Sharp variance estimator and causal bootstrap in stratified randomized experiments

Sintesi Tecnica: Stimatoro di Varianza Affilato e Bootstrap Causale in Esperimenti Randomizzati Stratificati

Enunciato del Problema
Gli esperimenti randomizzati stratificati costituiscono un disegno standard per la stima degli effetti del trattamento, basandosi sull'inferenza su popolazione finita di tipo randomizzativo. Sebbene lo stimatore di varianza di tipo Neyman combinato con l'approssimazione normale fornisca un'inferenza valida, è spesso eccessivamente conservativo, portando a intervalli di confidenza ampi. Inoltre, in contesti con piccole dimensioni campionarie o esiti asimmetrici, l'approssimazione normale potrebbe non catturare accuratamente la distribuzione campionaria. I metodi di bootstrap esistenti nell'inferenza causale operano tipicamente nell'ambito di una super-popolazione, dove la casualità deriva sia dal campionamento che dall'assegnazione del trattamento. Tuttavia, nei disegni su popolazione finita, dove l'unica fonte di casualità è l'assegnazione del trattamento, la validità e le prestazioni di questi metodi di bootstrap standard rimangono poco chiare. Inoltre, sorgono sfide specifiche negli esperimenti appaiati (strati di dimensione due), dove i metodi tradizionali di imputazione che preservano il rango falliscono nel generare una distribuzione di bootstrap non degenere.

Metodologia
Gli autori propongono un quadro che comprende uno stimatore di varianza affilato e due distinti procedimenti di bootstrap causale adattati per l'inferenza basata sul disegno.

1. Stimatore di Varianza Affilato:
   Il documento introduce uno stimatore di varianza affilato per lo stimatore della differenza di medie ponderata. Questo stimatore affina l'approccio di tipo Neyman sfruttando il limite superiore affilato per il termine di covarianza $S_{[m]Y(1),Y(0)}$ derivato da Aronow et al. (2014). All'interno di ogni strato, lo stimatore incorpora l'integrale del prodotto delle funzioni di distribuzione empiriche inverse delle potenziali uscite. Gli autori stabiliscono la consistenza di questo stimatore sotto regimi asintotici generali in cui il numero di strati e/o le dimensioni degli strati tendono all'infinito, utilizzando una disuguaglianza di concentrazione per il campionamento senza reinserimento (Bobkov, 2004) per derivare un teorema di tipo Glivenko–Cantelli.

2. Bootstrap Causale basato su Imputazione che Preserva il Rango:
   Per affrontare problemi di piccoli campioni e ottenere un affinamento del secondo ordine, gli autori propongono un metodo di bootstrap causale. A differenza dei bootstrap su super-popolazione, questo metodo tratta le potenziali uscite come fisse e ricampiona le assegnazioni del trattamento secondo il disegno sperimentale originale.

   • Imputazione: Le potenziali uscite non osservate vengono imputate all'interno di ogni strato utilizzando un approccio che preserva il rango. Nello specifico, se un'unità è osservata nel gruppo di trattamento, la sua potenziale uscita di controllo viene imputata mappando il suo rango nella distribuzione osservata del trattamento sulla distribuzione di controllo (e viceversa). Ciò garantisce che le uscite imputate siano co-monotone, massimizzando la varianza dello stimatore fino al limite superiore affilato.
   • Procedura: Il metodo genera distribuzioni di bootstrap per statistiche pivotali ricampionando ripetutamente le assegnazioni del trattamento e calcolando la differenza di medie ponderata e lo stimatore di varianza affilato.
   • Garanzia Teorica: Gli autori dimostrano che questa distribuzione di bootstrap fornisce un affinamento del secondo ordine rispetto all'approssimazione normale, raggiungendo un tasso di convergenza di $o_P(n^{-1/2})$ rispetto a $O(n^{-1/2})$ per l'approssimazione normale, sotto condizioni in cui le dimensioni degli strati sono sufficientemente grandi (almeno due unità trattate e due di controllo).

3. Bootstrap Causale basato su Imputazione con Effetto del Trattamento Costante:
   Riconoscendo che l'imputazione che preserva il rango fallisce negli esperimenti appaiati (dove la dimensione dello strato è due), gli autori propongono un secondo metodo di bootstrap causale.

   • Imputazione: Le potenziali uscite non osservate vengono imputate assumendo un effetto del trattamento costante ($\Delta = \hat{\tau}$) all'interno di ogni coppia.
   • Procedura: Le assegnazioni del trattamento vengono ricampionate secondo il disegno appaiato e le statistiche pivotali vengono calcolate utilizzando lo stimatore di varianza di tipo Neyman per esperimenti appaiati.
   • Garanzia Teorica: Si dimostra che il metodo è valido anche se l'assunzione di effetto del trattamento costante non vale per le vere potenziali uscite, affidandosi all'uso di statistiche studentizzate per garantire la validità asintotica.

Contributi Chiave

• Stimatore di Varianza Affilato: Il documento stabilisce risultati teorici formali per uno stimatore di varianza affilato in esperimenti randomizzati stratificati, adattandosi a regimi asintotici con sia un numero crescente di strati che dimensioni crescenti degli strati.
• Affinamento del Secondo Ordine: Gli autori dimostrano che il bootstrap causale basato sull'imputazione che preserva il rango offre un affinamento del secondo ordine rispetto all'approssimazione normale negli esperimenti stratificati, fornendo probabilità di copertura più accurate e intervalli di confidenza più stretti in campioni finiti.
• Soluzione per Esperimenti Appaiati: Viene proposto un nuovo bootstrap causale basato sull'imputazione con effetto del trattamento costante specificamente per esperimenti appaiati, superando i problemi di degenerazione dei metodi che preservano il rango in questo contesto.
• Quadro Basato sul Disegno: L'analisi è rigorosamente basata sulla randomizzazione, affidandosi esclusivamente alla casualità dell'assegnazione del trattamento piuttosto che al campionamento ipotetico di una super-popolazione, allineandosi alla filosofia dell'inferenza basata sul disegno sostenuta da Fisher e Neyman.

Risultati

• Studi di Simulazione: Studi numerici dimostrano che lo stimatore di varianza affilato proposto combinato con il bootstrap causale (Sharp+Bootstrap) raggiunge probabilità di copertura nominali (95%) riducendo significativamente le lunghezze degli intervalli di confidenza rispetto all'approccio tradizionale Neyman+Normale. I guadagni di efficienza sono particolarmente pronunciati in scenari con esiti asimmetrici o piccole dimensioni campionarie.
• Applicazioni su Dati Reali:
  • Sperimentazione sulla Cessazione del Cannabis: In una sperimentazione clinica stratificata, il metodo Sharp+Bootstrap ha ridotto la lunghezza dell'intervallo di confidenza dell'8,8% rispetto a Neyman+Normale mantenendo una copertura valida.
  • Esperimento di Sanità Pubblica in Messico: In un esperimento a cluster appaiato, il bootstrap con effetto del trattamento costante ha ridotto la lunghezza dell'intervallo del 16,1% rispetto all'approssimazione normale, dimostrando prestazioni superiori in presenza di esiti asimmetrici e valori anomali.

Significato
Il documento afferma che i metodi proposti migliorano l'affidabilità e l'efficienza dell'inferenza causale in disegni sperimentali complessi. Fornendo uno stimatore di varianza affilato e procedimenti di bootstrap causale validi che operano strettamente all'interno del quadro della popolazione finita, gli autori offrono strumenti robusti alla specificazione errata del modello e che performano bene in campioni finiti dove le approssimazioni normali potrebbero fallire. La disponibilità di un pacchetto R (CausalBootstrap) facilita l'applicazione pratica di questi metodi. Il lavoro colma una lacuna nella letteratura riguardante le proprietà teoriche dei bootstrap causali in disegni stratificati e appaiati, offrendo un'alternativa rigorosa all'inferenza basata su super-popolazione.