[논문 리뷰] Covariate Adjustment in Stratified Experiments

Max Cytrynbaum|arXiv (Cornell University)|2023. 02. 07.

Statistical Methods in Clinical Trials인용 수 4

한 줄 요약

이 논문은 표준 회귀 조정(치료-예측변수 상호작용 포함)이 분류 실험, 특히 매칭된 쌍과 굵은 분류에서 일반적으로 비효율적임을 밝혀내며, 이는 분류에 따라 분산 최소화가 맞춰지지 않기 때문이다. 평균 조건부 분산을 최소화하는 점근적으로 최적의 선형 예측변수 조정을 유도하고, 실용적인 추정기(예: 쌍 고정효과, 그룹 OLS)를 구성하며, 정확한 점근적 추론을 제공하여 기존 방법보다 정밀도를 크게 향상시킨다.

ABSTRACT

This paper studies covariate adjusted estimation of the average treatment effect in stratified experiments. We work in a general framework that includes matched tuples designs, coarse stratification, and complete randomization as special cases. Regression adjustment with treatment-covariate interactions is known to weakly improve efficiency for completely randomized designs. By contrast, we show that for stratified designs such regression estimators are generically inefficient, potentially even increasing estimator variance relative to the unadjusted benchmark. Motivated by this result, we derive the asymptotically optimal linear covariate adjustment for a given stratification. We construct several feasible estimators that implement this efficient adjustment in large samples. In the special case of matched pairs, for example, the regression including treatment, covariates, and pair fixed effects is asymptotically optimal. We also provide novel asymptotically exact inference methods that allow researchers to report smaller confidence intervals, fully reflecting the efficiency gains from both stratification and adjustment. Simulations and an empirical application demonstrate the value of our proposed methods.

연구 동기 및 목표

• 분류 실험에서 치료-예측변수 상호작용을 포함한 표준 회귀 조정이 완전 무작위 설계에서는 성공했지만, 분류 실험에서는 효율성이 떨어질 수 있다는 문제를 다루는 것.
• 분류 예측변수 조건 하에 평균 조건부 분산을 최소화하는 점근적으로 최적의 선형 예측변수 조정을 도출하는 것.
• 대규모 표본에서 이 최적 효율성을 달성하는 실용적인 추정기(예: 쌍 고정효과, 그룹 OLS)를 개발하는 것.
• 분류 설계에서 표준 이종이차형-로버스트 분산 추정기의 과잉 커버리지 문제를 수정하는 새로운 점근적 정확한 추론 방법을 제공하는 것.
• 비준수 상황과 처리비율이 일정하지 않은 세밀한 분류 설계로 결과를 확장하는 것.

제안 방법

• 분류 예측변수 조건 하에 평균 조건부 분산 목적함수를 최소화함으로써 최적의 선형 조정 계수를 도출하며, Lin 유형의 회귀에서 사용되는 마진 분산 목적함수와는 대조된다.
• 최적 조정이 이.i.d. 설계에서 이중로버스트 반모수 조정과 점근적으로 동일하며, 분류가 비모수 성분을 제공한다는 것을 보여준다.
• 실용적인 추정기 제안: (1) 분류 변수의 변환을 상호작용 회귀에 추가하는 방식; (2) 매칭된 쌍에서 상호작용이 없는 회귀에 완전한 쌍 고정효과를 적용하는 방식; (3) Lin 추정기 및 소수자에 대한 폭발적 추정기의 내부 분류 부분 제거 방식.
• Imbens와 Rubin(2015)의 제안을 일반적인 분류 설계로 확장한 '그룹 OLS' 추정기를 제안하며, 이는 점근적으로 최적임을 증명하였다.
• 새로운 분산 추정기를 사용하여 점근적으로 정확한 추론을 개발하였으며, 이는 커버리지 확률이 명목 수준으로 수렴하도록 보장하여 표준 이종이차형-로버스트 방법의 과잉 커버리지 문제를 피한다.
• 조건부 마르코프 및 모멘트 경계 기법을 적용하여 약한 규칙성 조건 하에서 점근 정규성과 추정기 수렴을 확립한다.

실험 결과

연구 질문

• RQ1 왜 표준 회귀 조정(치료-예측변수 상호작용 포함)은 완전 무작위 설계에서는 성공했지만, 분류 실험에서는 효율성을 향상시키지 못하는가?
• RQ2 주어진 분류 설계에 대해 점근적으로 최적의 선형 예측변수 조정은 무엇이며, 기존의 회귀 방법과 어떻게 다를까?
• RQ3 특히 매칭된 쌍이나 굵은 분류에서 약한 가정 하에 이 최적 효율성을 달성하는 실용적 추정기를 구성할 수 있는가?
• RQ4 예측변수 조정이 있는 분류 실험에서 추론을 어떻게 점근적으로 정확하게 만들 수 있으며, 표준 이종이차형-로버스트 분산 추정기의 과잉 커버리지 문제를 피할 수 있는가?
• RQ5 세밀한 분류 설계에서 비준수 또는 처리비율이 일정하지 않은 상황에서 최적 조정의 추정 및 추론에 대한 영향은 무엇인가?

주요 결과

• Lin 유형의 상호작용 포함 회귀 추정기는 분류 설계에서 일반적으로 비효율적이며, 분류에 민감하지 않은 마진 분산 목적함수를 최소화하기 때문에, 비조정 추정기보다 분산이 더 클 수 있다.
• 최적 조정은 평균 조건부 분산 목적함수를 최소화하며, 이는 분류 예측변수를 통한 분산의 예측 가능성 요소를 반영하여 점근적 효율성을 달성한다.
• 매칭된 쌍에서는 상호작용이 없는 회귀에 완전한 쌍 고정효과를 적용한 것이 점근적으로 최적이며, 분산 측면에서 상호작용 회귀보다 뛰어나다.
• 제안된 그룹 OLS 추정기는 광범위한 분류 설계에 대해 점근적으로 최적이다. 이는 이전의 매칭된 쌍 결과를 일반 분류 설계로 확장한 것이다.
• 표준 이종이차형-로버스트 분산 추정기는 분류 실험에서 보수적인 신뢰구간을 초래하지만, 제안된 추론 방법은 과잉 커버리지 없이 정확한 커버리지 확보를 달성한다.
• 시뮬레이션과 Baysan(2022)의 실증 적용 결과, 기존의 로버스트 구간은 상당히 과잉 커버리지할 수 있으며, 새로운 방법은 개선된 정밀도를 바탕으로 명목 수준에 가까운 커버리지 확보를 한다.