[論文レビュー] Elements of estimation theory for causal effects in the presence of network interference

Daniel L. Sussman, Edoardo M. Airoldi|arXiv (Cornell University)|Feb 12, 2017

Distributed Sensor Networks and Detection Algorithms参考文献 3被引用数 25

ひとこと要約

本稿は、単位の結果が自身の処置および隣接単位の処置に依存するネットワーク干渉下における因果効果の最適推定理論を展開する。観察されたネットワーク構造を活用し、除外制約を課すことにより、統合分散が最小となる線形不偏推定量を導出し、シミュレーションにおいて標準的手法よりも顕著に精度が向上することを示した。

ABSTRACT

Randomized experiments in which the treatment of a unit can affect the outcomes of other units are becoming increasingly common in healthcare, economics, and in the social and information sciences. From a causal inference perspective, the typical assumption of no interference becomes untenable in such experiments. In many problems, however, the patterns of interference may be informed by the observation of network connections among the units of analysis. Here, we develop elements of optimal estimation theory for causal effects leveraging an observed network, by assuming that the potential outcomes of an individual depend only on the individual's treatment and on the treatment of the neighbors. We propose a collection of exclusion restrictions on the potential outcomes, and show how subsets of these restrictions lead to various parameterizations. Considering the class of linear unbiased estimators of the average direct treatment effect, we derive conditions on the design that lead to the existence of unbiased estimators, and offer analytical insights on the weights that lead to minimum integrated variance estimators. We illustrate the improved performance of these estimators when compared to more standard biased and unbiased estimators, using simulations.

研究の動機と目的

• 処置効果がネットワークを通じて拡散するため、無干渉仮定を満たさないラントム化実験における因果推論の課題に対処すること。
• 観察されたネットワークによって構造化された干渉が存在する状況において、直接処置効果を推定するための整合的フレームワークを構築すること。
• 潜在的アウトカムに対する除外制約を規定し、直接効果、間接効果、相互作用効果に因果効果を分解すること。
• さまざまな実験設計下で、平均的直接処置効果に対する線形不偏推定量が存在する条件を導出すること。
• 標準的手法よりも精度を向上させるために、不偏推定量の中から最適なものを選択するための新規基準「最小統合分散」を提案すること。

提案手法

• 潜在的アウトカムが、単位自身の処置およびそのネットワークの隣接単位の処置にのみ依存することを仮定し、ネットワーク構造を用いて干渉を形式化する。
• 4つの構造的仮定（例：干渉は隣接単位までに限る、加法的効果）を導入し、それらの組み合わせ下での潜在的アウトカムのパラメータ化を導出する。
• 異なる処置割り当て下での潜在的アウトカムの差として直接処置効果を定義し、除外制約の下で推定量が同定可能であることを示す。
• 設計に基づく不偏性条件から導かれる線形制約系を解くことにより、線形不偏推定量を導出する。
• 不偏推定量の重みを最適化するために、ベイズ的アプローチに類似した最小統合分散（MIV）基準を適用し、推定量の分散を最小化する。
• シミュレーションスタディを用いて、MIVLUEとナーブおよび標準的不偏推定量の性能を比較し、干渉下で平均二乗誤差が改善されることを示した。

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、実験設計のどのような条件下に直接処置効果に対する線形不偏推定量が存在するか。
• RQ2 潜在的アウトカムに対する除外制約をどのように用いることで、因果効果を直接効果、間接効果、相互作用効果に分解できるか。
• RQ3 ネットワーク干渉の設定下で、不偏推定量の分散を最小化するように観測されたアウトカムの重みを最適に設定する方法は何か。
• RQ4 有限標本下のシミュレーションにおいて、提案された最小統合分散線形不偏推定量（MIVLUE）の性能は、標準的推定量と比べてどのように異なるか。
• RQ5 提案されたフレームワークは、ノイズの多いまたは不完全なネットワーク観測を扱うために、あるいはノードやエッジの共変量を組み込むために、どのように拡張可能か。

主な発見

• シミュレーションスタディにおいて、ネットワーク干渉下で、提案された最小統合分散線形不偏推定量（MIVLUE）は、標準的不偏推定量およびナーブなバイアス付き推定量よりも顕著に低い平均二乗誤差を達成した。
• 不偏推定量は特定の設計条件にのみ存在し、それらは設計確率空間上の制約として明示的に導出された。
• MIVLUEフレームワークにより、不偏性を保ちつつ分散を最小化する最適な重みを選択可能であり、処置効果に関する事前分布を活用できる。
• MIVLUEの性能は、真の干渉構造の代理としてのノイズを含むネットワークが使用されても頑健であるが、干渉が観察されたエッジを越えて広がる場合には性能が低下する。
• 大規模なネットワークでは、再ランダマイズを用いて設計サポートを縮小するか、共分散行列の逆行列計算を並列化することで、計算負荷を軽減できる。
• ノードまたはエッジの共変量を含めるには、エッジタイプごとに処置度数を分割するか、構造的事前分布を用いることでフレームワークを拡張可能であるが、これによりモデルの複雑さが増す。