Asymptotic inference with flexible covariate adjustment under rerandomization and stratified rerandomization

기술 요약: 재무작위화 및 층화 재무작위화 하의 유연한 공변량 보정을 통한 점근적 추론

문제 제기
재무작위화 (Rerandomization) 는 사전에 지정된 균형 기준을 충족하지 못하는 치료 배정 계획을 폐기함으로써 기저 공변량 불균형을 통제하도록 설계된 제한된 무작위화 절차입니다. 재무작위화 하에서 보정되지 않은 추정량과 선형 보정 추정량의 점근적 성질은 유한 모집단 설계 기반 프레임워크 내에서 광범위하게 연구되었으나, 이러한 결과가 M-추정량 (M-estimators) 의 더 넓은 클래스로 일반화되는지는 여전히 불분명합니다. 이 클래스에는 일반화 선형 모델을 통한 g-계산 (g-computation), 결측 데이터에 대한 이중 강건 추정량, 군집 무작위화 시험을 위한 혼합 효과 모델, 그리고 데이터 적응형 머신 러닝을 활용한 효율적 추정량과 같은 유연한 공변량 보정 전략이 포함됩니다. 기존 문헌에는 재무작위화 하의 이러한 추정량에 대한 공식적인 점근적 이론이 부재하여, 유연한 보정과 제한된 무작위화가 결합되었을 때 유효한 추론을 수행하는 방법에 대한 이해에 공백이 존재합니다.

방법론
저자들은 미지의 분포로부터 유한한 2 차 모멘트를 갖는 독립 동일 분포 (i.i.d.) 추출을 가정하는 초모집단 (super-population) 표본 추출 기반 프레임워크를 채택합니다. 본 연구는 두 가지 주요 무작위화 절차를 다룹니다:

1. 재무작위화: 공변량의 부분집합 ($X_r$) 에 대한 불균형 통계량의 마할라노비스 거리 (또는 일반화된 거리) 가 임계값 $t$ 미만으로 떨어질 때까지 치료 배정을 재생성합니다.
2. 층화 재무작위화: 범주형 층에 대한 정확한 균형을 보장하기 위한 층화 무작위화와 연속형 공변량에 대한 불균형을 통제하기 위한 재무작위화를 결합한 방식입니다.

본 논문은 추정 방정식 $\sum \psi(O_i; \theta) = 0$의 해로 정의된 M-추정량과 교차 적합 (cross-fitting) 을 사용하는 이중 머신 러닝 (DML) 기반의 효율적 영향 함수 (EIF) 에 근거한 효율적 추정량에 대한 점근적 이론을 개발합니다. 분석은 재무작위화에 내재된 기각 표본 추출 (rejection sampling) 로 인해 관찰치 간에 발생하는 상관관계를 다룹니다.

주요 기여 및 결과

1. 점근적 선형성과 영향 함수 불변성:
   저자들은 표준 정규 조건을 만족하는 모든 M-추정량에 대해 단순 무작위화와 재무작위화 하에서 점근적 선형성과 영향 함수가 동일함을 증명합니다. 결과적으로, 어떤 추정량이 단순 무작위화 하에서 일관성을 갖는다면 재무작위화 하에서도 일관성을 유지합니다. 이 결과는 재무작위화 하에서 M-추정량에 대한 영향 함수를 다시 유도할 필요가 없음을 시사합니다.

2. 비가우시안 점근 분포:
   단순 무작위화가 점근적 정규성을 산출하는 것과 달리, 재무작위화는 일반적으로 비가우시안 점근 분포를 초래합니다. 극한 분포는 표준 정규 변수와 절단된 정규 변수의 선형 결합으로 나타납니다:
   $$\sqrt{n}(\hat{\Delta} - \Delta) \xrightarrow{d} \sqrt{V} \left( \sqrt{1-R^2} z + \sqrt{R^2} r_{q,t} \right)$$
   여기서 $z \sim N(0,1)$이며, $r_{q,t}$는 절단된 정규 변수, $V$는 단순 무작위화 하의 점근적 분산, $R^2$는 추정량의 영향 함수와 재무작위화된 공변량 간의 정렬 정도를 측정합니다. 이 분포는 대칭적이고 종 모양이지만, $R^2$와 균형 임계값 $t$에 의존하는 인자에 의해 분산이 감소합니다.

3. 점근적 정규성을 위한 조건 (재무작위화의 무시 가능성):
   본 논문은 $R^2 = 0$이 되는 특정 조건을 규명하여, 점근 분포가 정규 분포가 되고 분석 단계에서 재무작위화 절차가 점근적으로 무시 가능하게 만드는 조건을 제시합니다. 일반적인 추정량 (ANCOVA, 로지스틱 회귀 g-계산, DR-WLS, 혼합 ANCOVA) 의 경우, 다음 조건들이 충족되면 점근적 정규성이 달성됩니다:

   • 치료 배정이 균형 ($\pi=0.5$) 을 이루고 추정 대상이 차이 척도 (difference scale) 일 때;
   • 결과 회귀 모델에 재무작위화 변수에 대한 치료 - 공변량 상호작용 항이 포함될 때; 또는
   • 결과 회귀 모델이 올바르게 지정되었을 때.
     특히, 분석 모델이 재무작위화 변수 (층화 사례의 경우 층 변수 포함) 를 보정한다면, 점근적 정규성에 기반한 표준 추론 절차가 유효하게 유지됩니다.

4. 층화 재무작위화로의 확장:
   층화 재무작위화에 대해서도 유사한 결과가 확립되었습니다. 점근적 분포는 층화로 인한 분산 감소를 고려하기 위해 분산 성분을 조정하는 유사한 형태를 따릅니다. 점근적 정규성을 위한 조건은 재무작위화 변수와 층 지시 변수 모두를 보정해야 함을 요구합니다.

5. 머신 러닝을 활용한 효율적 추정량:
   저자들은 이러한 발견을 효율적 영향 함수와 데이터 적응형 머신 러닝 (DML) 기반의 효율적 추정량으로 확장합니다. 머신 러닝 모델이 재무작위화 변수를 보정하는 한, 추정량은 준모수적으로 효율적임을 증명합니다. 보정 집합에 재무작위화 변수가 포함되지 않는 한 점근적 분포는 동일한 비가우시안 형태를 따르지만, 보정 집합에 재무작위화 변수가 포함되면 $R^2=0$이 되어 정규성이 회복됩니다. 본 논문은 재무작위화가 고전적 준모수 효율성 하한을 낮추지는 않지만, 예후 공변량과 직교하지 않는 추정량의 분산을 감소시킬 수 있음을 보여줍니다.

의의 및 주장
본 논문은 재무작위화 및 층화 재무작위화 하에서 공변량 보정 추정량의 일반적 클래스에 대한 점근적 이론을 최초로 공식적으로 개발했다고 주장합니다. 주요 의의는 다음과 같습니다:

• 추론 절차 명확화: 많은 일반적으로 사용되는 추정량의 경우, 분석이 무작위화 설계에 사용된 변수를 적절히 보정한다면 단순 무작위화를 가정하는 표준 추론이 점근적으로 유효함을 보여줍니다. 이는 재무작위화의 실용적 적용을 단순화합니다.
• 설계와 분석의 연결: 재무작위화의 설계 기반 이점 (개선된 균형) 과 유연한 공변량 보정의 분석 기반 이점을 연결하여, 두 가지가 상호 보완적이지만 대규모 표본에서 재무작위화로 인한 효율성 향상은 보정을 통해 완전히 포착될 수 있음을 보여줍니다.
• 머신 러닝 접근법 검증: 데이터 적응형 머신 러닝을 재무작위화 실험에서 사용하는 것을 지지하며, 그 효율성 최적성을 증명하고 점근적 행동에 대한 필요한 이론적 근거를 제공합니다.

저자들은 그들의 결과가 초모집단 프레임워크 하에서 유도되었지만, 선형 추정량에 대한 이전 설계 기반 결과의 표본 추출 기반 대응물 역할을 한다고 지적합니다. 그들은 유한 표본, 특히 작은 표본 크기나 모델 오지정 시에는 점근적 분산이 이론적으로 변하지 않더라도 재무작위화가 여전히 정밀도 향상을 제공할 수 있음을 인정하며, 이는 군집 무작위화 실험의 재분석과 시뮬레이션에서 관찰된 현상이라고 덧붙입니다.