこと要約

本稿は、異種の処置確率を有するベルヌーイ試行実験におけるランダム化に基づく推論フレームワークを構築し、強く無視可能（strongly ignorable）な割り当てメカニズムのもとで、妥当な仮説検定、点推定、信頼区間を可能にする。共変量のバランスや処置割り当て数に条件づける推論を実現するため、拒否採択法（rejection-sampling）および重要度サンプリング法（importance-sampling）を導入し、追加のモデリング仮定なしに第1種の誤り（Type I error）を制御する。

ABSTRACT

We present a randomization-based inferential framework for experiments characterized by a strongly ignorable assignment mechanism where units have independent probabilities of receiving treatment. Previous works on randomization tests often assume these probabilities are equal within blocks of units. We consider the general case where they differ across units and show how to perform randomization tests and obtain point estimates and confidence intervals. Furthermore, we develop rejection-sampling and importance-sampling approaches for conducting randomization-based inference conditional on any statistic of interest, such as the number of treated units or forms of covariate balance. We establish that our randomization tests are valid tests, and through simulation we demonstrate how the rejection-sampling and importance-sampling approaches can yield powerful randomization tests and thus precise inference. Our work also has implications for observational studies, which commonly assume a strongly ignorable assignment mechanism. Most methodologies for observational studies make additional modeling or asymptotic assumptions, while our framework only assumes the strongly ignorable assignment mechanism, and thus can be considered a minimal-assumption approach.

研究の動機と目的

• 強い無視可能性の割り当てメカニズムのもとで、個々の単位に特有の処置確率を有する実験へのランダム化に基づく推論を拡張すること。
• 処置単位数や共変量のバランスといった要約統計量に条件づける妥当なランダム化検定を構築すること。
• 漸近的近似やパラメトリックモデルに依存せずに、点推定および信頼区間を提供すること。
• 処置割り当てが強く無視可能であるが、傾向スコアが未知である観察的研究に適用可能な最小限の仮定のフレームワークを確立すること。
• 拒否採択法および重要度サンプリング技術を用いて、設計特徴に条件づけることで推論の精度を向上させ、第1種の誤りを制御すること。

提案手法

• 各単位の確率 $ e(\boldsymbol{x}_i) $ に基づく独立なベルヌーイ試行として割り当てメカニズムをモデル化し、強い無視可能性を保証するランダム化に基づく推論フレームワークを用いる。
• 与えられた割り当てメカニズム $ P(\boldsymbol{W} = \boldsymbol{w} \mid \boldsymbol{X}) = \prod_{i=1}^N e(\boldsymbol{x}_i)^{w_i} (1 - e(\boldsymbol{x}_i))^{1 - w_i} $ を用いて、鋭い帰無仮説のもとでの検定統計量の帰無分布を正確に計算することで、正確なランダム化検定を導出する。
• 処置単位数や共変量のバランスといった、任意の統計量に条件づける推論を可能にするため、拒否採択法および重要度サンプリング法を導入する。
• 関数 $ \phi(\boldsymbol{W}, \boldsymbol{X}) $ によって定義されるランダム化空間の部分集合（例：$ \sum W_i = N_T $）に条件づけることで、検出力と精度を向上させる。
• 条件づけられた結果として得られるp値が、鋭い帰無仮説のもとで有効であり、第1種の誤りがレベル $ \alpha $ で制御されることを証明する。これは設計特徴に条件づけても成り立つ。
• 同じ条件付きランダム化フレームワークを用いて点推定および信頼区間を導出し、仮定された割り当てメカニズムのもとで有効であることを保証する。

実験結果

リサーチクエスチョン

• RQ1 個々の単位に異なる処置確率を有する実験において、ランダム化に基づく推論をどのように拡張できるか。
• RQ2 処置単位数や共変量のバランスといった設計特徴に条件づけることで、妥当な仮説検定を構築できるか。
• RQ3 不均一な傾向スコアを有する強い無視可能性の割り当てメカニズムのもとで、有限標本におけるランダム化検定の性質は何か。
• RQ4 拒否採択法および重要度サンプリング法は、このような状況下でランダム化に基づく推論の検出力と精度をどのように向上させるか。
• RQ5 このフレームワークは、観察的研究において、従来のモデルベースまたは漸近的手法の最小限の仮定の代替としてどの程度有効に機能するか。

主な発見

• 提案されたランダム化検定は、鋭い帰無仮説のもとで有効であり、任意の統計量に条件づけても、第1種の誤りがレベル $ \alpha $ で制御される。
• 拒否採択法および重要度サンプリング法により、関連する設計特徴に焦点を当てた強力なランダム化検定が得られ、第1種の誤りを増大させることなく精度が向上する。
• 強い無視可能性の割り当てメカニズムのもとで、漸近的近似を必要とせず、平均処置効果の正確な点推定および信頼区間を提供するフレームワークを構築する。
• 傾向スコア $ e(\boldsymbol{x}_i) $ が単位ごとに変動する場合でも、この手法は従来のブロック内確率が等しいという仮定を越えて有効である。
• シミュレーション結果は、共変量のバランスや処置単位数に条件づけることで、無条件のランダム化検定に比べて検出力が顕著に向上することを示している。
• この手法は、従来の観察的研究手法におけるパラメトリックモデルや大標本理論への依存を避ける最小限の仮定の代替として有効である。