[논문 리뷰] Randomization-Based Causal Inference from Unbalanced 2^2 Split-Plot Designs

Anqi Zhao, Peng Ding외 1명|arXiv (Cornell University)|2016. 02. 11.

Optimal Experimental Design Methods참고 문헌 18인용 수 3

한 줄 요약

이 논문은 잠재적 결과의 분해를 통해 블록 간 및 블록 내 공분산의 선형 조합으로 표본 분산을 유도하는, 비균형 2² 분할 실험 설계를 위한 랜덤화 기반 인과 추론 방법을 개발한다. 모델 기반 대안 대비 뛰어난 빈도적 커버리지 성능을 보이며, 초모집단 추론과의 渐近적 연결성을 확립한다.

ABSTRACT

Given two 2-level factors of interest, a 2^2 split-plot design} (a) takes each of the $2^2=4$ possible factorial combinations as a treatment, (b) identifies one factor as `whole-plot,' (c) divides the experimental units into blocks, and (d) assigns the treatments in such a way that all units within the same block receive the same level of the whole-plot factor. Assuming the potential outcomes framework, we propose in this paper a randomization-based estimation procedure for causal inference from 2^2 designs that are not necessarily balanced. Sampling variances of the point estimates are derived in closed form as linear combinations of the between- and within-block covariances of the potential outcomes. Results are compared to those under complete randomization as measures of design efficiency. Interval estimates are constructed based on conservative estimates of the sampling variances, and the frequency coverage properties evaluated via simulation. Asymptotic connections of the proposed approach to the model-based super-population inference are also established. Superiority over existing model-based alternatives is reported under a variety of settings for both binary and continuous outcomes.

연구 동기 및 목표

• 인과 추론에서 비균형 2² 분할 실험 설계에 대한 랜덤화 기반 추론 방법의 부족을 보완하기 위해.
• 실험 설계의 블록 구조와 이질성을 고려한 분산 추정 절차를 개발하기 위해.
• 블록 수준의 이질성을 기반으로 분할 실험 설계의 효율성을 완전 무작위화와 비교하기 위해.
• 유한모집단 랜덤화 기반 추론과 모형 기반 초모집단 추론을 渐近적 논증을 통해 통합하기 위해.
• 시뮬레이션을 통해 검증된 커버리지 성질을 갖는 보수적인 구간 추정을 제공하기 위해.

제안 방법

• 잠재적 결과 프레임워크 하에서 2² 분할 실험 설계를 위한 랜덤화 기반 추정 절차를 제안한다.
• 표본 분산을 블록 간 및 블록 내 잠재적 결과의 공분산의 선형 조합으로 닫힌 형태로 유도한다.
• 잠재적 결과의 분해를 통해 설계 효율성을 블록 수준의 이질성과 연결한다.
• 랜덤화 하에서 공분산 구조를 모델링하기 위해 투영 행렬 기법을 적용한다.
• 추정된 표본 분산을 사용하여 보수적인 신뢰구간을 구축한다.
• 잔차 공분산 한계를 통한 점근적 분석을 통해 유한모집단 랜덤화 추론과 선형 혼합 모형 간의 점근적 연결성을 확립한다.

실험 결과

연구 질문

• RQ1 블록 구조를 가진 비균형 2² 분할 실험 설계에 대해 랜덤화 기반 추론을 어떻게 확장할 수 있는가?
• RQ2 분할 실험 설계의 상대적 효율성은 완전 무작위화 대비 어떻게 달라지며, 블록 이질성과 어떤 관계가 있는가?
• RQ3 분할 실험 설계에서 추정기의 표본 분산은 잠재적 결과의 블록 내 및 블록 간 공분산에 어떻게 의존하는가?
• RQ4 이상형 결과(이진형 및 연속형)에 대해 모형 기반 방법 대비 랜덤화 기반 추론이 더 뛰어난 빈도적 커버리지 성능을 달성할 수 있는가?
• RQ5 이 맥락에서 랜덤화 기반 추론과 초모집단 모형 기반 추론 간의 점근적 관계는 무엇인가?

주요 결과

• 제안된 랜덤화 기반 방법은 다양한 설정에서 모형 기반 대안 대비 뛰어난 빈도적 커버리지 성능을 확보한다.
• 표본 분산은 잠재적 결과의 블록 간 및 블록 내 공분산의 선형 조합으로 닫힌 형태로 유도된다.
• 블록 수준의 이질성이 높을수록 효율성이 향상되어 설계 선택과 실증적 블록 구조를 연결한다.
• 유도된 분산 기반의 보수적인 구간 추정은 시뮬레이션 연구에서 양호한 커버리지 성능을 유지한다.
• 점근적 분석은 선형 혼합 모형에서 가정하는 블록 대각 공분산 구조를 지지하며, 유한모집단 추론과 초모집단 추론을 연결한다.
• 이론적 및 시뮬레이션 결과 모두에서 이진형 및 연속형 결과에 대해 기존의 모형 기반 방법보다 커버리지 정확도에서 뛰어난 성능을 보인다.