[論文レビュー] The Econometrics of Randomized Experiments

Susan Athey, Guido W. Imbens|RePEc: Research Papers in Economics|Jul 3, 2016

Advanced Causal Inference Techniques被引用数 14

ひとこと要約

この論文は、標本からの抽出とは異なり、処置割り当ての不確実性に起因する、無作為化実験における無作為化に基づく推論を提唱している。処置効果の非均一性、非順従、クラスタリング、ネットワーク上の干渉といった問題に対処するための手法を提示し、層別化と人工実験を用いることで、モデルの仮定なしに有効な推論を可能にしている。

ABSTRACT

In this review, we present econometric and statistical methods for analyzing randomized experiments. For basic experiments we stress randomization-based inference as opposed to sampling-based inference. In randomization-based inference, uncertainty in estimates arises naturally from the random assignment of the treatments, rather than from hypothesized sampling from a large population. We show how this perspective relates to regression analyses for randomized experiments. We discuss the analyses of stratified, paired, and clustered randomized experiments, and we stress the general efficiency gains from stratification. We also discuss complications in randomized experiments such as non-compliance. In the presence of non-compliance we contrast intention-to-treat analyses with instrumental variables analyses allowing for general treatment effect heterogeneity. We consider in detail estimation and inference for heterogeneous treatment effects in settings with (possibly many) covariates. These methods allow researchers to explore heterogeneity by identifying subpopulations with different treatment effects while maintaining the ability to construct valid confidence intervals. We also discuss optimal assignment to treatment based on covariates in such settings. Finally, we discuss estimation and inference in experiments in settings with interactions between units, both in general network settings and in settings where the population is partitioned into groups with all interactions contained within these groups.

研究の動機と目的

• 無作為化実験における因果推論のための無作為化に基づく推論を、従来の標本抽出に基づくアプローチと対比させ、優れたフレームワークとして確立すること。
• 処置効果の非均一性、非順従、およびクラスターやネットワーク化された単位における干渉といった、実験設計および分析の課題に対処すること。
• 共変量を用いて非均一な処置効果の推定および信頼区間の構築を行うための手法を提供し、無作為化のもとで有効性を保つこと。
• ネットワークにおける干渉のための推論手順を開発し、友人効果や友人の友人のような高次相互作用の検定を、人工実験および無作為化分布を用いて行うこと。
• 共変量に基づく最適な処置割り当てをガイドしつつ、有効な統計的推論を維持すること。

提案手法

• 固定された潜在的処置効果と無作為な処置割り当てを用いた潜在的結果フレームワークを用いて因果効果を定義する。
• 無作為化に基づく推論を適用し、検定統計量の標本分布を大標本近似ではなく、無作為化メカニズムから導出する。
• 推定の効率性を高め、処置効果推定の分散を低減するために、層別化とペアワイズ無作為化を用いる。
• 焦点（focal）、バッファ（buffer）、補助（auxiliary）ユニットを用いた人工実験により、直接効果を仮定しないで間接的友人効果に関する仮説を検証する。
• 漸近的近似に依存しないため、特に単一ネットワークや小標本設定において有用な正確な無作為化検定を適用する。
• 無作為化に基づく推論と回帰モデルを統合し、追加の仮定なしに回帰モデルがいつどのように正当化されるかを示す。

実験結果

リサーチクエスチョン

• RQ1 標本抽出に基づく漸近的近似に依存せずに、無作為化実験における有効な推論をどのように行うことができるか？
• RQ2 共変量を用いた実験設計において最も効率的な方法は何か？また、層別化は推定の効率をどのように向上させるか？
• RQ3 共変量が存在する状況で処置効果の非均一性をどのように推定・検定すればよいか？ 信頼区間の有効性を保つにはどうすればよいか？
• RQ4 非順従の処理に適した手法は何か？ 一般の処置効果の非均一性のもとで、意図した処置（ITT）とインストルメンタル変数（IV）アプローチはどのように比較できるか？
• RQ5 友人や友人の友人のような友人効果を含むネットワーク上の干渉は、どのように無作為化に基づく推論を用いて検証できるか？

主な発見

• 無作為化に基づく推論は、モデルベースのアプローチに必要な仮定を回避することで、無作為化実験における推論の有効で直接的な根拠を提供する。
• 層別化とペアワイズ無作為化は、処置効果推定の分散を低減することで、推定の効率を顕著に向上させる。
• 補助、バッファ、焦点ユニットを用いた人工実験により、直接効果を仮定しないで間接的友人効果に関する仮説を正確に検証できる。
• ネットワーク干渉に対する正確な無作為化検定は実現可能で、特にネットワーク構造のため漸近的近似が不適切となる場合に強く有用である。
• 共変量を用いた非均一な処置効果の推定は、無作為化に基づく推論を用いることで、有効な信頼区間を保ちながら可能である。
• 割り当てのメカニズムが把握されており、無作為化の原則を尊重している限り、共変量に基づく最適な処置割り当ては、推論の有効性を損なわずに達成できる。