[논문 리뷰] Causal inference from $2^k$ factorial designs using the potential outcomes model

Tirthankar Dasgupta, Natesh S. Pillai외 1명|arXiv (Cornell University)|2012. 11. 11.

Optimal Experimental Design Methods참고 문헌 17인용 수 16

한 줄 요약

이 논문은 잠재적 결과 모델을 사용하여 2^k 요인 설계에 대한 인과적 추론 프레임워크를 제안하며, 네이만의 반복 표본 추출과 파이저의 랜덤화 검정을 확장하여 유한집단 추론을 가능하게 한다. 평균이 아닌 추정량의 추정을 지원하며, OLS보다 더 유연한 추론을 제공하여 요인 설계에서의 인과적 식별을 향상시킨다.

ABSTRACT

A framework for causal inference from two-level factorial designs is proposed. The framework utilizes the concept of potential outcomes that lies at the center stage of causal inference and extends Neyman's repeated sampling approach for estimation of causal and randomization tests based on Fisher's sharp null hypothesis to the case of 2-level factorial experiments. The framework allows for statistical inference from a finite population, permits definition and estimation of estimands other than average factorial effects and leads to more flexible inference procedures than those based on ordinary least squares estimation from a linear model.

연구 동기 및 목표

• 잠재적 결과 모델에 기반한 2^k 요인 설계를 위한 인과적 추론 프레임워크를 개발하는 것.
• 네이만의 반복 표본 추출 접근법과 파이저의 랜덤화 검정을 요인 설계로 확장하는 것.
• 대규모 표본 근사에 의존하지 않고 유한집단에서의 추론을 가능하게 하는 것.
• 평균 요인 효과를 초월한 추정량의 정의와 추정을 지원하는 것.
• 일반적인 최소제곱 기반 추론보다 더 유연한 추론 절차를 제공하는 것.

제안 방법

• 인과적 추론의 기초 프레임워크로 잠재적 결과 모델을 사용한다.
• 랜덤화 하에서 인과 효과를 추정하기 위해 네이만의 반복 표본 추출 접근법을 적용한다.
• 요인 설계 환경에서 랜덤화 기반 검정을 위해 파이저의 날카로운 귀무가설을 활용한다.
• 중위수나 분포 효과와 같은 평균 요인 효과를 초월하는 일반화된 추정량을 유도한다.
• 분포 가정 없이도 유의성 검정을 위한 통계량을 랜덤화 분포 기반으로 구성한다.
• 작은 표본 요인 설계 실험에서 타당성을 높이기 위해 유한집단 추론을 통합한다.

실험 결과

연구 질문

• RQ1 잠재적 결과는 2^k 요인 설계에서 인과 추정량을 어떻게 정의할 수 있는가?
• RQ2 잠재적 결과 프레임워크 하에서 랜덤화 기반 추론은 요인 설계 실험에서 어떤 역할을 하는가?
• RQ3 이러한 설계에서 평균 요인 효과 이외의 추정량도 의미 있게 정의되고 추정될 수 있는가?
• RQ4 제안된 프레임워크는 OLS 기반 추론에 비해 어떤 점에서 더 유연하고 가정이 적은가?
• RQ5 유한집단 추론은 요인 설계 실험에서 인과적 추론에 어떤 영향을 미치는가?

주요 결과

• 이 프레임워크는 현대 인과적 추론 원칙과의 방법론적 일관성을 확보하면서 2^k 요인 설계에서 인과적 추론을 가능하게 한다.
• 파이저의 날카로운 귀무가설 기반 랜덤화 기반 추론이 요인 설계로 확장되어 분포 가정 없이 유효한 p-값을 제공한다.
• 중위수나 분포 효과와 같은 평균 요인 효과 이외의 추정량도 이 프레임워크 내에서 정의되고 추정될 수 있다.
• 이 방법은 작은 표본 실험 설정에서의 관련성과 타당성을 높여 유한집단 추론을 지원한다.
• 선형 모델 가정을 피하고 다양한 추정량에 대한 추론을 가능하게 하여 OLS보다 더 큰 유연성을 제공한다.
• 엄밀한 랜덤화 기반 추론을 통해 이 프레임워크는 요인 설계 실험에서 인과적 결론의 강건성과 해석 가능성에 기여한다.