[論文レビュー] A Graph-Theoretic Approach to Randomization Tests of Causal Effects Under General Interference

David Puelz, Guillaume Basse+2 more|arXiv (Cornell University)|Oct 23, 2019

Complex Network Analysis Techniques被引用数 5

ひとこと要約

本稿は、一般の干渉を想定した場合の有効なランダム化検定を可能にするグラフ理論的フレームワークを提案する。因果的帰無仮説を二部グラフとしてモデル化し、帰無仮説が明確な完全部分グラフ（バイクリーク）を同定することで、条件付きランダム化検定を可能にする。この手法は、観測された割り当てを条件付けすることでパワーを向上させ、市販のグラフアルゴリズムを活用し、クラスタリングや空間的干渉の設定において先行手法を上回る性能を示している。Medellínの警察活動実験を通じて実証された。

ABSTRACT

Interference exists when a unit's outcome depends on another unit's treatment assignment. For example, intensive policing on one street could have a spillover effect on neighboring streets. Classical randomization tests typically break down in this setting because many null hypotheses of interest are no longer sharp under interference. A promising alternative is to instead construct a conditional randomization test on a subset of units and assignments for which a given null hypothesis is sharp. Finding these subsets is challenging, however, and existing methods are limited to special cases or have limited power. In this paper, we propose valid and easy-to-implement randomization tests for a general class of null hypotheses under arbitrary interference between units. Our key idea is to represent the hypothesis of interest as a bipartite graph between units and assignments, and to find an appropriate biclique of this graph. Importantly, the null hypothesis is sharp within this biclique, enabling conditional randomization-based tests. We also connect the size of the biclique to statistical power. Moreover, we can apply off-the-shelf graph clustering methods to find such bicliques efficiently and at scale. We illustrate our approach in settings with clustered interference and show advantages over methods designed specifically for that setting. We then apply our method to a large-scale policing experiment in Medellin, Colombia, where interference has a spatial structure.

研究の動機と目的

• 因果推論における干渉が「干渉なし」の仮定を破る状況で、有効なランダム化検定を実施する課題に対処すること。
• 特定の干渉構造（例：クラスタリングや空間的干渉）に限定される既存手法の制限を克服し、一般化可能性を高めること。
• 統計的パワーと計算を、帰無暴露グラフ上のグラフ理論的演算に変換する、構築的でモジュラーなフレームワークを構築すること。
• 観測された割り当てを条件付けすることで、ランダムな条件付けよりも高い統計的パワーを達成すること。
• 任意の干渉パターン、特に複雑な空間的およびクラスタリング構造に対しても適用可能な包括的解決策を提供すること。

提案手法

• 単位と割り当てをノードとし、仮説下での観測された帰無暴露をエッジで表す二部グラフとして帰無暴露グラフを構築する。
• 帰無暴露グラフにおけるバイクリークを、すべての単位がすべての割り当てに接続されている完全二部部分グラフとして定義し、その部分集合内で帰無仮説が明確になるようにする。
• 条件付きランダム化検定の条件付け集合としてバイクリークを用い、帰無仮説下で有効性を保証する。
• 市販のグラフクラスタリングアルゴリズムを適用して、大きなバイクリークを効率的に同定し、統計的パワーを最大化する。
• 交差帰無仮説への一般化として、複数の潜在的アウトカム制約を捉えるマルチ帰無暴露グラフを導入する。
• 交差帰無仮説下での潜在的アウトカムの補完可能性を保つように、バイクリーク同定手順を初期化し直す。

実験結果

リサーチクエスチョン

• RQ1 古典的手法が非明確な帰無仮説のため失敗する一般の干渉下で、有効なランダム化検定をどのように構築できるか？
• RQ2 与えられた帰無仮説が明確になるような単位と割り当ての部分集合を同定でき、条件付きランダム化検定が可能になるか？
• RQ3 同定されたバイクリークのサイズは、干渉下のランダム化検定における統計的パワーにどのように関係するか？
• RQ4 本手法は、事前の構造的仮定なしに、空間的またはクラスタリング干渉といった複雑な干渉構造に対しても適用可能か？
• RQ5 干渉設定において、観測された割り当てを条件付けすることで、ランダムな条件付けに比べてパワーがどのように向上するか？

主な発見

• 提案されたバイクリークに基づくランダム化検定は、任意の干渉下で条件付きに有効であり、同定されたバイクリーク内で帰無仮説が明確であるためである。
• 観測された割り当てを条件付けすることで、シミュレーションおよびMedellín警察活動実験の両方で、より高い統計的パワーを達成した。
• Medellín実験では、元のアウトカムFRTでは全半径で顕著なスプライルオーバー効果が見られたが、バイクリーク手法を用いた調整済みアウトカム検定では有意なスプライルオーバー効果は認められず、共変数による交絡の可能性が示唆された。
• 調整済みアウトカムのランダム化分布は、元のアウトカムと比較して分散が低く、より小さな正の値を中心に分布しており、より正確な推論が可能であることを示している。
• 調整済みアウトカムのバイクリーク検定では、p値が有意なスプライルオーバー効果がないことを示しており、0.05水準で有意な係数が得られなかった回帰結果と整合的であった。
• 本手法はMedellínデータで大きなバイクリークを効果的に同定し、複雑な空間的干渉下でも強力かつ有効な検定を可能にした。クラスタリング干渉に特化した手法を上回る性能を示した。