[論文レビュー] A systematic investigation of classical causal inference strategies under mis-specification due to network interference

Vishesh Karwa, Edoardo M. Airoldi|arXiv (Cornell University)|Oct 18, 2018

Advanced Causal Inference Techniques参考文献 10被引用数 7

ひとこと要約

この論文は、ネットワーク干渉下における因果推論を体系的かつ包括的に調査し、干渉効果をモデル化するための露出近傍に基づく枠組みを提案する。古典的推定量（差分推定量）は、未知の干渉パターンのため深刻なバイアスを示す可能性がある一方、ホルヴィッツ＝サンプソン推定量は正しい感受性スコアが与えられた場合にのみ無偏であるが、多くの設計において不適切（inadmissible）であることが示され、平均および総合的処置効果の推定を改善するための新たなモデル補助型および設計ベース型戦略が提示される。

ABSTRACT

We systematically investigate issues due to mis-specification that arise in estimating causal effects when (treatment) interference is informed by a network available pre-intervention, i.e., in situations where the outcome of a unit may depend on the treatment assigned to other units. We develop theory for several forms of interference through the concept of exposure neighborhood, and develop the corresponding semi-parametric representation for potential outcomes as a function of the exposure neighborhood. Using this representation, we extend the definition of two popular classes of causal estimands, marginal and average causal effects, to the case of network interference. We characterize the bias and variance one incurs when combining classical randomization strategies (namely, Bernoulli, Completely Randomized, and Cluster Randomized designs) and estimators (namely, difference-in-means and Horvitz-Thompson) used to estimate average treatment effect and on the total treatment effect, under misspecification due to interference. We illustrate how difference-in-means estimators can have arbitrarily large bias when estimating average causal effects, depending on the form and strength of interference, which is unknown at design stage. Horvitz-Thompson (HT) estimators are unbiased when the correct weights are specified. Here, we derive the HT weights for unbiased estimation of different estimands, and illustrate how they depend on the design, the form of interference, which is unknown at design stage, and the estimand. More importantly, we show that HT estimators are in-admissible for a large class of randomization strategies, in the presence of interference. We develop new model-assisted and model-dependent strategies to improve HT estimators, and we develop new randomization strategies for estimating the average treatment effect and total treatment effect.

研究の動機と目的

• 事前に存在するネットワーク構造に起因する処置干渉が生じる状況における因果推論の課題に対処すること。
• 露出近傍モデルを用いて、ネットワーク干渉下における因果的推定量（特に周辺的および平均的因果効果）を形式化すること。
• 干渉誤指定下での古典的ラウンド化設計（ベルヌーイ、CRD、クラスタ）および推定量（差分推定量、ホルヴィッツ＝サンプソン）のバイアスと分散を特徴付けること。
• 一般的な干渉状況下でホルヴィッツ＝サンプソン推定量が不適切（inadmissible）であることを示し、改善されたモデル補助型および設計ベース型代替手法を提案すること。
• 直接効果および総合的処置効果の推定を向上させるための新たなラウンド化戦略（例えば、独立集合設計およびクラスタラウンド化設計）を開発すること。

提案手法

• 単位の潜在的アウトカムがそのネットワーク上の近隣単位の処置割り当てに依存する仕組みをモデル化するための「露出近傍」の概念を導入する。
• 露出近傍を関数として用いた潜在的アウトカムの半パラメトリック表現を構築し、直接効果、干渉効果、相互作用効果に分解可能にする。
• 構造的モデルと露出モデルを用いて、ネットワーク干渉下におけるマージナルおよび平均的因果効果推定量の拡張を行う。
• 無偏推定のためのホルヴィッツ＝サンプソン重みを導出し、それが設計、干渉構造、および推定量に依存することを示す。これには、未知の感受性スコアの知識が不可欠である。
• モデル誤指定下でのホルヴィッツ＝サンプソン推定量の性能を改善するための一般化線形推定量、モデル依存型およびモデル補助型推定量を提案する。
• 直接効果推定に適した独立集合設計と、総合的処置効果推定に適したクラスタラウンド化設計を含む、新たなラウンド化設計を導入する。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク干渉が、差分推定量のような古典的因果推論戦略をどのように無効化するか、そしてどのような形のバイアスが生じるか？
• RQ2 干渉下で平均的および総合的処置効果の推定において、ホルヴィッツ＝サンプソン推定量がいつ無偏となるか、いつ不適切（inadmissible）となるか？
• RQ3 干渉が存在するが未知である状況下で、さまざまなラウンド化設計（ベルヌーイ、CRD、クラスタ、独立集合）がバイアスと分散の観点でどのように性能を発揮するか？
• RQ4 干渉誤指定下で、モデル補助型またはモデル依存型推定量がホルヴィッツ＝サンプソン推定量を平均二乗誤差の観点からどのように上回るか？
• RQ5 干渉が存在し、かつ未知である状況下で、直接効果および総合的処置効果の推定を向上させるために、どのような新たなラウンド化戦略を設計できるか？

主な発見

• 差分推定量は、干渉構造および露出モデルが未知である場合、平均的因果効果の推定において任意に大きなバイアスを示す可能性がある。
• ホルヴィッツ＝サンプソン推定量は、正しい感受性スコアが与えられた場合にのみ無偏であるが、多くの標準的設計において高い分散とモデル誤指定への感受性のため、不適切（inadmissible）である。
• 本論文は、干渉グラフ、露出モデル、および推定量に依存する明示的なホルヴィッツ＝サンプソン重みを導出するが、これらはネットワーク構造の事前知識がなければ一般に計算不能である。
• 独立集合設計は、エゴ単位を干渉から分離することで直接効果の無偏推定を保証するが、選択確率が複雑であるため感受性スコアの計算にはモンテカルロ法が必要となる。
• クラスタラウンド化設計は、関連する潜在的アウトカムの数を最大化することで、総合的処置効果の推定に有効であるが、余分な潜在的アウトカムを明らかにしない限り、直接効果の推定は不可能である。
• モデル補助型およびモデル依存型推定量は、真の干渉構造が概ね線形的または加法的である場合に、ホルヴィッツ＝サンプソン推定量を平均二乗誤差の観点で顕著に上回る。