📊 statistics

Asymptotic inference with flexible covariate adjustment under rerandomization and stratified rerandomization

Dieser Beitrag etabliert die asymptotische Theorie für eine breite Klasse von kovariatenadjustierten Schätzern, einschließlich M-Schätzer und datenadaptive maschinelle Lernverfahren, unter Rerandomisierung und geschichteter Rerandomisierung und zeigt, dass diese Designs zwar die asymptotische Linearität bewahren, jedoch nicht-gaußsche Verteilungen hervorrufen können, sofern die Kovariaten nicht angemessen adjustiert werden, um asymptotische Normalität und Effizienz wiederherzustellen.

Ursprüngliche Autoren: Bingkai Wang, Fan Li

Veröffentlicht 2026-05-18

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Bingkai Wang, Fan Li

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie organisieren einen riesigen Kochwettbewerb. Sie haben zwei Teams: Team A (verwendet ein neues geheimes Rezept) und Team B (verwendet das alte Standardrezept). Ihr Ziel ist es, herauszufinden, welches Rezept besseres Essen liefert.

Um den Test fair zu gestalten, müssen Sie sicherstellen, dass die Teams vor dem Kochen gleich stark aufgestellt sind. Wenn Team A alle Profiköche erhält und Team B alle Anfänger, können Sie nicht unterscheiden, ob das Rezept besser ist oder ob es einfach nur an den Köchen liegt.

Das Problem: Der „Münzwurf" ist nicht perfekt

Normalerweise verwenden Wissenschaftler eine einfache Randomisierung, die wie ein Münzwurf für jede Person ist, um ihr Team zu entscheiden. Obwohl dies im Durchschnitt fair ist, haben Sie manchmal Pech. Sie könnten zehnmal hintereinander Kopf werfen und alle „Profiköche" in Team A platzieren. Dies wird als Ungleichgewicht bezeichnet.

Die Lösung: „Rerandomisierung" (Der strenge Richter)

Um dies zu beheben, führen die Autoren eine Methode namens Rerandomisierung ein.
Stellen Sie sich einen strengen Richter vor, der jeden Münzwurf beobachtet.

Der Richter wirft die Münzen.
Der Richter prüft die Teams. „Oh, Team A hat zu viele Profis und Team B hat zu viele Anfänger. Das ist nicht fair."
Der Richter verwirft diesen gesamten Satz von Zuweisungen und beginnt von vorne.
Sie werfen und prüfen weiter, bis sie einen Satz von Teams finden, der perfekt ausgeglichen aussieht.

Dies stellt sicher, dass der Startpunkt fair ist. Aber hier ist die große Frage, die der Artikel beantwortet: Verändert diese strenge Richtertätigkeit, wie wir die Ergebnisse am Ende berechnen?

Der alte Weg vs. der neue Weg

In der Vergangenheit wussten Statistiker, dass, wenn Sie einfache Mathematik (wie eine gerade Linie) verwenden, um die Unterschiede zwischen den Teams auszugleichen, der strenge Richter (Rerandomisierung) für die endgültige Berechnung keine wirkliche Rolle spielt. Sie könnten einfach so tun, als hätten Sie ganz normal Münzen geworfen.

Die moderne Wissenschaft verwendet jedoch viel komplexere, flexible Werkzeuge (wie Maschinelles Lernen oder Generalisierte Lineare Modelle), um die Daten zu analysieren. Diese Werkzeuge sind wie „intelligente Algorithmen", die komplexe Muster in den Daten finden können, nicht nur gerade Linien.

Das große Unbekannte war: Wenn Sie diese ausgefallenen, flexiblen Werkzeuge verwenden, verwirft der strenge Richter (Rerandomisierung) dann die Mathematik? Macht er die Ergebnisse seltsam oder unvorhersehbar?

Die Entdeckung des Artikels: „Die Magie der Anpassung"

Die Autoren, Wang und Li, haben die schwere mathematische Arbeit geleistet, um zwei Hauptpunkte zu beweisen:

1. Die „Form" der Ergebnisse ändert sich (aber nur, wenn Sie den Richter ignorieren)
Wenn Sie ein ausgefallenes Werkzeug verwenden, aber vergessen, es über die Regeln des strengen Richters zu informieren, wird die Mathematik seltsam. Die Ergebnisse folgen nicht der Standard-„Glockenkurve" (der Normalverteilung), die Statistiker lieben. Es ist, als würde man versuchen, einen runden Gegenstand mit einem quadratischen Lineal zu messen; die Zahlen werden verzerrt.

2. Die Lösung: Teilen Sie dem Werkzeug einfach den Richter mit
Der Artikel beweist, dass, wenn Sie einfach die Variablen, die der Richter verwendet hat (die „Basis-Kovariaten" wie Alter, Fähigkeitsniveau usw.), in Ihr ausgefallenes Analyseinstrument aufnehmen, alles wieder normal wird.

Die Analogie: Stellen Sie sich vor, Sie erklären einem Reporter die Kochergebnisse. Wenn Sie sagen: „Wir haben einen strengen Richter verwendet, um die Teams auszuwählen, und hier sind die Variablen, die der Richter betrachtet hat", kann der Reporter die Mathematik perfekt verstehen.
Das Ergebnis: Sobald Sie diese Variablen berücksichtigen, funktionieren die ausgefallenen Werkzeuge genau so, als hätten Sie einfach Münzen geworfen. Der „strenge Richter" wird für die endgültige Berechnung unsichtbar.

Was ist mit „geschichteter" Rerandomisierung?

Manchmal möchten Sie nicht nur die gesamte Gruppe ausgleichen, sondern zuerst bestimmte Untergruppen ausgleichen (z. B. sicherstellen, dass jedes Team eine gleiche Mischung aus Männern und Frauen hat, dann ihre Kochfähigkeiten ausgleichen). Dies wird als geschichtete Rerandomisierung bezeichnet.

Die Autoren zeigen, dass dieselbe Magie auch hier funktioniert. Wenn Sie Ihrem ausgefallenen Analyseinstrument sowohl über die Untergruppen (Schichten) als auch über die Variablen informieren, die der Richter ausgeglichen hat, bleibt die Mathematik sauber und normal.

Das „Super-Werkzeug" (Maschinelles Lernen)

Der Artikel betrachtet auch Maschinelles Lernen (KI)-Modelle, die die flexibelsten Werkzeuge von allen sind. Diese Werkzeuge können aus den Daten lernen, ohne dass Sie ihnen genau sagen müssen, wonach sie suchen sollen.

Die Erkenntnis: Selbst mit diesen super-intelligenten KI-Werkzeugen bleibt die KI perfekt effizient, wenn Sie sicherstellen, dass die KI die vom Richter ausgeglichenen Variablen „sieht". Sie findet die wahre Antwort so schnell wie möglich, und die Mathematik hält stand.

Das Fazit für den Alltag

Wenn Sie ein Experiment durchführen (wie eine medizinische Studie oder einen Politiktest) und eine strenge Methode verwenden, um sicherzustellen, dass die Gruppen am Anfang ausgeglichen sind:

Keine Panik: Sie müssen Ihre komplexen Analyseinstrumente nicht verwerfen.
Seien Sie einfach ehrlich: Wenn Sie Ihre Analyse durchführen, stellen Sie sicher, dass Sie die spezifischen Faktoren einbeziehen, die Sie zur Ausgewogenheit der Gruppen verwendet haben.
Das Ergebnis: Ihre Ergebnisse werden genau sein, Ihre Konfidenzintervalle werden korrekt sein, und Sie können den Zahlen genauso vertrauen, als hätten Sie einfache Münzwürfe verwendet.

Der Artikel gibt im Wesentlichen ein „grünes Licht" für die Verwendung der fortschrittlichsten, flexibelsten statistischen Werkzeuge in Experimenten, die eine strenge Ausgewogenheit verwenden, solange Sie daran denken, die Mathematik über die Ausgewogenheitsregeln zu informieren.

Technische Zusammenfassung: Asymptotische Inferenz mit flexibler Kovariatenadjustierung unter Rerandomisierung und geschichteter Rerandomisierung

Problemstellung
Rerandomisierung ist ein eingeschränktes Randomisierungsverfahren, das entwickelt wurde, um ein Ungleichgewicht der Baseline-Kovariaten zu kontrollieren, indem Behandlungszuweisungsschemata verworfen werden, die ein vorab festgelegtes Balancekriterium nicht erfüllen. Während die asymptotischen Eigenschaften von nicht adjustierten und linear adjustierten Schätzern unter Rerandomisierung innerhalb eines auf endlichen Populationen basierenden, designbasierten Rahmens umfassend untersucht wurden, bleibt unklar, ob diese Ergebnisse auf die breitere Klasse der M-Schätzer verallgemeinerbar sind. Diese Klasse umfasst flexible Strategien zur Kovariatenadjustierung wie g-Komputation mit generalisierten linearen Modellen, doppelt robuste Schätzer für fehlende Daten, gemischte Effektmuster für cluster-randomisierte Studien sowie effiziente Schätzer, die datenadaptive maschinelle Lernalgorithmen nutzen. Die bestehende Literatur fehlt es an einer formalen asymptotischen Theorie für diese Schätzer unter Rerandomisierung, was eine Lücke im Verständnis hinterlässt, wie eine valide Inferenz durchzuführen ist, wenn flexible Adjustierung mit eingeschränkter Randomisierung kombiniert wird.

Methodik
Die Autoren übernehmen einen auf Stichprobenziehung aus einer Superpopulation basierenden Rahmen, der unabhängige und identisch verteilte (i.i.d.) Ziehungen aus einer unbekannten Verteilung mit endlichen zweiten Momenten annimmt. Die Studie umfasst zwei primäre Randomisierungsverfahren:

Rerandomisierung: Behandlungszuweisungen werden neu generiert, bis der Mahalanobis-Abstand (oder eine generalisierte Distanz) des Ungleichgewichtstatistik auf einer Teilmenge der Kovariaten ( $X_r$ ) unter einen Schwellenwert $t$ fällt.
Geschichtete Rerandomisierung: Eine Kombination aus geschichteter Randomisierung (zur Sicherstellung einer exakten Balance auf kategorialen Schichten) und Rerandomisierung (zur Kontrolle des Ungleichgewichts bei kontinuierlichen Kovariaten).

Der Artikel entwickelt eine asymptotische Theorie für M-Schätzer, definiert als Lösungen von Schätzgleichungen $\sum \psi(O_i; \theta) = 0$ , sowie für effiziente Schätzer basierend auf der effizienten Einflussfunktion (EIF) unter Verwendung von Double Machine Learning (DML) mit Cross-Fitting. Die Analyse adressiert die Korrelation zwischen Beobachtungen, die durch das Ablehnungs-Sampling (Rejection Sampling) inhärent zur Rerandomisierung induziert wird.

Hauptbeiträge und Ergebnisse

Asymptotische Linearität und Invarianz der Einflussfunktion:
Die Autoren beweisen, dass für jeden M-Schätzer, der Standard-Regularitätsbedingungen erfüllt, die asymptotische Linearität und die Einflussfunktion unter einfacher Randomisierung und unter Rerandomisierung identisch bleiben. Folglich bleibt ein Schätzer, der unter einfacher Randomisierung konsistent ist, auch unter Rerandomisierung konsistent. Dieses Ergebnis erübrigt die Notwendigkeit, Einflussfunktionen für M-Schätzer unter Rerandomisierung neu herzuleiten.
Nicht-gaußsche asymptotische Verteilung:
Im Gegensatz zur einfachen Randomisierung, die zu asymptotischer Normalität führt, führt Rerandomisierung im Allgemeinen zu einer nicht-gaußschen asymptotischen Verteilung. Die Grenzverteilung erweist sich als Linearkombination einer standardnormalverteilten Zufallsvariable und einer abgeschnittenen (trunkierten) Normalverteilung:
$\sqrt{n}(\hat{\Delta} - \Delta) \xrightarrow{d} \sqrt{V} \left( \sqrt{1-R^2} z + \sqrt{R^2} r_{q,t} \right)$
wobei $z \sim N(0,1)$ , $r_{q,t}$ eine abgeschnittene Normalverteilungsvariable ist, $V$ die asymptotische Varianz unter einfacher Randomisierung darstellt und $R^2$ die Ausrichtung zwischen der Einflussfunktion des Schätzers und den rerandomisierten Kovariaten misst. Diese Verteilung ist symmetrisch und glockenförmig, weist jedoch eine Varianz auf, die um einen Faktor reduziert ist, der von $R^2$ und dem Balance-Schwellenwert $t$ abhängt.
Bedingungen für asymptotische Normalität (Ignorierbarkeit der Rerandomisierung):
Der Artikel identifiziert spezifische Bedingungen, unter denen $R^2 = 0$ gilt, wodurch die asymptotische Verteilung normal wird und das Rerandomisierungsverfahren im Analysestadium asymptotisch ignorierbar ist. Für gängige Schätzer (ANCOVA, g-Komputation mit logistischer Regression, DR-WLS und gemischte ANCOVA) wird asymptotische Normalität erreicht, wenn:
- die Behandlungszuweisung ausgeglichen ist ( $\pi=0.5$ ) und der Schätzielwert auf der Differenzenskala liegt;
- das Outcomeregressionsmodell Interaktionsterme zwischen Behandlung und Kovariaten für die Rerandomisierungsvariablen enthält; oder
- das Outcomeregressionsmodell korrekt spezifiziert ist.
  Entscheidend ist, dass, wenn das Analysemodell für die Rerandomisierungsvariablen (und im geschichteten Fall auch für die Schichtenvariablen) adjustiert, Standardinferenzverfahren, die auf asymptotischer Normalität basieren, weiterhin gültig bleiben.
Erweiterung auf geschichtete Rerandomisierung:
Parallele Ergebnisse werden für geschichtete Rerandomisierung etabliert. Die asymptotische Verteilung folgt einer ähnlichen Form, wobei Anpassungen an der Varianzkomponente vorgenommen werden, um die Varianzreduktion durch die Schichtung zu berücksichtigen. Die Bedingung für asymptotische Normalität erfordert eine Adjustierung sowohl für die Rerandomisierungsvariablen als auch für die Schichtindikatoren.
Effiziente Schätzer mit maschinellem Lernen:
Die Autoren erweitern diese Erkenntnisse auf effiziente Schätzer, die auf der effizienten Einflussfunktion und datenadaptiven maschinellen Lernverfahren (DML) basieren. Sie beweisen, dass die Schätzer semiparametrisch effizient bleiben, solange die maschinellen Lernmodelle für die Rerandomisierungsvariablen adjustieren. Die asymptotische Verteilung folgt derselben nicht-gaußschen Form, es sei denn, der Adjustierungssatz enthält die Rerandomisierungsvariablen, in welchem Fall $R^2=0$ gilt und die Normalität wiederhergestellt wird. Der Artikel zeigt, dass Rerandomisierung die klassische semiparametrische Effizienzgrenze nicht senkt, aber die Varianz von Schätzern reduzieren kann, die nicht orthogonal zu prognostischen Kovariaten sind.

Bedeutung und Behauptungen
Der Artikel beansprucht, die erste formale Entwicklung einer asymptotischen Theorie für eine allgemeine Klasse von kovariatenadjustierten Schätzern unter Rerandomisierung und geschichteter Rerandomisierung zu liefern. Seine primäre Bedeutung liegt in:

Klärung von Inferenzverfahren: Es wird gezeigt, dass für viele gängig verwendete Schätzer, wenn die Analyse angemessen für die im Randomisierungsdesign verwendeten Variablen adjustiert, die Standardinferenz (unter Annahme einfacher Randomisierung) asymptotisch gültig ist. Dies vereinfacht die praktische Anwendung von Rerandomisierung.
Verbindung von Design und Analyse: Die Ergebnisse verbinden die designbasierten Vorteile der Rerandomisierung (verbesserte Balance) mit den analysebasierten Vorteilen der flexiblen Kovariatenadjustierung und zeigen, dass diese sich ergänzen, wobei die Effizienzgewinne aus der Rerandomisierung in großen Stichproben jedoch vollständig durch die Adjustierung erfasst werden können.
Validierung von Ansätzen des maschinellen Lernens: Die Arbeit unterstützt den Einsatz datenadaptiver maschineller Lernverfahren in rerandomisierten Experimenten, beweist deren optimale Effizienz und liefert die notwendige theoretische Begründung für ihr asymptotisches Verhalten.

Die Autoren weisen darauf hin, dass ihre Ergebnisse zwar unter einem Superpopulation-Rahmen hergeleitet wurden, sie jedoch als stichprobenbasierte Gegenstücke zu früheren designbasierten Ergebnissen für lineare Schätzer dienen. Sie räumen ein, dass in endlichen Stichproben, insbesondere bei kleinen Stichprobengrößen oder Fehlspezifikation des Modells, Rerandomisierung dennoch Präzisionsgewinne bieten kann, selbst wenn die asymptotische Varianz theoretisch unverändert bleibt, ein Phänomen, das in ihren Simulationen und der Reanalyse eines cluster-randomisierten Experiments beobachtet wurde.