Balancing Covariates in Survey Experiments

기술 요약: 설문 실험에서의 공변량 균형

문제 제기
설문 실험은 무작위 표본 추출과 무작위 처치 할당을 결합하여 대상 모집단에서 처치 효과를 추정하는 데 있어 황금 표준으로 널리 간주됩니다. 단순 무작위 표본 추출과 완전 무작위화는 평균적으로 공변량을 균형 있게 만들지만, 유한한 표본에서는 종종 공변량 불균형이 발생합니다. 이러한 불균형은 표본 단위와 대상 모집단 사이 (표본 추출 단계) 그리고 처치군과 대조군 사이 (할당 단계) 에서 모두 발생합니다. 이러한 불균형은 조건부 편향을 초래하고 처치 효과 추정치의 변동성을 증가시킬 수 있습니다. 층화 (stratification) 는 대표성과 효율성을 높이기 위한 표준 기법이며, 공변량 균형을 위해 기각 표본 추출 (rejective sampling) 또는 재무작위화 (rerandomization) 가 사용되지만, 기존 문헌은 특히 층의 수가 발산하고 표본 추출 비율이 0 으로 수렴하는 경우를 허용하는 일반적인 설문 실험 설정에서 이러한 방법들을 결합하기 위한 설계 기반 점근 이론을 완전히 탐구하지는 못했습니다.

방법론
저자들은 층화 기각 표본 추출 및 재무작위화 (Stratified Rejective Sampling and ReRandomized, SRSRR) 실험 설계를 제안합니다. 이 2 단계 접근법은 세 가지 고유한 메커니즘을 통합합니다:

1. 층화: 모집단을 예측력 있는 공변량을 기반으로 층으로 분할합니다.
2. 층화 기각 표본 추출: 표본 추출 단계에서 층화 무작위 표본 추출을 통해 단위를 추출합니다. 그러나 사전 표본 추출 공변량 ($W$) 의 가중 표본 평균과 모집단 평균 사이의 마할라노비스 거리가 사전에 설정된 임계값 ($a_S$) 을 초과하면 표본이 기각됩니다. 이는 표본이 $W$와 관련하여 모집단을 대표하도록 보장합니다.
3. 층화 재무작위화: 처치 할당 단계에서 표본 추출된 단위를 층화 무작위화를 통해 처치군 또는 대조군에 할당합니다. 할당 단계 공변량 ($X$) 의 처치군과 대조군 평균 사이의 마할라노비스 거리가 임계값 ($a_T$) 을 초과하면 할당이 기각됩니다.

본 논문은 이러한 설계 하에서 층화 차분 평균 추정량 ($\hat{\tau}$) 에 대한 설계 기반 점근 이론을 개발합니다. 이 프레임워크는 층의 수 ($K_N$) 와 층 크기 ($N_{[k]}$) 가 발산할 수 있고 표본 추출 비율 ($f = n/N$) 이 0 으로 수렴할 수 있는 일반적인 점근 체계를 허용합니다. 저자들은 표본 추출과 처치 할당의 결합된 무작위성을 처리하기 위해 추정량을 독립적인 확률 변수들의 합으로 축소하는 Hájek 결합 기법을 사용합니다.

또한, 저자들은 분석 단계에서 공변량 조정 방법을 제안합니다. 이 선형 조정 추정량 ($\hat{\tau}_{adj}$) 은 분석 단계에서 수집된 추가 공변량 (모집단의 경우 $E$, 표본의 경우 $C$) 을 활용하여 잔여 불균형을 더욱 줄입니다.

주요 기여

1. 층화 무작위화를 위한 설계 기반 점근 이론: 본 논문은 층화 무작위 표본 추출과 할당 하에서 층화 차분 평균 추정량이 일관성을 가지며 점근적으로 정규 분포를 따른다는 것을 입증합니다. 이는 점근 분산을 유도하고 이 분산을 최소화하기 위한 최적의 층별 표본 추출 및 처치 비율에 대한 조건을 제공합니다.
2. SRSRR 에 대한 점근 이론: 저자들은 SRSRR 설계 하에서 $\hat{\tau}$의 극한 분포를 유도합니다. 표준 설계와 달리 이 극한 분포는 정규 분포가 아니며, **정규 분포와 두 개의 절단된 정규 분포의 합성곱 (convolution)**임이 밝혀졌습니다. 이 분포는 표준 층화 설계의 분포보다 실제 평균 처치 효과 주변에 더 집중되어 있습니다.
3. 최적 설계 매개변수: 본 논문은 공변량 조정 유무에 관계없이 점근 분산을 최소화하기 위한 최적의 층별 표본 추출 비율 ($f_{[k]}$) 과 처치 비율 ($e_{[k]1}$) 을 결정하기 위한 이론적 결과를 제공합니다.
4. 공변량 조정: 본 연구는 분석 단계 공변량을 사용하는 선형 조정 추정량이 표준 층화 설계와 SRSRR 설계 모두에서 조정되지 않은 추정량보다 점근적으로 더 효율적임을 보여줍니다. 또한 이러한 조정 추정량에 대한 보수적인 분산 추정량과 유효한 신뢰 구간을 제공합니다.

결과

• 이론적 발견:
  • SRSRR 추정량의 점근 분산은 층화 무작위화 설문 실험 (SRSE) 의 점근 분산보다 엄격하게 작으며, 그 감소량은 처치 효과 추정량과 공변량 불균형 간의 다중 결정 계수 ($R^2_W$ 및 $R^2_X$) 의 제곱에 따라 달라집니다.
  • SRSRR 하에서 $\sqrt{n}(\hat{\tau} - \tau)$의 극한 분포는 정규 변수와 두 개의 절단된 정규 변수의 합성곱이며, 이는 해당 정규 변수들보다 0 주변에 더 집중되어 있습니다.
  • 제안된 공변량 조정 추정량 ($\hat{\tau}_{adj}$) 은 선형 조정 추정량 클래스 내에서 가장 작은 점근 분산을 달성합니다.
• 수치 연구:
  • 다양한 시나리오 (작은 층, 큰 층, 혼합) 에 대한 시뮬레이션은 완전 무작위화 및 표준 층화 설계에 비해 SRSRR 이 표준 편차와 제곱근 평균 제곱 오차 (RMSE) 를 유의하게 감소시킨다는 것을 확인했습니다.
  • 합성 데이터 실험에서 층화, 기각 표본 추출, 재무작위화를 결합한 결과 완전 무작위화 기준 대비 표준 편차가 약 30.6% 감소했습니다.
  • 회귀 조정은 추가적인 효율성 향상을 제공하여 조정되지 않은 추정량 대비 표준 편차를 21% 에서 49% 까지 감소시켰습니다.
  • Cooperative Congressional Election Study (CCES) 를 사용한 실제 데이터 분석은 이러한 발견을 뒷받침하여, SRSRR 과 공변량 조정이 비층화 또는 조정되지 않은 접근법에 비해 더 짧은 신뢰 구간과 향상된 효율성을 가져온다는 것을 보여주었습니다.

의의
본 논문은 제안된 SRSRR 설계와 관련 분석 방법이 설문 실험에서 처치 효과 추정치의 정밀도를 향상시키기 위한 강력한 프레임워크를 제공한다고 주장합니다. 표본 추출과 할당 단계 모두에서 공변량 불균형을 명시적으로 해결함으로써 이 방법은 표본의 대표성과 처치군 간의 균형을 향상시킵니다. 발산하는 층과 0 으로 수렴하는 표본 추출 비율을 수용하는 설계 기반 점근 이론의 개발은 이러한 방법들의 적용 범위를 다양한 실제 설문 설정으로 확장합니다. 저자들은 그들의 접근 방식이 순수하게 설계 기반임을 강조하며, 이는 추정치와 추론 절차의 유효성이 근본적인 결과 모델의 올바른 명세에 의존하지 않음을 의미합니다. 제안된 단계별 워크플로우—층화, 이어지는 기각 표본 추출 및 재무작위화, 그리고 최종적으로 회귀 조정—는 추정 효율성을 극대화하기 위한 실용적 전략으로 제시됩니다.