[논문 리뷰] Asymptotic Theory of Rerandomization in Treatment-Control Experiments

Xinran Li, Peng Ding외 1명|arXiv (Cornell University)|2016. 04. 03.

Advanced Causal Inference Techniques참고 문헌 27인용 수 10

한 줄 요약

이 논문은 가우시안 또는 가산성 가정에 의존하지 않고 치료-대조 실험에서의 재무작업에 대한 점근 이론을 개발하며, 평균 차이 추정량이 비가우시안 점근 분포를 가짐을 보여주고 있다—이 분포는 가우시안 변수와 잘라낸 가우시안 변수의 선형 조합이다. 이는 정확한 대표 표본 신뢰구간을 가능하게 하며, 완전 무작위화에 비해 표본 분산과 분위수 범위를 감소시킨다는 것을 보여준다.

ABSTRACT

Although complete randomization ensures covariate balance on average, the chance for observing significant differences between treatment and control covariate distributions increases with many covariates. Rerandomization discards randomizations that do not satisfy a predetermined covariate balance criterion, generally resulting in better covariate balance and more precise estimates of causal effects. Previous theory has derived finite sample theory for rerandomization under the assumptions of equal treatment group sizes, Gaussian covariate and outcome distributions, or additive causal effects, but not for the general sampling distribution of the difference-in-means estimator for the average causal effect. To supplement existing results, we develop asymptotic theory for rerandomization without these assumptions, which reveals a non-Gaussian asymptotic distribution for this estimator, specifically a linear combination of a Gaussian random variable and a truncated Gaussian random variable. This distribution follows because rerandomization affects only the projection of potential outcomes onto the covariate space but does not affect the corresponding orthogonal residuals. We also demonstrate that, compared to complete randomization, rerandomization reduces the asymptotic sampling variances and quantile ranges of the difference-in-means estimator. Moreover, our work allows the construction of accurate large-sample confidence intervals for the average causal effect, thereby revealing further advantages of rerandomization over complete randomization.

연구 동기 및 목표

• 가우시안 공변수, 결과 또는 가산 인과 효과를 가정하지 않고 재무작업에 대한 점근 이론을 개발하기 위해.
• 일반적인 설정에서 재무작업 하에서 평균 차이 추정량의 점근 분포를 특성화하기 위해.
• 완전 무작위화에 비해 재무작업이 점근 표본 분산과 분위수 범위를 어떻게 감소시키는지 보여주기 위해.
• 재무작업 하에서 평균 인과 효과에 대한 정확한 대표 표본 신뢰구간을 구성할 수 있도록 하기 위해.
• 잠재 결과에 대한 투영을 통해 재무작업의 기하학적 영향을 잠재 결과의 공변수 공간에 대해 명확히 하기 위해.

제안 방법

• 잠재 결과를 공변수 공간에 투영한 성분과 수직 잔차로 분해하기 위해 기하학적 프레임워크를 사용한다.
• 평균 차이 추정량의 점근 분포를 표준 정규 변수와 잘라낸 가우시안 변수의 선형 조합으로 모델링한다.
• 마할라노비스 거리 기준을 사용하여 재무작업 영역을 정의하고, 공변수 균형이 나쁜 랜덤화를 제한한다.
• 공변수 불균형이 사전에 지정된 임계값 이내에 있을 조건 하에서 점근 표본 분포를 유도하는 조건부 점근 이론을 적용한다.
• 공변수 차이의 표준화와 수직 분해를 사용하여 재무작업의 영향과 잔차 변동성 간의 구분을 한다.
• 재무작업은 결과의 공변수 공간에 대한 투영에만 영향을 주며, 수직 잔차에는 영향을 주지 않는다는 사실에 의존한다.

실험 결과

연구 질문

• RQ1 가우시안 또는 가산성 가정을 하지 않을 경우 재무작업 하에서 평균 차이 추정량의 점근 분포는 무엇인가?
• RQ2 완전 무작위화에 비해 재무작업은 평균 차이 추정량의 표본 분산과 분위수 범위에 어떻게 영향을 미치는가?
• RQ3 비모수적 가정 없이 재무작업 하에서 평균 인과 효과에 대한 정확한 대표 표본 신뢰구간을 구성할 수 있는가?
• RQ4 공변수 공간은 재무작업 하에서 점근 분포를 어떻게 형성하는가?
• RQ5 특히 잠재 결과의 투영을 통한 재무작업의 기하학적 특성은 추론에 어떻게 영향을 미치는가?

주요 결과

• 재무작업 하에서 평균 차이 추정량의 점근 분포는 가우시안 분포가 아니라 가우시안 랜덤 변수와 잘라낸 가우시안 랜덤 변수의 선형 조합이다.
• 완전 무작위화에 비해 재무작업은 평균 차이 추정량의 점근 표본 분산을 감소시켜 추정 정밀도를 향상시킨다.
• 재무작업 하에서는 완전 무작위화에 비해 추정량의 점근 분위수 범위가 좁아지며, 더 집중된 표본 분포를 나타낸다.
• 점근 분포는 잠재 결과를 공변수 공간에 투영한 성분과 수직 잔차로 분해함으로써 도출되며, 재무작업은 이 성분에만 영향을 준다.
• 이 이론은 가우시안 또는 가산성 가정 없이도 재무작업 하에서 평균 인과 효과에 대한 유효한 대표 표본 신뢰구간을 구성하는 데 기여한다.
• 핵심 통찰은 재무작업이 결과의 공변수 공간에 대한 투영만 변경하며, 수직 잔차에는 영향을 주지 않아 점근 분포의 구조를 유지한다는 것이다.