技術要約：ランダム化飽和デザインにおけるランダム化テスト

問題提起

ランダム化飽和デザインは、クラスター化された集団におけるスピルオーバー効果を推定するための主要なツールである。これらのデザインでは、まずクラスターが異なる「処置飽和レベル」（クラスター内の処置を受けたユニットの割合）に割り当てられ、その後、割り当てられた飽和度を条件として、クラスター内でユニットがランダムに割り当てられる。これらのデザインは、自己の処置効果とピア（仲間）の処置強度を効果的に分離できるが、統計的推論には依然として課題が残る。

推論を妨げる2つの主な障害は以下の通りである：

1. 小標本サイズ： クラスターの数は、大標本近似を正当化するには少なすぎる場合が多く、またクラスターサイズも不均一であることが多い。このため、漸近的な正規近似ではなく、厳密な有限標本手法が必要となる。
2. 部分的鋭利性（Partial Sharpness）： スピルオーバー効果に関する多くの関心の高い仮説（例：スピルオーバーなし、有界なスピルオーバー、または平均的なスピルオーバー）は、部分的にしか鋭利ではない。これらは特定の曝露条件下での潜在的結果を制限するが、全割り当て空間にわたる欠測潜在結果の完全なスケジュールを補完するものではない。したがって、全割り当てベクトルを再サンプリングする素朴なランダム化テストでは、有効な参照分布を生成できない。

既存の文献は、主に大標本推定や、鋭利な帰無仮説（sharp nulls）の下での条件付きランダム化テストに焦点を当ててきた。多重飽和デザインにおける、部分的で、有界かつ弱い平均帰無仮説に対する有限標本で有効なランダム化テストの開発には、空白が存在する。

手法

本論文は、均質な部分的干渉（homogeneous partial interference：結果が自己の処置ステータスとクラスター内の処置を受けたピアの数にのみ依存するという仮定）の下での、ランダム化飽和デザインの構造に特化した一連のランダム化テストを開発している。この手法は、仮説の性質と飽和レベルの数に基づき、3つの主要なコンポーネントに分かれている。

1. 2つの飽和レベルに対する条件付きテスト

固定された飽和レベルのペア $s$ と $s'$ に対して、著者らは「フォーカル・ユニット（焦点となるユニット）」に条件付ける条件付きランダム化フレームワークを提案している。

• フォーカル・ユニットの選択： 観測された飽和度が $s$ または $s'$ であるクラスターから、固定数の未処置ユニットを抽出する。これらのユニットが比較の基礎となる。
• ラベル付け替え分布（Relabeling Distribution）： テストは、選択されたクラスター間で飽和ラベル（$s$ と $s'$）を置換しつつ、フォーカル・ユニットとその観測された結果を固定することで、参照分布を生成する。これにより、問題はクラスターレベルのラベル付け替え問題へと還元される。
• 帰無仮説固有の統計量：
  • 部分的鋭利な帰無仮説 ($H_{0,PS}$): すべてのユニットにおいて $Y_i(0, s) = Y_i(0, s')$ であると仮定する。この帰無仮説の下では、フォーカルな結果はラベル付け替えに対して不変であるため、任意のフォーカル統計量（例：平均値の差）が有限標本で有効なテストとなる。
  • 有界な帰無仮説 ($H_{\delta,B}$): $Y_i(0, s) - Y_i(0, s') \leq \delta$ であると仮定する。テストは、等価境界（$=\delta$）を「最悪の状況を想定した」補完として使用する。観測された結果を $\delta$ だけシフトさせることで、不等式帰無仮説に対して有限標本の妥当性を維持する保守的な統計量を構築する。

2. 弱い平均帰無仮説に対する漸近的テスト

平均的なスピルオーバー効果（例：ユニット平均またはクラスター平均のスピルオーバー）に関する仮説については、帰無仮説が欠測する潜在的結果を決定しないため、厳密な有限標本の条件付きテストは不可能である。

• アプローチ： 著者らは、同じ条件付きラベル付け替え分布を利用しつつ、それを学生化された統計量（ネイマンの分散推定量を使用）と組み合わせる。
• 妥当性： 条件付き分布は厳密な有限標本帰無分布ではないが、著者らは、学生化されたラベル付け替え統計量が（安定したデザイン比率や有界なモーメントなどの規則性条件の下で）漸近的に有効な推論を提供することを証明している。これは、フィッシャー的なランダム化の視点と、ネイマン的な大標量の推論を橋渡しするものである。

3. 全域的単調性のための無条件テスト

複数の順序付けられた飽和レベルを持つデザインに対して、本論文は、未処置の結果が飽和レベルに対して単調であるという全域的な帰無仮説に対処する。

• ペアワイズ補完： ペアごとの対比（これには多重比較補正が必要となる）に問題を分解する代わりに、著者らは、ペアワイズ補完（PIRT）に基づく無条件ランダム化テストを開発している。
• メカニズム： テストは、観測された割り当てを、デザインのサポート内にある他のすべての実行可能な割り当てと比較する。テストは、「ペアワイズ補完可能（pairwise-imputable）」な統計量を利用する。これは、観測された割り当てと参照される割り当ての両方において未処置であり、かつ帰無仮説によってカバーされる順序集合内に曝露が存在するユニットにのみ依存する。
• 妥当性： この構成は、全域的な単調帰無仮説に対して、無条件に有限標本で有効なテストを提供し、局所的な対比からのp値を組み合わせる必要性を回避する。

主要な結果

本論文は以下の理論的結果を確立している：

1. 有限標本での妥当性（条件付き）： 2つの飽和レベルを含む部分的鋭利および有界な帰無仮説に対して、提案された条件付きランダム化テスト（手順 3.1）は、選択されたフォーカル集合を条件として、有限標本においてタイプIエラー率を正確に制御する。
2. 漸近的妥当性（弱い帰無仮説）： 弱い平均帰無仮説に対して、学生化された条件付きランダム化テストは漸近的なサイズを制御し、帰無仮説が鋭利でない場合でも有効な推論を提供する。
3. 有限標本での妥当性（全域的単調性）： 全域的な単調帰無仮説のためのペアワイズ補完ランダム化テスト（PIRT）（手順 5.1）は、無条件に有限標本で有効であることが証明されている。このテストは保守的であるが、単調性の大きな違反を検出する上で優れた検出力を提供する。
4. 実証的パフォーマンス： Zomba現金給付実験に調整されたシミュレーションにより、以下が示された：
   • 有界な帰無仮説に対する条件付きCRTは、サイズを公称レベルに近く維持し（平均サイズ ~0.051）、小標本において回帰ベースのベンチマークよりも高い検出力を提供する。
   • 全域的な単調性PIRTは、隣接するペアワイズテストをボンフェローニ補正で組み合わせるよりも保守的であるが、特に飽和レベルの数が増えるにつれて、単調性の大きな違反を検出する上で優れた検出力を提供する。

意義と貢献

本論文は、干渉下における因果推論の文献に対して、主に3つの貢献を行っている：

1. 条件付きランダム化テストの拡張： 単一の処置ユニットを持つバイナリ第一段階デザインに適用されていた条件付きランダム化フレームワークを、複数の処置ユニットを持つ多重飽和デザインへと拡張した。これは、実証研究で一般的な、より複雑な割り当て空間と部分的補完の問題に対処するものである。
2. 弱い帰無仮説への推論： 弱い平均スピルオーバー帰無仮説に対するランダム化に基づく推論への経路を提供する。条件付きラベル付け替えと学生化を組み合わせることで、本論文はフィッシャー的な厳密なテストとネイマン的な漸近的推論を結合し、厳密な有限標本の妥当性が得られない場合でも、科学的に意味のある平均効果をテストすることを可能にしている。
3. 全域的単調性のテスト： 等価な帰無仮説を超えて、有界および単調な制約をテストする。全域的単調性のためのPIRTの開発により、研究者は局所的なペアワイズ比較に頼ることなく、単一の枠組みの中でスピルオーバーの形状全体をテストできるようになる。これは、スピルオーバーの方向（増加か減少か）が主要な問いとなるアプリケーションにおいて特に重要である。

著者らは、核心となる洞察は、条件付けのステップ（補完可能なユニットの選択）と、統計量（特定の帰無仮説に合わせたもの）の分離であると強調している。このモジュール化されたアプローチにより、鋭利な個別の効果から弱い平均効果、そして全域的な単調性に至るまで、幅広い仮説に対して、困難なランダム化飽和デザインの文脈において有効な推論が可能となる。