[論文レビュー] Causal inference for social network data

Elizabeth L. Ogburn, Oleg Sofrygin+2 more|arXiv (Cornell University)|May 23, 2017

Advanced Causal Inference Techniques被引用数 12

ひとこと要約

本稿は、1つのネットワークからの観察データに基づき、ノード間の直接的伝達および隠れ依存性を考慮して、社会的ネットワークにおける因果推論のための半パラメトリック枠組みを開発する。直接的伝達と潜在的要因による依存性の両方を考慮し、ネットワーク干渉のための新たな因果的推定量を導入し、新たな中心極限定理を証明することで、サンプルサイズが増加するにつれて各ノードが増加する数の他のノードに依存する状況でも有効な推論が可能になる。実用的応用では、フレーミングハム心臓研究のデータを用いて、肥満に関する因果的同僚効果の証拠は見つからなかった。

ABSTRACT

We describe semiparametric estimation and inference for causal effects using observational data from a single social network. Our asymptotic results are the first to allow for dependence of each observation on a growing number of other units as sample size increases. In addition, while previous methods have implicitly permitted only one of two possible sources of dependence among social network observations, we allow for both dependence due to transmission of information across network ties and for dependence due to latent similarities among nodes sharing ties. We propose new causal effects that are specifically of interest in social network settings, such as interventions on network ties and network structure. We use our methods to reanalyze an influential and controversial study that estimated causal peer effects of obesity using social network data from the Framingham Heart Study; after accounting for network structure we find no evidence for causal peer effects.

研究の動機と目的

• 観察されたネットワークが1つしかない場合や、治療割り当てが無作為化でない場合に、社会的ネットワークにおける因果推論のための有効な統計的手法が不足しているという問題に取り組むこと。
• 独立性や直接的伝達による依存性のみを仮定する既存の手法の制限を解消すること。これは現実のネットワークでは現実的ではない。
• 観察された伝達効果と、接続された個人間の観察されない（潜在的）類似性の両方を考慮する、形式的な因果推論の枠組みを構築すること。
• ネットワークのつながりや構造を変更する干渉のための、新たな因果的推定量を導入すること。
• サンプルサイズが増加するにつれて依存性が増加（隣接ノード数の増加）する状況でも、より現実的なネットワーク依存構造のもとで、推定量の漸近的理論を確立すること。

提案手法

• 仮想の干渉下での平均潜在的アウトカムを推定するための、ターゲットド最大尤度推定（TMLE）に基づく半パラメトリック推定枠組みを提案する。
• 直接的伝達と潜在変数による依存性の両方を扱える、ネットワーク依存データのための新たな中心極限定理を導入する。
• 露出状態とネットワーク構造に基づいて、反事後的アウトカム $Y_i^*$ と十分統計量 $V_i^*$ を定義し、干渉効果の推定を可能にする。
• 共変量と隣接ノードの露出が個々のアウトカムに与える影響をモデル化するために、要約関数 $s_C$ と $s_X$ を用いる。
• 最小限のモデル仮定のもとで、効率的かつロバストな推定を可能にするための影響関数 $D_n(o)$ と $D_n^C(o)$ を導出する。
• 推論のためにパラメトリックブートストラップ法を採用し、$n=500$ でも良好な被覆率と正規分布への収束を示すシミュレーションによって妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 観察された社会的ネットワークデータに対して、1つのネットワークしか観察されておらず、治療割り当てが無作為化でない場合でも、有効な因果推論が可能か？
• RQ2 ネットワーク化された個人間の直接的伝達と潜在的依存性を、因果推論において形式的にモデル化し、考慮することは可能か？
• RQ3 ネットワーク構造やつながりの形成を変更する干渉のための適切な因果的推定量は何か？
• RQ4 ネットワークが拡大するにつれて各ノードが増加する数の隣接ノードに依存する場合、推定量の漸近的分布は正規分布のままであるか？
• RQ5 本手法は、べき乗則的次数分布やスモールワールドトポロジーなどのネットワーク依存構造に対してもロバストか？

主な発見

• 提案手法は、現実的な依存構造のもとで、各ノードが増加する数の他のノードに依存する状況でも、推定量の漸近的正規性を支持する新たな中心極限定理を確立した。
• シミュレーションにより、TMLE推定量が直接的伝達と潜在的依存性の両方の下で、べき乗則的次数分布を有するネットワークでも正規分布に収束することが確認された。
• パラメトリックブートストラップ法は、$n=500$ のような小さな標本サイズでも、信頼区間の被覆率と長さにおいて正確な性能を示し、有限標本におけるロバスティックさを示唆している。
• フレーミングハム心臓研究データの再分析では、ネットワーク構造を考慮した後、肥満に関する因果的同僚効果の証拠は見つからなかった。これは以前の主張に反する。
• 本手法は、スモールワールドや優先的付加ネットワークモデルに起因する複雑な依存パターンを、複数の独立したネットワークや無作為化治療を必要とせずに適切に扱えた。