Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices

平均処置効果を推定する実験で、処置の割当確率だけでなく、どのような共変量を持つ対象を実験に含めるかまで適応的に最適化する実験計画を提案した研究です。両方を最適化すると、割当確率だけを最適化する従来の設計よりも、推定分散の理論限界をさらに下げられることを示しました。ICML 2024 の口頭発表（採択論文の1.5%）に選ばれています。

研究が扱う問題

実験の各回で、実験者は対象を1人選び、処置を割り当て、結果をすぐに観測します。実験が終わったら、集めた標本から平均処置効果を推定します。目標は、この推定の漸近分散をできるだけ小さくすることです。従来の適応的実験の研究は、処置の割当確率（傾向スコア）を実験中に最適化してきました。しかし、実験に含める対象の選び方も推定精度を左右するはずであり、そこまで設計の対象に含めたらどこまで精度を上げられるのかが、この研究の問いです。

提案した方法

まず、共変量の分布と割当確率の両方を設計変数とみなし、セミパラメトリック効率限界（推定分散の理論限界）を最小にする効率的な共変量密度と割当確率を導きます。次に、実験中に得られるデータからこの二つを逐次推定し、それに従って対象の選択と処置の割当を更新する実験計画を設計します。最後に、実験終了後の標本から平均処置効果を推定する推定量を提案します。

主な結果と成立条件

共変量密度と割当確率の両方を最適化すると、割当確率だけを最適化する場合よりもセミパラメトリック効率限界をさらに小さくできること、そして提案した推定量の漸近分散がその限界に一致することを示しました。保証は標本数を大きくしたときの漸近的なものです。また、実験者が対象の共変量を見てから実験に含めるかを決められること、結果が割当の直後に観測できることを前提としています。

先行研究との関係

平均処置効果の推定分散の理論限界は Hahn が導きました（1998年、On the Role of the Propensity Score in Efficient Semiparametric Estimation of Average Treatment Effects）。この限界を目標に、処置の割当確率を適応的に最適化する実験計画は Hahn、Hirano、Karlan が提案しています（2011年、Adaptive Experimental Design Using the Propensity Score）。この研究は、その設計変数を共変量の分布まで広げた一般化にあたります。

利用できる状況

1標本あたりの実験費用が高く、限られた予算で処置効果の精度を上げたい場面を想定しています。広告や施策の検証で対象者を選んで実験できる場合や、治験のように参加者の組み入れを設計できる場合が典型です。実務での実験設計の相談はお問い合わせフォームで受け付けています。

論文と資料

• 論文（PMLR）
• プレプリント（arXiv）
• 論文一覧の項目

BibTeX

@inproceedings{active-adaptive-experimental-design,
  author       = {Masahiro Kato and Akihiro Oga and Wataru Komatsubara and Ryo Inokuchi},
  title        = {Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices},
  year         = {2024},
  booktitle    = {International Conference on Machine Learning (ICML, Oral 1.5\%)},
  eprint       = {2403.03589},
  archivePrefix = {arXiv},
  url          = {https://proceedings.mlr.press/v235/kato24a.html},
}

関連する研究テーマ

• 適応的実験計画
• 因果推論