[论文解读] Covariate Balancing Sensitivity Analysis for Extrapolating Randomized Trials across Locations

Xinkun Nie, Guido W. Imbens+1 more|arXiv (Cornell University)|Dec 9, 2021

Advanced Causal Inference Techniques被引用 6

一句话总结

本文提出了一种协变量平衡敏感性分析方法，以在未测量的影响修饰因素损害外部有效性时，提升随机对照试验结果在不同地点之间的泛化能力。通过优化传输权重以平衡各地点之间的可观测协变量矩，该方法相较于标准敏感性分析，得出了更紧凑的识别区间；模拟结果显示，区间宽度显著减小，同时保持了覆盖性。

ABSTRACT

The ability to generalize experimental results from randomized control trials (RCTs) across locations is crucial for informing policy decisions in targeted regions. Such generalization is often hindered by the lack of identifiability due to unmeasured effect modifiers that compromise direct transport of treatment effect estimates from one location to another. We build upon sensitivity analysis in observational studies and propose an optimization procedure that allows us to get bounds on the treatment effects in targeted regions. Furthermore, we construct more informative bounds by balancing on the moments of covariates. In simulation experiments, we show that the covariate balancing approach is promising in getting sharper identification intervals.

研究动机与目标

• 解决在存在未测量的影响修饰因素导致分布变化时，将随机对照试验结果从一个地点外推到另一地点所面临的外部有效性挑战。
• 开发一种敏感性分析框架，利用来自源地点和目标地点的数据，以改进治疗效果的识别。
• 通过在敏感性分析优化中引入协变量平衡约束，构建更紧致的治疗效果识别区间。
• 证明利用多地点的丰富数据，可实现比单一样本敏感性分析更强的推断能力。

提出的方法

• 该方法将线性规划优化问题公式化，以在未测量的影响修饰因素发生偏移时，计算治疗效果的边界。
• 引入基于矩的协变量平衡约束，以确保传输权重能够保持各地点之间协变量分布的一致性。
• 该方法采用边际敏感性模型，其中潜在结果的似然比受参数 γ 的边界限制，γ 表示未观测到的分布偏移程度。
• 优化过程结合了源地点的随机对照试验数据和目标地点的观察性数据，以估计治疗效果的边界。
• 采用百分位数自助抽样方法，估计标准误并构建 95% 置信区间，用于估计的边界。
• 通过模拟研究，将该方法与不使用协变量平衡的基线敏感性分析进行比较，评估区间宽度和覆盖性。

实验结果

研究问题

• RQ1 当存在未测量的影响修饰因素时，如何提升在不同地点之间泛化随机对照试验结果时治疗效果边界的精度？
• RQ2 在跨地点泛化中，基于可观测协变量矩的平衡在多大程度上能减少识别区间的宽度？
• RQ3 与单地点方法相比，纳入源地点和目标地点的数据是否能增强敏感性分析的统计功效？
• RQ4 在不同水平的未观测分布偏移下，所提出的边界与真实治疗效果相比如何？
• RQ5 协变量平衡方法是否能在不同假设的敏感性参数 γ 水平下，保持对真实治疗效果的正确覆盖？

主要发现

• 与不使用平衡的基线敏感性分析相比，协变量平衡方法显著减小了识别区间的宽度，尤其在假设的敏感性参数 γ 增大时更为明显。
• 在设定 A 中，当 γ 达到 γ* = 0.2 时，平衡估计器的置信区间覆盖了真实值，表明在真实敏感性水平下具有有效覆盖。
• 在设定 B 中，即使 γ = 0.5（真实敏感性参数），该方法仍保持对真实治疗效果的覆盖，证实了其在不同数据生成过程下的稳健性。
• 通过利用可观测协变量的矩约束，该方法在不牺牲有效性的情况下，相比标准敏感性分析得出了更紧致的边界，从而提高了精度。
• 模拟结果表明，当敏感性参数正确指定时，协变量平衡方法并非保守，其置信区间能紧密跟踪真实值。
• 在两种模拟设置中，该方法均优于非平衡方法，所有 γ 值下均表现出更窄的区间，表明统计功效得到提升。