[논문 리뷰] Asymptotic Efficiency Bounds for a Class of Experimental Designs

Timothy B. Armstrong|arXiv (Cornell University)|2022. 05. 05.

Advanced Causal Inference Techniques인용 수 5

한 줄 요약

이 논문은 공변량과 과거 결과에 기반해 치료를 배정하는 실험 설계에 대한 渐近적 효율성 경계를 수립하며, 최적화된 Hahn (1998) 경계가 평균 치료 효과를 추정할 때 가능한 최소 분산임을 보여준다. 이는 분류 또는 적응형 설계 조건에서도 마찬가지이다. 핵심 결과는 치료 배정이 공변량과 순차적 결과 데이터에 의존할 경우, 이 경계를 초월한 1차 효율성 향상은 불가능하다는 것이다.

ABSTRACT

We consider an experimental design setting in which units are assigned to treatment after being sampled sequentially from an infinite population. We derive asymptotic efficiency bounds that apply to data from any experiment that assigns treatment as a (possibly randomized) function of covariates and past outcome data, including stratification on covariates and adaptive designs. For estimating the average treatment effect of a binary treatment, our results show that no further first order asymptotic efficiency improvement is possible relative to an estimator that achieves the Hahn (1998) bound in an experimental design where the propensity score is chosen to minimize this bound. Our results also apply to settings with multiple treatments with possible constraints on treatment, as well as covariate based sampling of a single outcome.

연구 동기 및 목표

• 치료 배정이 공변량과 과거 결과 데이터에 의존하는 실험 설계에 대한 渐近적 효율성 경계를 유도하는 것.
• 분류 또는 적응형 설계가 평균 치료 효과 추정에 있어서 Hahn (1998) 효율성 경계를 초월할 수 있는지 여부를 규명하는 것.
• 공변량 기반 샘플링 또는 순차적 배정이 유도하는 의존성 구조를 고려한 일반 실험 설계로 반파rametric 효율성 프레임워크를 확장하는 것.
• 제한된 치료 배정 또는 다중 치료 조건과 같은 제약 조건 하에서 Hahn (1998) 경계의 최적성(formalize)을 정립하는 것.
• 지역적 渐近적 정규성 및 우도 전개 기법을 활용하여 순차적 및 공변량 적응형 실험에서 최적 설계에 대한 이론적 기반을 제공하는 것.

제안 방법

• 일반적인 실험 설계와 순차적 치료 배정 하에서 우도 비율에 대해 Le Cam 스타일의 지역적 渐近적 정규성(LAN) 전개를 적용하는 것.
• Abadie와 Imbens (2012)와 유사한 마틴갈 표현 기법을 사용하여 의존성 유도 설계 하에서 추정기의 渐近적 행동을 분석하는 것.
• 최악의 부분모형을 통한 효율성 경계 유도: 반파라미터리 효율성 경계는 조건부 분산과 유사도 점수를 포함하는 정보 항들의 합으로 표현된다.
• 제약 조건 하에서 효율성 경계를 최소화하기 위한 치료 배정 확률에 대한 최적화 문제를 해결하며, 치료 제한을 위한 라그랑주 승수를 사용하는 것.
• 최적 설계 하에서 실험에 대한 지역적 渐近적 정규성(LAN)을 확립하며, 정보 경계가 날카롭다는 것을 보여주는 것.
• 지역적 渐近적 최소 최대 정리(local asymptotic minimax theorem)를 적용하여, 최적 설계 하에서 어떤 추정기라도 이 경계를 초월한 더 나은 渐近적 성능을 달성할 수 없다는 것을 보여주는 것.

실험 결과

연구 질문

• RQ1 공변량과 과거 결과를 사용하는 실험 설계가 Hahn (1998) 경계를 초월한 더 나은 渐近적 효율성을 달성할 수 있는가?
• RQ2 치료 배정이 공변량과 순차적 결과 데이터에 의존할 경우, 예를 들어 분류 또는 적응형 설계에서 Hahn (1998) 효율성 경계가 여전히 유효한가?
• RQ3 공변량 기반 샘플링과 제약 조건 하에서 평균 치료 효과 추정기의 渐近적 분산을 최소화하는 최적의 치료 배정 규칙은 무엇인가?
• RQ4 치료 배정 제약(예: 총 치료 수 제한)은 순차적 실험 설계에서 추정기의 渐近적 효율성에 어떤 영향을 미치는가?
• RQ5 다중 치료 및 이질적 치료 효과가 존재하는 설정에서 효율성 경계를 달성할 수 있는가?

주요 결과

• 치료 배정이 공변량과 과거 결과에 의존하더라도, Hahn (1998) 효율성 경계는 평균 치료 효과 추정에 대해 가능한 최소의 渐近적 분산을 유지한다.
• 설계의 복잡성과 관계없이, 최적화된 Hahn (1998) 경계를 초월한 추가적인 1차 효율성 향상은 불가능하다.
• 경계를 최소화하는 최적의 유사도 점수 $ e^*(x) $ 는 $ \frac{\sigma^2(x,0)}{(1-e^*(x))^2} = \frac{\sigma^2(x,1)}{e^*(x)^2} $ 를 만족하며, 이는 Neyman 할당에 해당한다.
• 치료 배정에 제약 조건이 존재할 경우, 최적 설계는 $ \frac{\tilde{\sigma}^2(x,w)}{p^*(x,w)^2} = \lambda(x) + \mu' r(x,w) $ 를 만족하는 라그랑주 최적화 문제를 해결하며, 보완성 조건(complementary slackness conditions)이 적용된다.
• 최적 설계 하에서 반파라미터리 효율성 경계는 $ v_{p^*(\cdot)} = I_X + E_{\theta^*} \lambda(X_i) + \mu' c $ 로 표현되며, 이는 날카롭고 향상 불가능하다.
• 기대값 제약 조건을 만족하는 모든 실현 가능한 치료 규칙에 대해, 지역적 渐近적 정규성 정리에 따라 정보 경계 $ v_{p^*(\cdot)} $ 는 추정기 및 검정에 대해 달성 가능한 최소 분산임을 확인한다.