[论文解读] Asymptotic Efficiency Bounds for a Class of Experimental Designs

Timothy B. Armstrong|arXiv (Cornell University)|May 5, 2022

Advanced Causal Inference Techniques被引用 5

一句话总结

本文建立了基于协变量和历史结果分配处理的实验设计的渐近效率界，证明了经过优化的Hahn（1998）界是估计平均处理效应的最低可能方差——即使在分层或自适应设计下也是如此。关键结果是，当处理分配依赖于协变量和序列结果数据时，无法在第一阶上实现进一步的效率改进。

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.

研究动机与目标

• 推导处理分配依赖于协变量和历史结果数据的实验设计的渐近效率界。
• 确定分层或自适应设计是否能够改进Hahn（1998）对平均处理效应估计的效率界。
• 将半参数效率框架扩展至通过协变量采样或序列分配引发依赖关系的一般实验设计。
• 在处理分配受限或存在多种处理等约束条件下，形式化Hahn（1998）界的最优性。
• 为使用局部渐近正态性和似然展开技术的序列和协变量自适应实验中的最优设计提供理论基础。

提出的方法

• 对具有序列处理分配的一般实验设计下的似然比应用类似Le Cam的局部渐近正态性（LAN）展开。
• 采用类似于Abadie和Imbens（2012）的鞅表示技术，分析依赖性诱导设计下估计量的渐近行为。
• 通过最不利子模型推导效率界，其中半参数效率界表示为包含条件方差和倾向得分的信息项之和。
• 通过拉格朗日乘子法求解处理分配概率的优化问题，以在约束条件下最小化效率界。
• 在最优设计下建立实验的局部渐近正态性（LAN），表明信息界是紧确的。
• 应用局部渐近最小极大定理，表明在最优设计下，没有任何估计量能实现优于该边界的渐近性能。

实验结果

研究问题

• RQ1 利用协变量和历史结果的实验设计是否能够实现优于Hahn（1998）界的渐近效率？
• RQ2 当处理分配依赖于协变量和序列结果数据（如分层或自适应设计）时，Hahn（1998）效率界是否仍然有效？
• RQ3 在基于协变量采样和约束条件下，使平均处理效应估计量的渐近方差最小化的最优处理分配规则是什么？
• RQ4 对处理分配的约束（如总处理量限制）如何影响序列实验设计中估计量的渐近效率？
• RQ5 在存在多种处理和异质处理效应的情境下，是否可以达到效率界？

主要发现

• 即使处理分配依赖于协变量和历史结果，Hahn（1998）效率界仍是平均处理效应估计的最低可能渐近方差。
• 无论设计复杂度如何，无法在第一阶上实现对优化后的Hahn（1998）界的进一步渐近效率改进。
• 使界最小化的最优倾向得分 $ e^*(x) $ 满足 $ \frac{\sigma^2(x,0)}{(1-e^*(x))^2} = \frac{\sigma^2(x,1)}{e^*(x)^2} $，对应Neyman分配。
• 在处理分配受限的情况下，最优设计通过拉格朗日优化问题求解，其中 $ \frac{\tilde{\sigma}^2(x,w)}{p^*(x,w)^2} = \lambda(x) + \mu' r(x,w) $，并满足互补松弛条件。
• 在最优设计下的半参数效率界为 $ v_{p^*(\cdot)} = I_X + E_{\theta^*} \lambda(X_i) + \mu' c $，该界是紧确且不可改进的。
• 对于任何满足期望约束的可行处理规则，局部渐近正态性定理确认信息界 $ v_{p^*(\cdot)} $ 是估计量和检验的最小可实现方差。