[論文レビュー] Causal clustering: design of cluster experiments under network interference

Davide Viviano, Lihua Lei+4 more|arXiv (Cornell University)|Oct 23, 2023

Advanced Causal Inference Techniques被引用数 6

ひとこと要約

本稿では、ネットワーク干渉下でのクラスタ実験を設計するためのフレームワーク「因果的クラスタリング」を提案する。これは、罰則付き最小カット最適化を通じて、最悪ケースの平均二乗誤差（MSE）を最小化することにより実現される。データ駆動型の手法を用いて、バイアスとばらつきのバランスをとった最適なクラスタとクラスタ数の選定が可能であり、半正定値計画法を用いて計算可能で、Facebookのようなプラットフォームの実世界のネットワークデータに適用可能である。

ABSTRACT

This paper studies the design of cluster experiments to estimate the global treatment effect in the presence of network spillovers. We provide a framework to choose the clustering that minimizes the worst-case mean-squared error of the estimated global effect. We show that optimal clustering solves a novel penalized min-cut optimization problem computed via off-the-shelf semi-definite programming algorithms. Our analysis also characterizes simple conditions to choose between any two cluster designs, including choosing between a cluster or individual-level randomization. We illustrate the method's properties using unique network data from the universe of Facebook's users and existing data from a field experiment.

研究の動機と目的

• ネットワークスプライバーが結果に影響を与える状況において、特にクラスタ構造が事前に明らかでない場合に、原理的かつ体系的なクラスタ実験設計フレームワークを構築すること。
• スプライバー効果に関する不確実性のもとで、グローバルな処置効果推定器の最悪ケースMSEを最小化すること。
• ネットワーク構造と予想されるスプライバー効果の大きさに基づいて、クラスタレベルと個別レベル（ベルヌーイ）の確率的割り当ての間で意思決定を行うルールを提供すること。
• ネットワークデータとスプライバー効果に関する事前知識を用いて、最適なクラスタ構成（クラスタ数と境界）の選定を支援すること。
• スプライバー効果がゆっくりとゼロに収束するような局所的漸近的設定に、実験設計理論を拡張し、現実的で小さな非無視可能な干渉を捉えること。

提案手法

• ネットワーク干渉下におけるクラスタ推定器の最悪ケースバイアスとばらつきを形式化し、バイアスは個々の人物が他のクラスタに持つ友人数（相互接続性）に依存することを示す。
• 最悪ケースばらつきは、漸近的に無視できる項を除き、平均二乗クラスタサイズに依存することを示し、最適化における簡略化を可能にする。
• 最適クラスタリングを、バイアス（相互クラスタスプライバー）とばらつき（クラスタサイズの不均一性）のバランスを取る罰則付き最小カット問題として再定式化する。
• 標準の半正定値計画法アルゴリズムを用いて最適化を解き、Facebookのような大規模ネットワークでもスケーラブルに計算可能である。
• スプライバー効果の相対的大きさ（ϕ̄ₙ）を捕捉する調整パラメータ ξₙ を導入し、実用的スプライバー範囲における感度分析を可能にする。
• 最適クラスタの計算を目的とするアルゴリズム1と、ベースライン共変量と残差分散推定値を用いて ξₙ の実用的選定を支援するアルゴリズム3を提供する。

Figure 2 : Clusters comparisons for Louvain clustering. Different Types correspond to different numbers of clusters (with Type 1 having the largest number of clusters). Different panels correspond to different graphs where two individuals are not connected if the connection (measured with a continuo

実験結果

リサーチクエスチョン

• RQ1 ネットワーク干渉が存在する状況で、研究者はいつクラスタレベルの確率的割り当てを個別レベル（ベルヌーイ）の割り当てよりも好むべきか？
• RQ2 どのようにすれば、グローバル処置効果推定器の最悪ケースMSEを最小化するようにネットワークを最適にクラスタに分割できるか？
• RQ3 クラスタ設計におけるバイアスとばらつきのトレードオフは何か？ そして、ネットワーク構造を用いてそのバランスを定量的にとることができるか？
• RQ4 スプライバー効果が不確実ではあるが非無視可能な状況で、最適なクラスタ数とクラスタ境界をどのように選べるか？
• RQ5 本フレームワークは、スaturate設計下でスプライバー効果や直接効果などの他の推定量を推定するために拡張可能か？

主な発見

• 最適クラスタリング解は、相互クラスタスプライバー（バイアス）とクラスタサイズばらつき（ばらつき）のバランスを取る罰則付き最小カット問題として得られ、半正定値計画法により計算可能である。
• 最悪ケースバイアスは、各個人が他のクラスタに持つ平均友人数に比例し、クラスタ境界を越えたネットワーク干渉の影響を形式化する。
• 最悪ケースばらつきは、漸近的に平均二乗クラスタサイズにのみ依存するため、多くの同程度のサイズのクラスタがばらつきを最小化することを示唆する。
• クラスタ設計とベルヌーイ設計の間での選択に関するルール of thumb として、最小スプライバー効果 × √Kₙ > 2.3 の場合にクラスタランダム化が好まれるべきである。
• Facebookのネットワークデータを用いた実証的検証では、さまざまな実用的スプライバー効果の大きさの範囲で、特定のクラスタリングアルゴリズムが一貫して他のものより優れていることが示された。
• 調整パラメータ ξₙ を通じて実用的設計を支援する。ψ̄ は残差分散から推定し、ϕ̄ₙ は事前実験や保守的上限値から推定するためのガイダンスを提供する。

Figure 3 : Example of a number of clusters as a function of $\xi_{n}$ (left-panel, with dotted line corresponding to 3.2) and objective function in Theorem 4.1 for different clustering. Algorithm 1 corresponds to causal clustering. Data from Cai et al. ( 2015 ) , where we report the average result a