PCA 重随机化
统计方法学
2021-02-25 v1
摘要
在实施重随机化策略时，常采用处理组与对照组协变量均值之间的马氏距离作为平衡准则。然而，该准则在高维情形下可能表现不佳，因为它对所有正交化协变量一视同仁地加以平衡。在此，我们提出利用主成分分析（PCA）来识别应当计算马氏距离的合适子空间。PCA 不仅能在高维情形下有效降维，同时捕捉协变量中的大部分信息，还能通过聚焦于顶部正交成分而带来计算上的简便性。我们证明了我们的 PCA 重随机化方案在平衡协变量方面具有理想的理论性质，从而有助于改善平均处理效应的估计。我们还通过模拟与真实示例的数值研究支持了上述结论。
引用
@article{arxiv.2102.12262,
title = {PCA Rerandomization},
author = {Hengtao Zhang and Guosheng Yin and Donald B. Rubin},
journal= {arXiv preprint arXiv:2102.12262},
year = {2021}
}