[论文解读] Exact tests for two-stage randomized designs in the presence of interference

Guillaume Basse, Avi Feller+1 more|arXiv (Cornell University)|Sep 23, 2017

Advanced Causal Inference Techniques参考文献 11被引用 9

一句话总结

本文提出了一种在存在干扰的两阶段随机化设计中进行条件随机化检验的灵活框架，其中一单位的处理效应会影响其他单位。通过基于结构化的分配子集而非刚性划分进行条件化，该方法在保持尖锐零假设下有效性的同时提高了统计功效，如对费城学生缺勤问题的研究所示。

ABSTRACT

Many important causal questions address interactions between units, also known as interference, such as interactions between individuals in households, students in schools, and firms in markets. Standard methods, however, often break down in this setting. In particular, randomization tests for statistical hypotheses on treatment effects are challenging because such hypotheses are typically not sharp in the presence of interference. One approach is to conduct randomization tests conditional on a subset of units and assignments, such that the null hypothesis is sharp. While promising, existing approaches require such conditioning to be based on an inflexible partition of the space of treatment assignments, which usually leads to loss of power. In this paper, we propose a general framework for conditional randomization tests that supports more flexible conditioning, allowing us to leverage more structure from the problem and increase power. Our framework subsumes standard results in conditional randomization testing and also formalizes recent randomization tests in the presence of interference. We detail our framework for two-stage randomized designs, and illustrate our approach with an analysis of a randomized evaluation of an intervention targeting student absenteeism in the School District of Philadelphia.

研究动机与目标

• 为解决在干扰存在下检验处理效应的挑战，因为标准随机化检验会因非尖锐零假设而失效。
• 开发一种比现有依赖于处理分配空间刚性划分的条件随机化检验更具功效的替代方法。
• 通过统一的、结构感知的框架，形式化并推广近期在干扰情境下的随机化检验。
• 将该框架应用于两阶段随机化实验，如教育和公共卫生领域中常见的干扰场景。
• 通过在费城学生缺勤干预中的实际评估，展示该方法的实用价值。

提出的方法

• 该框架使用基于特定单位和处理分配子集的条件随机化检验，确保零假设变为尖锐。
• 它引入了一种基于干扰网络结构特征的灵活条件化机制，而非任意或固定的划分。
• 该方法利用两阶段随机化实验的设计结构，识别出能保持第一类错误控制的信息性条件集。
• 它形式化了设计的随机化机制与条件集选择之间的联系，以最大化检验功效。
• 该方法推广了标准随机化检验，并涵盖了近期在干扰情境下的方法，提供统一的理论基础。
• 该框架通过蒙特卡洛抽样实现，以近似条件随机化下的零分布。

实验结果

研究问题

• RQ1 如何设计在存在干扰时既有效又具功效的条件随机化检验？
• RQ2 哪些干扰网络的结构特征可被利用以提高随机化检验的功效？
• RQ3 与刚性划分相比，对处理分配子集的灵活条件化在统计功效上表现如何？
• RQ4 所提出的框架能否应用于存在干扰的真实世界两阶段随机化实验？
• RQ5 在干扰下的因果推断中，条件化策略对第一类错误率和功效有何影响？

主要发现

• 与现有方法相比，该框架通过允许对处理分配子集进行更具信息量和灵活性的条件化，提高了统计功效。
• 通过确保条件零假设为尖锐，该方法在尖锐零假设下保持了精确的第一类错误控制。
• 该框架推广并形式化了近期在干扰情境下的随机化检验，提供了统一的理论基础。
• 在费城缺勤研究中，该方法以比标准方法更高的敏感度检测到显著的处理效应。
• 基于实际干扰网络的结构化条件化，相比非结构化或基于划分的条件化，带来了更强大的检验。
• 该框架在计算上是可行且可扩展的，适用于大规模存在干扰的两阶段随机化实验。