[논문 리뷰] Estimation Methods for Cluster Randomized Trials with Noncompliance: A Study of A Biometric Smartcard Payment System in India

Hyunseung Kang, Luke Keele|arXiv (Cornell University)|2018. 05. 09.

Advanced Causal Inference Techniques참고 문헌 46인용 수 7

한 줄 요약

이 논문은 비합의가 있는 군집 랜덤화 시험에 대한 새로운 적분변수(IV) 추정 방법을 제안하며, 기존 방법들이 군집 간 일정한 치료 효과를 가정하고 점근적 근사에 의존하는 한계를 해결한다. 이 방법은 치료 효과의 이질성과 군집 크기 간 상관관계, 낮은 비합의율 하에서도 일관된 컴파일러 평균인과효과(CACE) 추정을 가능하게 하며, 닫힌 형태의 해와 정확한 유한표본 추론을 제공한다. 시뮬레이션과 인도의 생체인식 스마트카드 지급 시험에의 적용을 통해 검증되었다.

ABSTRACT

Many policy evaluations occur in settings where treatment is randomized at the cluster level, and there is treatment noncompliance within each cluster. For example, villages might be assigned to treatment and control, but residents in each village may choose to comply or not with their assigned treatment status. When noncompliance is present, the instrumental variables framework can be used to identify and estimate causal effects. While a large literature exists on instrumental variables estimation methods, relatively little work has been focused on settings with clustered treatments. Here, we review extant methods for instrumental variable estimation in clustered designs and derive both the finite and asymptotic properties of these estimators. We prove that the properties of current estimators depend on unrealistic assumptions. We then develop a new IV estimation method for cluster randomized trials and study its formal properties. We prove that our IV estimator allows for possible treatment effect heterogeneity that is correlated with cluster size and is robust to low compliance rates within clusters. We evaluate these methods using simulations and apply them to data from a randomized intervention in India.

연구 동기 및 목표

• 비합의가 있는 군집 랜덤화 시험에서 적분변수의 신뢰할 수 있는 추정 방법이 부족한 문제를 해결하기 위해.
• 기존의 군집 수준 및 개인 수준의 IV 추정기법에서 암묵적으로 내포된 가정이 컴파일러 평균인과효과(CACE) 추정에 편향을 유도하는 이유를 규명하고 수정하기 위해.
• 치료 효과의 이질성과 군집 크기 간 상관관계를 허용하면서도 낮은 비합의율 조건에서도 유효성을 유지하는 새로운 IV 추정 방법을 개발하기 위해.
• 기존 접근법에서 사용하는 점근적 근사에 의존하지 않고, 닫힌 형태의 유한표본 추론 방법을 제공함으로써 이를 개선하기 위해.
• 시뮬레이션과 인도의 생체인식 스마트카드 지급 시스템 시험의 실제 데이터를 통해 방법을 검증하기 위해.

제안 방법

• 군집 간 비합의 및 결과의 이질성을 모델링하는 새로운 IV 추정기법을 제안하며, 군집 크기의 변동을 명시적으로 고려한다.
• 추정기법의 유한표본 성질을 도출하여, 약한 기준변수와 이질적인 비합의 효과 조건 하에서도 일관성을 입증한다.
• 약한 기준변수를 보정하고 대규모 표본 근사를 사용하지 않고도 정확한 신뢰구간을 제공하는 수정된 추론 절차를 도입한다.
• 일반화된 효과비율 접근법을 사용하여 CACE를 추정하며, 군집 수준의 치료 효과 변동을 허용한다.
• 비교를 위한 기준으로 이중단계최소제곱(2SLS)과 군집 수준 평균 추정기법을 사용한다.
• 다양한 비합의율과 군집 크기 영향을 고려한 시뮬레이션 연구를 수행하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 치료 효과가 군집 크기에 따라 변할 경우, 기존의 군집 랜덤화 시험에서의 IV 추정 방법이 컴파일러 평균인과효과(CACE)를 편향 없이 추정하는가?
• RQ2 낮은 비합의율과 이질적인 군집 크기 조건 하에서 현재의 추정기법은 어떻게 성능을 보이는가?
• RQ3 비합의율이 낮고 군집 크기의 이질성이 있는 이러한 도전적인 조건 하에서도 일관성과 정확한 유한표본 추론을 유지할 수 있는 새로운 IV 추정기법을 개발할 수 있는가?
• RQ4 인도 스마트카드 시험의 실증 결과는 분석적 및 시뮬레이션 결과에서 예측된 편향을 어느 정도 반영하는가?
• RQ5 기존 접근법과 비교해 볼 때, 새로운 방법의 신뢰구간은 커버리지와 폭 측면에서 어떻게 다른가?

주요 결과

• 일반화된 효과비율 추정기법은 점추정치의 크기가 군집 수준 평균과 2SLS보다 상당히 작고, 신뢰구간은 훨씬 넓었으며, 이는 기존 방법들이 과대추정하고 있음을 시사한다.
• 인도 스마트카드 시험의 실증 분석에서 기존 방법(군집 수준 평균과 2SLS)은 유사한 결과를 도출했지만, 모두 새로운 방법에 비해 CACE를 과대평가했다. 이는 시뮬레이션 결과와 일치한다.
• 새로운 방법은 더 정확한 유한표본 추론을 제공하였으며, 점근적 근사에 기반한 방법보다 훨씬 길고 더 잘 校정된 신뢰구간을 제공하였다.
• 산점도 분석 결과 군집 크기와 결과의 이탈 간에 약한 양의 상관관계가 발견되어, 치료 효과가 군집 크기에 따라 변할 수 있음을 시사하며, 이는 기존 방법의 가정을 무효화한다.
• 기존 방법은 군집 간 일정한 치료 효과와 높은 비합의율을 전제로 하며, 실질적으로 편향된 CACE 추정을 초래한다는 점을 발견하였다.
• 제안된 방법은 낮은 비합의율과 이질적인 군집 효과 조건 하에서도 관심 있는 인과적 추정량을 성공적으로 복원하였으며, 강건성과 일관성을 입증하였다.