Asymptotic inference with flexible covariate adjustment under rerandomization and stratified rerandomization

ملخص تقني: الاستدلال التقاربي مع التعديل المرن للمتغيرات المصاحبة تحت إعادة العشوائية وإعادة العشوائية الطبقية

بيان المشكلة
تُعد "إعادة العشوائية" (Rerandomization) إجراءً عشوائياً مقيداً صُمم للتحكم في عدم التوازن في المتغيرات الأساسية من خلال استبعاد مخططات التخصيص العلاجي التي لا تستوفي معيار توازن محدد مسبقاً. وبينما تمت دراسة الخصائص التقاربية للمقدرات غير المعدلة والمقدرات المعدلة خطياً تحت إعادة العشوائية بشكل مكثف ضمن إطار التصميم القائم على المجتمع المحدود، فإنه لا يزال من غير الواضح ما إذا كانت هذه النتائج قابلة للتعميم على الفئة الأوسع من "مقدرات M" (M-estimators). تشمل هذه الفئة استراتيجيات تعديل المتغيرات المصاحبة المرنة مثل "حساب g" (g-computation) باستخدام النماذج الخطية المعممة، والمقدرات متينة الازدواج (doubly-robust estimators) للبيانات المفقودة، ونماذج التأثيرات المختلطة للتجارب العشوائية العنقودية، والمقدرات الفعالة التي تستخدم تعلم الآلة التكيفي مع البيانات. وتفتقر الأدبيات الحالية إلى نظرية تقاربية رسمية لهذه المقدرات تحت إعادة العشوائية، مما يخلق فجوة في فهم كيفية إجراء استدلال صالح عندما يتم الجمع بين التعديل المرن والعشوائية المقيدة.

المنهجية
يتبنى المؤلفون إطار عمل يعتمد على أخذ عينات من "المجتمع الفائق" (super-population)، بافتراض وجود سحب مستقل ومتماثل التوزيع (i.i.d.) من توزيع مجهول ذي عزوم ثانية محدودة. تغطي الدراسة إجراءين رئيسيين للعشوائية:

1. إعادة العشوائية: يتم تجديد تخصيصات العلاج حتى تنخفض مسافة "ماهالانوبيس" (أو مسافة معممة) لإحصائية عدم التوازن على مجموعة فرعية من المتغيرات المصاحبة ($X_r$) عن حد معين $t$.
2. إعادة العشوائية الطبقية: مزيج من العشوائية الطبقية (لضمان التوازن الدقيق في الطبقات الفئوية) وإعادة العشوائية (للتحكم في عدم التوازن في المتغيرات المستمرة).

يطور البحث نظرية تقاربية لمقدرات M، والمعرفة بأنها حلول لمعادلات التقدير $\sum \psi(O_i; \theta) = 0$، والمقدرات الفعالة القائمة على دالة التأثير الفعالة (EIF) باستخدام التعلم الآلي المزدوج (DML) مع التخصيص المتقاطع (cross-fitting). ويتناول التحليل الارتباط بين الملاحظات الناتج عن أخذ العينات بالرفض المتأصل في عملية إعادة العشوائية.

المساهمات والنتائج الرئيسية

1. الخطية التقاربية وثبات دالة التأثير:
   يثبت المؤلفون أنه لأي مقدر M يستوفي الشروط المنتظمة القياسية، فإن الخطية التقاربية ودالة التأثير تظلان متطابقتين تحت كل من العشوائية البسيطة وإعادة العشوائية. وبناءً على ذلك، إذا كان المقدر متسقاً تحت العشوائية البسيطة، فإنه يظل متسقاً تحت إعادة العشوائية. وتلغي هذه النتيجة الحاجة إلى إعادة اشتقاق دوال التأثير للمقدرات تحت إعادة العشوائية.

2. التوزيع التقاربي غير الغاوسي:
   على عكس العشوائية البسيطة، التي تؤدي إلى التوزيع الطبيعي التقاربي، تؤدي إعادة العشوائية عموماً إلى توزيع تقاربي غير غاوسي. وقد أظهرت النتائج أن التوزيع المحدود هو مزيج خطي من متغير طبيعي قياسي ومتغير طبيعي مبتور:
   $$\sqrt{n}(\hat{\Delta} - \Delta) \xrightarrow{d} \sqrt{V} \left( \sqrt{1-R^2} z + \sqrt{R^2} r_{q,t} \right)$$
   حيث $z \sim N(0,1)$، و $r_{q,t}$ هو متغير طبيعي مبتور، و $V$ هو التباين التقاربي تحت العشوائية البسيطة، و $R^2$ يقيس مدى التوافق بين دالة تأثير المقدر والمتغيرات المعاد عشوائيتها. هذا التوزيع متماثل وذو شكل جرس، وله تباين منخفض بمعامل يعتمد على $R^2$ وعتبة التوازن $t$.

3. شروط التوزيع الطبيعي التقاربي (تجاهل إعادة العشوائية):
   تحدد الورقة شروطاً محددة يكون عندها $R^2 = 0$، مما يجعل التوزيع التقاربي طبيعياً ويجعل إجراء إعادة العشوائية "قابلاً للتجاهل" تقاربياً خلال مرحلة التحليل. بالنسبة للمقدرات الشائعة (ANCOVA، والحساب g للارتباط اللوجستي، و DR-WLS، و mixed-ANCOVA)، يتحقق التوزيع الطبيعي التقاربي إذا:

• تم موازنة تخصيص العلاج ($\pi=0.5$) وكان المقدار (estimand) على مقياس الفرق؛ أو
• تضمن نموذج انحدار النتيجة حدود التفاعل بين العلاج والمتغير المصاحب للمتغيرات المعاد عشوائيتها؛ أو
• كان نموذج انحدار النتيجة محدد التوصيف بشكل صحيح.
  ومن الأهمية بمكان أنه إذا قام نموذج التحليل بالتعديل للمتغيرات المعاد عشوائيتها (والطبقات في حالة التوزيع الطبقي)، فإن إجراءات الاستدلال القياسية القائمة على التوزيع الطبيعي التقاربي تظل صالحة.

4. التوسع في إعادة العشوائية الطبقية:
   تم التوصل إلى نتائج موازية لإعادة العشوائية الطبقية. يتبع التوزيع التقاربي شكلاً مشابهاً، مع تعديلات على مكون التباين لمراعاة خفض التباين الناتج عن التطبقية. يتطلب شرط التوزيع الطبيعي التقاربي التعديل لكل من المتغيرات المعاد عشوائيتها ومؤشرات الطبقات.

5. المقدرات الفعالة مع تعلم الآلة:
   يوسع المؤلفون هذه النتائج لتشمل المقدرات الفعالة القائمة على دالة التأثير الفعالة ومتعلمي الآلة التكيفيين مع البيانات (DML). ويثبتون أنه طالما تقوم نماذج تعلم الآلة بالتعديل للمتغيرات المعاد عشوائيتها، فإن المقدرات تظل فعالة شبه معلمية (semiparametrically efficient). يتبع التوزيع التقاربي نفس الشكل غير الغاوسي، ما لم تتضمن مجموعة التعديل المتغيرات المعاد عشوائيتها، وفي هذه الحالة يكون $R^2=0$ وتعود الطبيعية للظهور. توضح الورقة أن إعادة العشوائية لا تخفض الحد الكلاسيكي للكفاءة شبه المعلمية، ولكن يمكنها تقليل تباين المقدرات التي ليست متعامدة مع المتغيرات التنبؤية.

الأهمية والادعاءات
تدعي الورقة أنها تقدم أول تطوير رسمي لنظرية تقاربية لفئة عامة من المقدرات المعدلة للمتغيرات المصاحبة تحت إعادة العشوائية وإعادة العشوائية الطبقية. وتكمن أهميتها الرئيسية في:

• توضيح إجراءات الاستدلال: توضح أنه بالنسبة للعديد من المقدرات الشائعة، إذا قام التحليل بتعديل المتغيرات المستخدمة في تصميم العشوائية بشكل مناسب، فإن الاستدلال القياسي (بافتراض العشوائية البسيطة) يكون صالحاً تقاربياً. وهذا يبسط التطبيق العملي لإعادة العشوائية.
• الربط بين التصميم والتحليل: تربط النتائج بين فوائد التصميم لإعادة العشوائية (تحسين التوازن) وفوائد التعديل المرن للمتغيرات المصاحبة (التحليل)، وتظهر أن الاثنين متكاملان ولكن مكاسب الكفاءة من إعادة العشوائية قد يتم استيعابها بالكامل بواسطة التعديل في العينات الكبيرة.
• التحقق من صحة نهج تعلم الآلة: يدعم هذا العمل استخدام متعلمي الآلة التكيفيين مع البيانات في التجارب المعاد عشوائيتها، مما يثبت كفاءتها المثلى ويوفر التبرير النظري اللازم لسلوكها التقاربي.

يشير المؤلفون إلى أنه بينما تم اشتقاق نتائجهم تحت إطار المجتمع الفائق، إلا أنها تعمل كمقابلات قائمة على أخذ العينات للنتائج السابقة القائمة على التصميم للمقدرات الخطية. كما يقرون بأنه في العينات المحدودة، وخاصة مع أحجام العينات الصغيرة أو سوء توصيف النموذج، قد تظل إعادة العشوائية تقدم مكاسب في الدقة حتى لو لم يتغير التباين التقاربي نظرياً، وهي ظاهرة لوحظت في عمليات المحاكاة وإعادة تحليل تجربة عشوائية عنقودية.