[論文レビュー] Causal Inference Under Interference And Network Uncertainty

Rohit Bhattacharya, Daniel Malinsky+1 more|PubMed|Jun 29, 2019

Bayesian Modeling and Causal Inference参考文献 38被引用数 16

ひとこと要約

本稿では、ネットワーク構造が不確実な状況下で干渉を伴う因果推論のためのスコアベース構造学習手法を提案する。疑似尤度を用いてデータ駆動型の依存ネットワークを学習し、効果推定に自動g-計算を適用することで、真のネットワーク構造が回復可能である場合に、完全なネットワークを仮定するのと比較してバイアスと分散を低減する。

ABSTRACT

Classical causal and statistical inference methods typically assume the observed data consists of independent realizations. However, in many applications this assumption is inappropriate due to a network of dependences between units in the data. Methods for estimating causal effects have been developed in the setting where the structure of dependence between units is known exactly [10, 36, 20], but in practice there is often substantial uncertainty about the precise network structure. This is true, for example, in trial data drawn from vulnerable communities where social ties are difficult to query directly. In this paper we combine techniques from the structure learning and interference literatures in causal inference, proposing a general method for estimating causal effects under data dependence when the structure of this dependence is not known a priori. We demonstrate the utility of our method on synthetic datasets which exhibit network dependence.

研究の動機と目的

• 単位間のネットワーク構造が不明または部分的に観測可能な状況における因果推論に対処すること。
• 完全な依存関係または情報のない依存関係を仮定するのではなく、真の潜在的ネットワーク構造を学習することで、因果効果の推定バイアスと分散を低減すること。
• 部分的干渉下でDAGからチェーングラフへのスコアベースモデル選択を一般化し、不確実性下での効率的推論を可能にすること。
• 学習されたスパースネットワークが、母平均結果効果（PAOE）の推定において、最大限に情報のない完全グラフを上回ることを示すこと。
• 社会的つながりが再構築しづらい脆弱または匿名化された集団からの実世界データにおいて、実用的な因果推論を可能にすること。

提案手法

• 干渉下における単位間の依存ネットワーク構造を学習するために、疑似尤度に基づくスコア関数を用いる。
• 局所探索アルゴリズムを用いてチェーングラフ（CG）モデルの空間を探索し、適合度と複雑さのバランスを取るスパース構造を優先する。
• ブロック固有のネットワーク構造をモデル化するための非一様手順と、ブロック間で共有されるネットワークパターンをモデル化するための一様手順を採用する。
• 学習されたネットワーク構造と自動g-計算を組み合わせて因果効果を推定し、後部確率推論にギブスサンプリングを活用する。
• 複数のネットワーク実現の下で効果推定のバイアスと分散を評価するために、ブートストラップ（1000回または8回）を実装する。
• 合成データにおける構造学習の性能を評価するために、正確度（precision）と再現度（recall）の指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 干渉下で完全グラフを仮定するのではなく、真のネットワーク構造を学習することで、因果効果推定の性能が向上するか？
• RQ2 ネットワーク構造の不確実性は、母平均結果効果（PAOE）推定におけるバイアスと分散にどのように影響するか？
• RQ3 最大限に情報のない完全グラフを用いるのと比較して、構造学習が推定誤差をどの程度低減するか？
• RQ4 ネットワーク構造の均質性を活用することで、因果効果推定の性能が向上するか？
• RQ5 ネットワーク構造の誤指定（例：シャッフルされたまたは誤った隣接行列の使用）に対して、提案手法はどの程度頑健か？

主な発見

• 真のネットワークが正確に回復された場合に最も低いバイアスを示し、学習されたネットワーク構造に基づく因果効果推定は、完全グラフに基づく推定と同等またはそれ以下のバイアスであった。
• 学習されたスパースネットワークを用いることで、特に均質なネットワーク仮定下において、効果推定の分散が一貫して低減された。
• ブロックサイズが4および8の場合、非一様手順はバイアス0.009および0.007を達成し、分散は1e-4未満であった。両方の指標で完全グラフを上回った。
• より大きなネットワーク（ブロックサイズ16および32）では、一様手順がバイアス0.002（サイズ32）および分散7.6e-6を達成し、完全グラフと比較して顕著に低減された。
• 誤ったまたはシャッフルされたネットワーク構造を用いると、バイアスが約0.06に上昇し、学習済みまたは完全グラフからの推定と比較して1桁高い値を示した。
• 構造学習アルゴリズムは高い正確度と再現度を達成しており、合成実験における真のネットワークトポロジーの効果的な回復が示された。