[論文レビュー] On the Efficiency of Finely Stratified Experiments

Yuehao Bai, Jizhou Liu+2 more|arXiv (Cornell University)|Jul 27, 2023

Advanced Causal Inference Techniques被引用数 8

ひとこと要約

論文は、一般的な処置割り当てメカニズムの下で広範な治療効果パラメータクラスの効率境界を導出し、細目に分割されたデザインの下ではナイーブなモーメント法推定量がこの境界を達成することを示しています。また、Ex post covariate調整を避けつつ、設計によって非パラメトリック回帰補正をどのように行うかを説明します。

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.

研究の動機と目的

• 非独立同一分布（i.i.d.）でない割り当てスキームと層別割り当てスキームの下での治療効果パラメータの効率的推定を動機づける。
• モーメント条件の解として表現される一般的なパラメータクラスを特徴づける。
• 一般の割り当てメカニズムの下での正則推定量の漸近分散に対する下界を導出する。
• 細目に分割された設計がナイーブな推定量に対してこの境界を達成することを示す。
• Ex post covariate調整を伴わない実験実践への実用的含意を強調する。

提案手法

• 観測データと既知の関数 m(X,A,R,θ) を含むモーメント条件の解として広範なパラメータクラスを定義する。
• 一般の割り当てメカニズムの下で畳み込み定理を通じて正則推定量の効率境界を導出する。
• 細目に分割された設計の下でナイーブなモーメント法推定量とその漸近的挙動を特徴づける。
• 効率性の向上を論じ、augmentation（強化）と非パラメトリック回帰補正との関係を説明する拡張的（二重頑健）モーメント関数を導入する。
• 細目に分割された設計がEx post covariate調整なしでナイーブ推定量の効率境界を達成することを証明する。

実験結果

リサーチクエスチョン

• RQ1 一般的で非i.i.d. の割り当てスキームの下での治療効果パラメータクラスの推定における効率境界は何か。
• RQ2 ナイーブなモーメント法推定量が効率境界を達成する条件は何か。
• RQ3 細目に分割された設計がこれらのパラメータの漸近分散と効率性にどのような影響を与えるか。
• RQ4 設計によって非パラメトリック回帰補正を模倣し、Ex post covariate調整を避けることは可能か。
• RQ5 ATEを超えるクラスターレベルのパラメータや他の複雑な治療効果ターゲットにも結果は拡張可能か。

主な発見

• 広範な治療割り当てメカニズムの下でパラメータ θ0 の正則推定量に対する畳み込みベースの効率境界を導出。
• 治療が細目に分割された設計によって割り当てられる場合、ナイーブなモーメント法推定量は効率境界を達成する。
• 細目に分割された設計は単位を固定サイズのブロックに区分し、ブロック内で周辺の治療確率を満足させるようにランダムに割り当てることで、Ex post covariate調整なしに効率を達成する。
• フレームワークは平均効果、分位点効果、局所平均治療効果、およびそれらのクラスタ類似をモーメント条件の解として包含する。
• 結果はi.i.d.割り当てを超える広いパラメータクラスと割り当てスキームに対して既存の知見を一般化する。