📊 statistics

Asymptotic inference with flexible covariate adjustment under rerandomization and stratified rerandomization

Dit artikel vestigt de asymptotische theorie voor een brede klasse van covariaat-gecorrigeerde schatters, waaronder M-schatters en datagestuurde machinelearningmethoden, onder herrandomisatie en gelaagde herrandomisatie, en toont aan dat hoewel deze ontwerpen de asymptotische lineariteit behouden, ze niet-Gaussische verdelingen kunnen veroorzaken tenzij covariaten op passende wijze worden gecorrigeerd om asymptotische normaliteit en efficientie te herstellen.

Oorspronkelijke auteurs: Bingkai Wang, Fan Li

Gepubliceerd 2026-05-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bingkai Wang, Fan Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme kookwedstrijd organiseert. Je hebt twee teams: Team A (met een nieuw geheim recept) en Team B (met het oude standaardrecept). Je doel is om te zien welk recept beter eten oplevert.

Om de test eerlijk te maken, moet je ervoor zorgen dat de teams voor het begin van het koken gelijkwaardig zijn. Als Team A alle professionele chefs krijgt en Team B alle beginners, kun je niet zeggen of het recept beter is of dat het gewoon aan de chefs ligt.

Het probleem: de "muntworp" is niet perfect

Wetenschappers gebruiken meestal Eenvoudige Randomisatie, wat neerkomt op het gooien van een munt voor elke persoon om hun team te bepalen. Hoewel dit gemiddeld eerlijk is, heb je soms pech. Je kunt bijvoorbeeld 10 keer achter elkaar kop gooien, waardoor alle "professionele chefs" bij Team A terechtkomen. Dit noem je onevenwichtigheid.

De oplossing: "Herrandomisatie" (de strenge rechter)

Om dit op te lossen, introduceren de auteurs een methode genaamd Herrandomisatie.
Stel je een strenge rechter voor die elke muntworp gadeslaat.

De rechter gooit de munten.
De rechter controleert de teams. "Oh, Team A heeft te veel professionals en Team B heeft te veel beginners. Dat is niet eerlijk."
De rechter gooit die hele reeks toewijzingen weg en begint opnieuw.
Ze blijven munten werpen en controleren totdat ze een set teams vinden die perfect in balans lijkt.

Dit zorgt ervoor dat de startlijn eerlijk is. Maar hier is de grote vraag die het artikel beantwoordt: Verandert deze strenge rechterlijke controle hoe we de resultaten aan het einde berekenen?

De oude manier versus de nieuwe manier

In het verleden wisten statistici dat als je eenvoudige wiskunde (zoals een rechte lijn) gebruikte om de verschillen tussen de teams aan te passen, de strenge rechter (herrandomisatie) voor de uiteindelijke berekening eigenlijk niet uitmaakte. Je kon gewoon doen alsof je normaal gesproken munten had gegooid.

Moderne wetenschap maakt echter gebruik van veel complexere, flexibele hulpmiddelen (zoals Machine Learning of Generalized Linear Models) om de data te analyseren. Deze hulpmiddelen zijn als "slimme algoritmen" die complexe patronen in de data kunnen vinden, niet alleen rechte lijnen.

Het grote onbekende was: Als je deze chique, flexibele hulpmiddelen gebruikt, verstoort de strenge rechter (herrandomisatie) dan de wiskunde? Maakt het de resultaten vreemd of onvoorspelbaar?

De ontdekking van het artikel: "De magie van aanpassing"

De auteurs, Wang en Li, hebben het zware wiskundige werk verricht om twee hoofdzaakken te bewijzen:

1. De "vorm" van de resultaten verandert (maar alleen als je de rechter negeert)
Als je een chique hulpmiddel gebruikt maar vergeet om het te vertellen over de regels van de strenge rechter, wordt de wiskunde vreemd. De resultaten volgen niet de standaard "klokcurve" (de normale verdeling) waar statistici van houden. Het is alsof je probeert een rond object te meten met een vierkante liniaal; de cijfers worden vervormd.

2. De oplossing: vertel het hulpmiddel gewoon over de rechter
Het artikel bewijst dat als je simpelweg de variabelen die de rechter gebruikte (de "baseline covariaten" zoals leeftijd, vaardigheidsniveau, enz.) opneemt in je chique analysehulpmiddel, alles weer normaal wordt.

De analogie: Stel je voor dat je de kookresultaten uitlegt aan een verslaggever. Als je zegt: "We hebben een strenge rechter gebruikt om de teams te kiezen, en hier zijn de variabelen waar de rechter naar keek", kan de verslaggever de wiskunde perfect begrijpen.
Het resultaat: Zodra je deze variabelen aanpast, werken de chique hulpmiddelen precies zoals ze zouden hebben gewerkt als je gewoon munten had gegooid. De "strenge rechter" wordt onzichtbaar voor de uiteindelijke berekening.

Wat is er met "Gestratificeerde Herrandomisatie"?

Soms wil je niet alleen de hele groep in balans brengen; je wilt eerst specifieke subgroepen in balans brengen (bijvoorbeeld ervoor zorgen dat elk team een gelijke mix van mannen en vrouwen heeft, en dan hun kookvaardigheden in balans brengen). Dit heet Gestratificeerde Herrandomisatie.

De auteurs tonen aan dat dezelfde magie hier ook werkt. Als je je chique analysehulpmiddel vertelt over zowel de subgroepen (strata) als de variabelen waar de rechter naar heeft gekeken, blijft de wiskunde schoon en normaal.

De "Super-hulpmiddelen" (Machine Learning)

Het artikel kijkt ook naar Machine Learning (AI) modellen, die de meest flexibele hulpmiddelen van allemaal zijn. Deze hulpmiddelen kunnen uit de data leren zonder dat je ze precies vertelt waar ze naar moeten zoeken.

De bevinding: Zelfs met deze super-slimme AI-hulpmiddelen, als je ervoor zorgt dat de AI de variabelen waar de rechter naar heeft gekeken "ziet", blijft de AI perfect efficiënt. Het vindt het ware antwoord zo snel mogelijk en de wiskunde blijft standhouden.

De conclusie voor gewone mensen

Als je een experiment uitvoert (zoals een medische trial of een beleidstest) en je gebruikt een strenge methode om ervoor te zorgen dat de groepen aan het begin in balans zijn:

Raak niet in paniek: Je hoeft je complexe analysehulpmiddelen niet weg te gooien.
Wees gewoon eerlijk: Als je je analyse uitvoert, zorg er dan voor dat je de specifieke factoren opneemt die je hebt gebruikt om de groepen in balans te brengen.
Het resultaat: Je resultaten zullen accuraat zijn, je betrouwbaarheidsintervallen zullen correct zijn en je kunt net zo veel vertrouwen in de cijfers hebben alsof je gewoon simpele muntworpen had gebruikt.

Het artikel geeft in wezen een "groen licht" voor het gebruik van de meest geavanceerde, flexibele statistische hulpmiddelen in experimenten die strenge balans gebruiken, zolang je maar onthoudt om de wiskunde te vertellen over de balanceringsregels.

Technische Samenvatting: Asymptotische Inferentie met Flexibele Covariaatcorrectie onder Herrandomisatie en Gestratificeerde Herrandomisatie

Probleemstelling
Herrandomisatie is een beperkte randomisatieprocedure die is ontworpen om onevenwichtigheid in baseline-covariaten te controleren door toewijzingsschema's voor behandeling te verwerpen die niet voldoen aan een vooraf gespecificeerd evenwichtscriterium. Hoewel de asymptotische eigenschappen van niet-gecorrigeerde en lineair-gecorrigeerde schatters onder herrandomisatie uitvoerig zijn bestudeerd binnen een op eindige populatie gebaseerd design-raamwerk, is het nog onduidelijk of deze resultaten generaliseren naar de bredere klasse van M-schatters. Deze klasse omvat flexibele covariaatcorrectiestrategieën zoals g-berekening met gegeneraliseerde lineaire modellen, dubbel robuuste schatters voor ontbrekende data, mixed-effects modellen voor cluster-gerandomiseerde trials, en efficiënte schatters die gebruikmaken van data-adaptieve machine learning. De bestaande literatuur mist een formele asymptotische theorie voor deze schatters onder herrandomisatie, wat een gat creëert in het begrip van hoe geldige inferentie moet worden uitgevoerd wanneer flexibele correctie wordt gecombineerd met beperkte randomisatie.

Methodologie
De auteurs hanteren een op superpopulatie steekproeven gebaseerd raamwerk, waarbij wordt aangenomen dat onafhankelijke en identiek verdeelde (i.i.d.) trekkingen plaatsvinden uit een onbekende verdeling met eindige tweede momenten. De studie behandelt twee primaire randomisatieprocedures:

Herrandomisatie: Toewijzingen voor behandeling worden opnieuw gegenereerd totdat de Mahalanobis-afstand (of een gegeneraliseerde afstand) van de onevenwichtigheidsstatistiek voor een subset van covariaten ( $X_r$ ) onder een drempelwaarde $t$ valt.
Gestratificeerde Herrandomisatie: Een combinatie van gestratificeerde randomisatie (om exact evenwicht te garanderen voor categorische strata) en herrandomisatie (om onevenwichtigheid te controleren voor continue covariaten).

Het artikel ontwikkelt asymptotische theorie voor M-schatters, gedefinieerd als oplossingen van schattende vergelijkingen $\sum \psi(O_i; \theta) = 0$ , en efficiënte schatters gebaseerd op de efficiënte invloedfunctie (EIF) met behulp van dubbele machine learning (DML) met cross-fitting. De analyse adresseert de correlatie tussen observaties die wordt veroorzaakt door het verwerpende steekproeftrekken dat inherent is aan herrandomisatie.

Belangrijkste Bijdragen en Resultaten

Asymptotische Lineariteit en Invariantie van de Invloedfunctie:
De auteurs bewijzen dat voor elke M-schatter die voldoet aan standaard regulariteitsvoorwaarden, de asymptotische lineariteit en de invloedfunctie identiek blijven onder eenvoudige randomisatie en herrandomisatie. Bijgevolg blijft een schatter consistent onder herrandomisatie als deze consistent is onder eenvoudige randomisatie. Dit resultaat maakt het overbodig om invloedfuncties voor M-schatters onder herrandomisatie opnieuw af te leiden.
Niet-Gaussische Asymptotische Verdeling:
In tegenstelling tot eenvoudige randomisatie, die asymptotische normaliteit oplevert, leidt herrandomisatie over het algemeen tot een niet-Gaussische asymptotische verdeling. De limietverdeling wordt aangetoond als een lineaire combinatie van een standaardnormale variabele en een afgeknotte normale variabele:
$\sqrt{n}(\hat{\Delta} - \Delta) \xrightarrow{d} \sqrt{V} \left( \sqrt{1-R^2} z + \sqrt{R^2} r_{q,t} \right)$
waarbij $z \sim N(0,1)$ , $r_{q,t}$ een afgeknotte normale variabele is, $V$ de asymptotische variantie onder eenvoudige randomisatie is, en $R^2$ de alignering meet tussen de invloedfunctie van de schatter en de gerandomiseerde covariaten. Deze verdeling is symmetrisch en klokvormig, maar heeft een variantie die is gereduceerd met een factor die afhankelijk is van $R^2$ en de evenwichtsdrempel $t$ .
Voorwaarden voor Asymptotische Normaliteit (Verwaarloosbaarheid van Herrandomisatie):
Het artikel identificeert specifieke voorwaarden waaronder $R^2 = 0$ , waardoor de asymptotische verdeling normaal wordt en de herrandomisatieprocedure asymptotisch verwaarloosbaar is tijdens de analysefase. Voor veelgebruikte schatters (ANCOVA, g-berekening met logistische regressie, DR-WLS en mixed-ANCOVA) wordt asymptotische normaliteit bereikt indien:
- De toewijzing voor behandeling evenwichtig is ( $\pi=0.5$ ) en het te schatten parameter op de verschilschaal ligt;
- Het regressiemodel voor de uitkomst interactietermen bevat tussen behandeling en covariaten voor de variabelen van herrandomisatie; of
- Het regressiemodel voor de uitkomst correct is gespecificeerd.
  Cruciaal is dat, als het analysemodel corrigeert voor de variabelen van herrandomisatie (en stratumvariabelen in het gestratificeerde geval), standaard inferentieprocedures gebaseerd op asymptotische normaliteit geldig blijven.
Extensie naar Gestratificeerde Herrandomisatie:
Parallelle resultaten worden vastgesteld voor gestratificeerde herrandomisatie. De asymptotische verdeling volgt een vergelijkbare vorm, met aanpassingen aan de variantiecomponent om variantiereductie door stratificatie in rekening te brengen. De voorwaarde voor asymptotische normaliteit vereist correctie voor zowel de variabelen van herrandomisatie als de stratumindicatoren.
Efficiënte Schatters met Machine Learning:
De auteurs breiden deze bevindingen uit tot efficiënte schatters gebaseerd op de efficiënte invloedfunctie en data-adaptieve machine learners (DML). Zij bewijzen dat zolang de machine learning-modellen corrigeren voor de variabelen van herrandomisatie, de schatters semiparametrisch efficiënt blijven. De asymptotische verdeling volgt dezelfde niet-Gaussische vorm, tenzij de correctieset de variabelen van herrandomisatie bevat, in welk geval $R^2=0$ en normaliteit wordt hersteld. Het artikel demonstreert dat herrandomisatie de klassieke semiparametrische efficiëntiegrens niet verlaagt, maar wel de variantie kan reduceren van schatters die niet orthogonaal zijn ten opzichte van prognostische covariaten.

Betekenis en Beweringen
Het artikel beweert de eerste formele ontwikkeling te bieden van asymptotische theorie voor een algemene klasse van covariaat-gecorrigeerde schatters onder herrandomisatie en gestratificeerde herrandomisatie. De primaire betekenis ligt in:

Verduidelijking van Inferentieprocedures: Het toont aan dat voor veel veelgebruikte schatters, indien de analyse adequaat corrigeert voor de variabelen die in het randomisatieontwerp zijn gebruikt, standaard inferentie (onder de aanname van eenvoudige randomisatie) asymptotisch geldig is. Dit vereenvoudigt de praktische toepassing van herrandomisatie.
Brug tussen Ontwerp en Analyse: De resultaten verbinden de op het ontwerp gebaseerde voordelen van herrandomisatie (verbeterd evenwicht) met de op de analyse gebaseerde voordelen van flexibele covariaatcorrectie, en tonen aan dat deze twee complementair zijn, maar dat de efficiëntiewinsten van herrandomisatie in grote steekproeven volledig kunnen worden gevangen door de correctie.
Validering van Machine Learning-benaderingen: Het werk ondersteunt het gebruik van data-adaptieve machine learners in gerandomiseerde experimenten met herrandomisatie, door hun optimale efficiëntie te bewijzen en de nodige theoretische rechtvaardiging te bieden voor hun asymptotische gedrag.

De auteurs merken op dat, hoewel hun resultaten zijn afgeleid onder een superpopulatie-raamwerk, zij dienen als de op steekproeven gebaseerde tegenhangers van eerdere op het ontwerp gebaseerde resultaten voor lineaire schatters. Zij erkennen dat in eindige steekproeven, met name bij kleine steekproefgroottes of verkeerde modelspecificatie, herrandomisatie nog steeds precisiewinsten kan bieden, zelfs als de asymptotische variantie theoretisch onveranderd blijft, een fenomeen dat is waargenomen in hun simulaties en heranalyse van een cluster-gerandomiseerd experiment.