[논문 리뷰] Randomization-based Inference for Bernoulli-Trial Experiments and Implications for Observational Studies

Zach Branson, Marie‐Abèle Bind|PubMed|2017. 07. 13.

Statistical Methods in Clinical Trials참고 문헌 41인용 수 7

한 줄 요약

이 논문은 이질적인 치료 확률을 가진 베르누이 시험에 대한 랜덤화 기반 추론 프레임워크를 개발하여, 강력한 무시 가능할 조건 하에서 타당한 가설 검정, 점 추정 및 신뢰구간을 가능하게 한다. 강력한 무시 가능성 조건 하에서, 공변량 균형 또는 치료 수를 조건으로 삼는 추론을 보장하기 위해 거부 샘플링 및 중요도 샘플링 방법을 도입하여 추가적인 모델링 가정 없이 유형 I 오류를 통제한다.

ABSTRACT

We present a randomization-based inferential framework for experiments characterized by a strongly ignorable assignment mechanism where units have independent probabilities of receiving treatment. Previous works on randomization tests often assume these probabilities are equal within blocks of units. We consider the general case where they differ across units and show how to perform randomization tests and obtain point estimates and confidence intervals. Furthermore, we develop rejection-sampling and importance-sampling approaches for conducting randomization-based inference conditional on any statistic of interest, such as the number of treated units or forms of covariate balance. We establish that our randomization tests are valid tests, and through simulation we demonstrate how the rejection-sampling and importance-sampling approaches can yield powerful randomization tests and thus precise inference. Our work also has implications for observational studies, which commonly assume a strongly ignorable assignment mechanism. Most methodologies for observational studies make additional modeling or asymptotic assumptions, while our framework only assumes the strongly ignorable assignment mechanism, and thus can be considered a minimal-assumption approach.

연구 동기 및 목표

• 강력한 무시 가능성 조건 하에서 단위별로 이질적인 치료 확률을 가진 실험으로 랜덤화 기반 추론을 확장한다.
• 치료 단위 수 또는 공변량 균형과 같은 요약 통계량을 조건으로 삼는 타당한 랜덤화 검정을 개발한다.
• 점 추정치와 신뢰구간을 제공하여 점근적 근사나 비모수적 모델에 의존하지 않는다.
• 치료 배정이 강력하게 무시 가능하지만 성향 스코어가 알려져 있지 않은 관찰 연구에 적용 가능한 최소 가정 프레임워크를 수립한다.
• 거부 샘플링 및 중요도 샘플링 기법을 활용하여 설계 특성에 조건을 두면서도 유형 I 오류 통제를 유지함으로써 추론 정밀도를 향상시킨다.

제안 방법

• 각 단위의 치료 확률 $ e(\boldsymbol{x}_i) $를 고려한 독립적인 베르누이 시행으로서의 할당 메커니즘을 모델링하는 랜덤화 기반 추론 프레임워크를 사용하여 강력한 무시 가능성을 확보한다.
• 알려진 할당 메커니즘 $ P(\boldsymbol{W} = \boldsymbol{w} \mid \boldsymbol{X}) = \prod_{i=1}^N e(\boldsymbol{x}_i)^{w_i} (1 - e(\boldsymbol{x}_i))^{1 - w_i} $ 하에서 날카로운 근본 가설 하의 검정 통계량의 근본 분포를 계산하여 정확한 랜덤화 검정을 유도한다.
• 치료 단위 수 또는 공변량 균형과 같은 관심 통계량을 조건으로 삼는 랜덤화 추론을 가능하게 하기 위해 거부 샘플링 및 중요도 샘플링 방법을 도입한다.
• 예를 들어 $ \sum W_i = N_T $ 와 같이 $ \phi(\boldsymbol{W}, \boldsymbol{X}) $ 를 통해 정의된 랜덤화 공간의 분할에 따라 랜덤화 검정을 조건화함으로써 검정력과 정밀도를 향상시킨다.
• 결과로 도출된 p-값은 날카로운 근본 가설 하에서 유효하며, 설계 특성에 조건을 두더라도 항상 유형 I 오류가 수준 $ \alpha $ 이하로 통제됨을 증명한다.
• 동일한 조건부 랜덤화 프레임워크를 사용하여 점 추정치와 신뢰구간을 도출함으로써, 가정된 할당 메커니즘 하에서 타당한 추정치를 보장한다.

실험 결과

연구 질문

• RQ1 단위별로 이질적인 치료 확률을 가진 실험으로 랜덤화 기반 추론를 어떻게 확장할 수 있는가?
• RQ2 치료 단위 수 또는 공변량 균형과 같은 설계 특성에 조건을 두었을 때 타당한 가설 검정을 어떻게 구성할 수 있는가?
• RQ3 불균형한 성향 스코어를 가진 강력한 무시 가능성 조건 하에서 점근적 분포가 아닌 유한 표본에서의 랜덤화 검정의 성질은 무엇인가?
• RQ4 거부 샘플링 및 중요도 샘플링 기법은 이러한 설정에서 랜덤화 기반 추론의 검정력과 정밀도를 어떻게 향상시키는가?
• RQ5 이 프레임워크는 관찰 연구에서 기존의 모델 기반 또는 점근적 방법에 대한 최소 가정 대체 방법으로 얼마나 활용될 수 있는가?

주요 결과

• 제안된 랜덤화 검정은 임의의 관심 통계량에 조건을 두더라도 날카로운 근본 가설 하에서 유효하며, 항상 유형 I 오류가 수준 $ \alpha $ 이하로 통제된다.
• 거부 샘플링 및 중요도 샘플링 기법은 관련 설계 특성에 집중함으로써 강력한 랜덤화 검정을 제공하며, Type I 오류를 증가시키지 않으면서도 정밀도를 향상시킨다.
• 프레임워크는 강력한 무시 가능성 조건 하에서 평균 치료 효과에 대한 정확한 점 추정치와 신뢰구간을 제공하며, 점근적 근사가 필요하지 않다.
• 성향 스코어 $ e(\boldsymbol{x}_i) $ 가 단위 간으로 변동하더라도 이 프레임워크는 전통적인 블록 내 동일 확률 가정을 초월하여 유효성을 유지한다.
• 시뮬레이션 결과는 공변량 균형이나 치료 수에 조건을 두었을 때 무조건적 랜덤화 검정보다 훨씬 높은 검정력을 확보함을 보여준다.
• 이 방법은 전통적인 관찰 연구 방법에 대한 최소 가정 대체 방법을 제공하며, 비모수적 모델이나 대표성 이론에 의존하지 않는다.