协变量自适应随机化下回归调整的一般理论：OLS、Lasso 及更广义情形
统计方法学
2022-09-27 v1 统计理论
统计理论
摘要
我们考虑随机实验中处理效应估计与推断的问题。在实践中，分层随机化或更一般的协变量自适应随机化，在设计阶段被常规用于使处理分配与对结果最相关的少数变量相平衡。随后，在分析阶段进行回归以调整剩余的不平衡，从而产生更高效的处理效应估计量。基于并统一近期关于协变量自适应随机化下普通最小二乘调整估计量的结果，本文提出了一个允许任意模型误设以及存在大量基线协变量的回归调整一般理论。我们以两个 Lasso 调整的处理效应估计量为例阐明该理论，二者在其各自类别中均为最优。此外，提出了非参数一致方差估计量以促进有效推断，其不论所用具体随机化方法如何均适用。所提估计量的鲁棒性与改进的效率通过一项模拟研究和临床试验实例得以证明。本研究为通过在协变量自适应随机化实验中实施机器学习方法来提升处理效应估计效率提供了启示。
引用
@article{arxiv.2011.09734,
title = {A general theory of regression adjustment for covariate-adaptive randomization: OLS, Lasso, and beyond},
author = {Hanzhong Liu and Fuyi Tu and Wei Ma},
journal= {arXiv preprint arXiv:2011.09734},
year = {2022}
}