[논문 리뷰] On the Efficiency of Finely Stratified Experiments

Yuehao Bai, Jizhou Liu외 2명|arXiv (Cornell University)|2023. 07. 27.

Advanced Causal Inference Techniques인용 수 8

한 줄 요약

이 논문은 일반적인 처리 할당 메커니즘 하에서 넓은 클래스의 치료 효과 매개변수에 대한 효율성 경계(bound)를 도출하고, 정밀하게 층화된 설계에서의 순진한 방법-모멘트 추정기가 이 경계를 달성함을 보인다. 또한 정밀하게 층화된 설계가 ex post 공변량 보정 없이 설계상으로 비모수 회귀 조정을 어떻게 수행하는지 설명한다.

ABSTRACT

This paper studies the use of finely stratified designs for the efficient estimation of a large class of treatment effect parameters that arise in the analysis of experiments. By a "finely stratified" design, we mean experiments in which units are divided into groups of a fixed size and a proportion within each group is assigned to a binary treatment uniformly at random. The class of parameters considered are those that can be expressed as the solution to a set of moment conditions constructed using a known function of the observed data. They include, among other things, average treatment effects, quantile treatment effects, and local average treatment effects as well as the counterparts to these quantities in experiments in which the unit is itself a cluster. In this setting, we establish three results. First, we show that under a finely stratified design, the naive method of moments estimator achieves the same asymptotic variance as what could typically be attained under alternative treatment assignment mechanisms only through ex post covariate adjustment. Second, we argue that the naive method of moments estimator under a finely stratified design is asymptotically efficient by deriving a lower bound on the asymptotic variance of regular estimators of the parameter of interest in the form of a convolution theorem. In this sense, finely stratified experiments are attractive because they lead to efficient estimators of treatment effect parameters "by design." Finally, we strengthen this conclusion by establishing conditions under which a "fast-balancing" property of finely stratified designs is in fact necessary for the naive method of moments estimator to attain the efficiency bound.

연구 동기 및 목표

• 비-i.i.d. 및 층화 배정 체계에서 치료 효과 매개변수의 효율적 추정 동기 부여.
• 관찰된 데이터와 알려진 함수 m(X,A,R,θ)을 포함하는 모먼트 조건의 해로 표현되는 일반 클래스를 특징화.
• 일반 배정 메커니즘 하에서 정규 추정기의 비대칭 분산에 대한 하한을 도출.
• 정밀하게 층화된 설계에서 순진한 모멘트 추정기가 이 경계를 달성함을 보인다.
• ex post 공변량 보정 없이 실험 실무에 대한 실용적 시사를 강조한다.

제안 방법

• 관찰된 데이터와 알려진 함수 m(X,A,R,θ)을 포함하는 모먼트 조건의 해로서 파라미터의 광범위한 클래스를 정의한다.
• 일반 배정 메커니즘 하에서 컨볼루션 정리에 의해 정규 추정기에 대한 효율성 경계를 도출한다.
• 정밀하게 층화된 설계에서 순진한 모멘트 추정기의 정밀성과 비대칭 행동을 특징화한다.
• 효율성 향상과 보정이 비모수 회귀 조정과 어떻게 연관되는지 논의하기 위해 강화된(이중 강건한) 모먼트 함수를 도입한다.
• 정밀하게 층화된 설계가 비노출 공변량 보정 없이 순진 추정기에 대한 효율성 경계를 달성함을 보인다.

실험 결과

연구 질문

• RQ1 일반적이고 비-i.i.d. 치료 배정 체계에서 매개변수 클래스의 효율성 경계는 무엇인가?
• RQ2 순진한 모멘트 추정기가 효율성 경계를 달성하는 조건은 언제인가?
• RQ3 정밀하게 층화된 설계가 이러한 매개변수에 대한 추정기의 비대칭 분산과 효율성에 어떤 영향을 미치는가?
• RQ4 정밀하게 층화된 설계가 설계상으로 비모수 회귀 조정을 흉내 내며 ex post 공변량 보정 없이 가능할까?
• RQ5 결과가 ATE를 넘는 군집 수준 매개변수나 다른 복잡한 치료 효과 표적에도 확장되는가?

주요 결과

• 컨볼루션 기반의 효율성 경계가 광범위한 치료 배정 메커니즘 하에서 매개변수 θ0의 정규 추정기에 대해 도출된다.
• 순진한 모멘트 추정기가 치료가 정밀하게 층화된 설계에 의해 배정되면 효율성 경계에 도달한다.
• 정밀하게 층화된 설계는 고정 크기의 블록으로 단위를 구분하고 블록 내에서 무작위로 할당하여 주변확률을 존중하고 ex post 공변량 보정 없이도 효율성을 달성한다.
• 프레임워크는 평균, 분위수, 로컬 평균 처리효과 및 군집 유사체를 모먼트 조건의 해로 포함한다.
• 결과는 i.i.d. 배정 외에도 광범위한 매개변수 및 배정 스킴에 이전 연구를 일반화한다.