[論文レビュー] Causal Inference Under Network Interference: A Framework for Experiments on Social Networks

Edward K. Kao|arXiv (Cornell University)|Aug 28, 2017

Advanced Causal Inference Techniques参考文献 4被引用数 6

ひとこと要約

本稿は、隣接単位の処置に依存する単位の結果を伴う社会的ネットワークにおける干渉を伴う因果推論のベイジアンフレームワークを提案する。ネットワーク潜在的アウトカムと整合的な補完を用いて、主効果、ペア効果、総合効果を推定し、モデルの不適合下でも、バランスの取れた実験設計およびネットワーク共変量の組み込みが推定精度を向上させることを示している。

ABSTRACT

No man is an island, as individuals interact and influence one another daily in our society. When social influence takes place in experiments on a population of interconnected individuals, the treatment on a unit may affect the outcomes of other units, a phenomenon known as interference. This thesis develops a causal framework and inference methodology for experiments where interference takes place on a network of influence (i.e. network interference). In this framework, the network potential outcomes serve as the key quantity and flexible building blocks for causal estimands that represent a variety of primary, peer, and total treatment effects. These causal estimands are estimated via principled Bayesian imputation of missing outcomes. The theory on the unconfoundedness assumptions leading to simplified imputation highlights the importance of including relevant network covariates in the potential outcome model. Additionally, experimental designs that result in balanced covariates and sizes across treatment exposure groups further improve the causal estimate, especially by mitigating potential outcome model mis-specification. The true potential outcome model is not typically known in real-world experiments, so the best practice is to account for interference and confounding network covariates through both balanced designs and model-based imputation. A full factorial simulated experiment is formulated to demonstrate this principle by comparing performance across different randomization schemes during the design phase and estimators during the analysis phase, under varying network topology and true potential outcome models. Overall, this thesis asserts that interference is not just a nuisance for analysis but rather an opportunity for quantifying and leveraging peer effects in real-world experiments.

研究の動機と目的

• 1人の単位の処置が他の単位に影響を与える社会的ネットワーク実験における干渉の課題に対処すること。
• 個々の単位とペアの処置の両方を関数としてアウトカムをモデル化する柔軟な因果フレームワークの開発。
• 潜在的アウトカムモデルにネットワーク構造と共変量を統合することで、因果推定を改善すること。
• 干渉は単なる邪魔ではなく、ペア効果を定量化・活用する機会であることを示すこと。
• バランスの取れたランダム化と共変量補正を通じて、モデルの不適合に対するロバスト性を高める設計および分析ガイドラインの提供。

提案手法

• 1. 干渉を伴う安定単位処置値仮定（SUTNVA）の下でネットワーク潜在的アウトカムを定義し、ペア効果を許容する。
• 2. 主効果、k人処置済み隣接単位、固定割り当て、影響ネットワーク操作効果のための因果推定量を導入する。
• 3. ネットワーク共変量を含むモデルを用いて、欠損した潜在的アウトカムをベイジアン補完で推定する。
• 4. ネットワーク干渉下での無偏性仮定を導出し、関連するネットワーク構造に条件づけることで有効な推論が可能であることを示す。
• 5. ハイブリッド混合-membershipブロックモデルを用いて、コミュニティ構造、混合所属、スパarsityを有する現実的なネットワークトポロジーを生成する。
• 6. MCMCとMCEMを用いて後方分布推論を行う。性能の上限は、所属パラメータのフィッシャー情報に基づいて導出される。

実験結果

リサーチクエスチョン

• RQ1 1. ネットワーク干渉が存在する状況で、因果推定量を形式的に定義する方法は何か？
• RQ2 2. 干渉が存在する場合に有効な因果推論を保証する条件は何か。また、無偏性を達成するにはどうすればよいか？
• RQ3 3. ランダム化方式や共変量のバランスといった実験設計の選択が、モデルの不適合下での推定精度に与える影響は何か？
• RQ4 4. ネットワークトポロジー（例：スパarsity、コミュニティ構造）は、因果推定器の性能にどのような影響を与えるか？
• RQ5 5. モデルベース補完とバランスの取れた設計を組み合わせることで、干渉が存在する状況で標準的手法を上回る性能が得られるか？

主な発見

• 1. 潜在的アウトカムモデルにネットワーク共変量を組み込むことで、無偏性仮定を満たし、推定精度が顕著に向上する。
• 2. 共変量が処置露出群間でバランスを取る再ランダマイズは、バイアスを低減し、特にモデルの不適合下で性能を向上させる。
• 3. ハイブリッド混合-membershipブロックモデル（HMMB）は、重複するコミュニティや不均一な接続性といった現実的なネットワーク特徴を効果的に捉える。
• 4. スパarsityが高く、コミュニティ間の相互作用が強い場合、性能は低下するが、モデルが適切に適合されていればベイジアン補完は依然としてロバストである。
• 5. シミュレーションにおける後方区間幅と真値カバー率から、設計とモデリングの両方が注意深く整合されている場合に推定器の性能が最良になることが示された。
• 6. フルファクターリアルシミュレーションスタディにより、再ランダマイズとモデルベース補完の組み合わせが、さまざまなネットワークトポロジーや真のアウトカムモデルにおいて、最もロバストな因果推定をもたらすことが同定された。