[论文解读] Randomization-based Inference for Bernoulli-Trial Experiments and Implications for Observational Studies

Zach Branson, Marie‐Abèle Bind|PubMed|Jul 13, 2017

Statistical Methods in Clinical Trials参考文献 41被引用 7

一句话总结

本文提出了一种基于随机化的推断框架，适用于具有异质处理概率的伯努利试验，可在强可忽略分配机制下实现有效的假设检验、点估计和置信区间。该框架引入了拒绝采样（rejection-sampling）与重要性采样（importance-sampling）方法，以基于协变量平衡或处理数量进行条件推断，确保在不增加额外建模假设的前提下控制第一类错误。

ABSTRACT

We present a randomization-based inferential framework for experiments characterized by a strongly ignorable assignment mechanism where units have independent probabilities of receiving treatment. Previous works on randomization tests often assume these probabilities are equal within blocks of units. We consider the general case where they differ across units and show how to perform randomization tests and obtain point estimates and confidence intervals. Furthermore, we develop rejection-sampling and importance-sampling approaches for conducting randomization-based inference conditional on any statistic of interest, such as the number of treated units or forms of covariate balance. We establish that our randomization tests are valid tests, and through simulation we demonstrate how the rejection-sampling and importance-sampling approaches can yield powerful randomization tests and thus precise inference. Our work also has implications for observational studies, which commonly assume a strongly ignorable assignment mechanism. Most methodologies for observational studies make additional modeling or asymptotic assumptions, while our framework only assumes the strongly ignorable assignment mechanism, and thus can be considered a minimal-assumption approach.

研究动机与目标

• 将基于随机化的推断方法扩展至在强可忽略分配机制下具有异质、个体特定处理概率的实验。
• 开发基于诸如处理单位数量或协变量平衡等汇总统计量进行条件推断的有效随机化检验。
• 在不依赖渐近近似或参数模型的前提下，提供点估计与置信区间。
• 建立一个最小假设框架，适用于处理分配强可忽略但倾向得分未知的观察性研究。
• 通过使用拒绝采样与重要性采样技术，基于设计特征进行条件推断，从而在保持第一类错误控制的前提下提升推断精度。

提出的方法

• 采用基于随机化的推断框架，将分配机制建模为独立的伯努利试验，其概率为个体特定的 $ e(\boldsymbol{x}_i) $，从而确保强可忽略性。
• 通过在原假设下计算检验统计量的零抽样分布，推导出精确的随机化检验，利用已知的分配机制 $ P(\boldsymbol{W} = \boldsymbol{w} \mid \boldsymbol{X}) = \prod_{i=1}^N e(\boldsymbol{x}_i)^{w_i} (1 - e(\boldsymbol{x}_i))^{1 - w_i} $。
• 引入拒绝采样与重要性采样方法，以对任意感兴趣的统计量（如处理单位数量或协变量平衡）进行条件推断。
• 将随机化检验条件化于由函数 $ \phi(\boldsymbol{W}, \boldsymbol{X}) $ 定义的随机化空间的划分上，例如 $ \sum W_i = N_T $，以提升检验效能与精度。
• 证明所得p值在原假设下有效，且第一类错误控制在水平 $ \alpha $，即使在基于设计特征进行条件化时亦成立。
• 利用相同的条件随机化框架推导点估计与置信区间，确保其在所假设的分配机制下具有有效性。

实验结果

研究问题

• RQ1 如何将基于随机化的推断方法扩展至具有异质处理概率的实验？
• RQ2 当基于处理单位数量或协变量平衡等设计特征进行条件化时，能否构建有效的假设检验？
• RQ3 在具有不等倾向得分的强可忽略分配机制下，随机化检验的有限样本性质如何？
• RQ4 拒绝采样与重要性采样方法在何种程度上提升了此类情境下基于随机化的推断的效能与精度？
• RQ5 该框架在多大程度上可作为观察性研究中模型化方法或渐近方法的最小假设替代方案？

主要发现

• 所提出的随机化检验在原假设下具有有效性，即使基于任意感兴趣的统计量进行条件化，第一类错误仍可控制在水平 $ \alpha $。
• 拒绝采样与重要性采样方法通过聚焦于相关的设计特征，显著提升了随机化检验的效能，同时未增加第一类错误。
• 该框架在强可忽略分配机制下可提供平均处理效应的精确点估计与置信区间，无需依赖渐近近似。
• 该方法在倾向得分 $ e(\boldsymbol{x}_i) $ 随个体变化时仍保持有效性，突破了传统块内概率相等的假设限制。
• 模拟结果表明，基于协变量平衡或处理数量进行条件化，可显著提高检验效能，优于无条件随机化检验。
• 该方法为标准观察性研究方法提供了一种最小假设的替代方案，避免了对参数模型或大样本理论的依赖。