[論文レビュー] Estimating Causal Effects Under Interference Using Bayesian Generalized Propensity Scores

Laura Forastiere, Fabrizia Mealli+2 more|arXiv (Cornell University)|Jul 29, 2018

Advanced Causal Inference Techniques被引用数 13

ひとこと要約

本稿は、干渉を伴うネットワーク化されたシステムにおける直接的およびスプライルオーバー因果効果を推定するためのベイジアン一般化傾向スコア法を提案する。近隣干渉仮定と無偏性を仮定し、罰則付きスプライン回帰、コミュニティ検出、3段階のベイジアン手順を組み合わせて、不確実性と依存性を扱う。シミュレーションにおいて、多様なネットワーク構造で頑健な性能を示す。

ABSTRACT

In most real-world systems units are interconnected and can be represented as networks consisting of nodes and edges. For instance, in social systems individuals can have social ties, family or financial relationships. In settings where some units are exposed to a treatment and its effect spills over connected units, estimating both the direct effect of the treatment and spillover effects presents several challenges. First, assumptions on the way and the extent to which spillover effects occur along the observed network are required. Second, in observational studies, where the treatment assignment is not under the control of the investigator, confounding and homophily are potential threats to the identification and estimation of causal effects on networks. Here, we make two structural assumptions: i) neighborhood interference, which assumes interference operates only through a function of the immediate neighbors' treatments ii) unconfoundedness of the individual and neighborhood treatment, which rules out the presence of unmeasured confounding variables, including those driving homophily. Under these assumptions we develop a new covariate-adjustment estimator for treatment and spillover effects in observational studies on networks. Estimation is based on a generalized propensity score that balances individual and neighborhood covariates across units under different levels of individual treatment and of exposure to neighbors' treatment. Adjustment for propensity score is performed using a penalized spline regression. Inference capitalizes on a three-step Bayesian procedure which allows to take into account the uncertainty in the propensity score estimation and avoiding model feedback. Finally, correlation of interacting units is taken into account using a community detection algorithm and incorporating random effects in the outcome model.

研究の動機と目的

• 単位が相互に接続されており、処置効果が関連する単位にまで拡散する観察研究における因果効果の推定という課題に取り組む。
• 個々の単位とその近隣の処置の無偏性を仮定することで、ネットワークデータにおける交絡および同質性の影響を軽減する。
• 一般化傾向スコアを用いて、処置水準ごとに個々の単位と近隣の共変量をバランスさせる手法を開発する。
• 結果モデルにおける相互作用する単位間の依存性をコミュニティ検出とランダム効果を用いて扱う。
• 傾向スコア推定における不確実性を統合し、モデルフィードバックを回避する整合的なベイジアンフレームワークを提供する。

提案手法

• 近隣干渉仮定を導入し、個々の単位の結果に影響するのは、直接の近隣の処置のみであるとする。
• 異なる処置および露出水準間で共変量をバランスさせるために、個々の単位と近隣の傾向スコアを定義する。
• 結果モデルにおける一般化傾向スコアの調整に、罰則付きスプライン回帰を用いる。
• 有限標本の因果推定量の後部分布を推定する際、傾向スコア推定における不確実性を考慮する3段階のベイジアン手順を実装する。
• 結果モデルにおける相互作用する単位間の相関をモデル化するため、コミュニティ検出を介してランダム効果を組み込む。
• モデルパラメータに弱情報的事前分布を指定し、モデル妥当性の検証のために事後予測チェックを実施する。

実験結果

リサーチクエスチョン

• RQ1 干渉が存在する観察的ネットワーク研究において、直接的およびスプライルオーバー因果効果を一貫して推定する方法は何か？
• RQ2 提案されたベイジアン一般化傾向スコア法は、ネットワークデータにおける交絡および同質性の影響をどれほど低減するか？
• RQ3 本手法は、ステージスティックブロックモデルや実世界のソーシャルネットワークを含む、さまざまなネットワーク構造において、因果効果の推定にどの程度有効に機能するか？
• RQ4 傾向スコア推定における不確実性が、因果効果推定の精度に与える影響は何か？
• RQ5 コミュニティ検出とランダム効果の統合は、接続された単位間の依存性をどれほど効果的に捉えているか？

主な発見

• 干渉が存在する状況では、標準的手法と比較して、本手法が直接的およびスプライルオーバー効果の推定バイアスを顕著に低減することが示された。
• 3段階のベイジアン手順は、傾向スコア推定における不確実性を適切に扱い、モデルフィードバックの問題を回避した。
• 罰則付きスプライン回帰は、個々の単位および近隣の処置水準における共変量の不均衡を効果的に調整した。
• コミュニティ検出は、接続された単位間に依存性を生じさせる潜在的なクラスタリングパターンを捉えることで、モデルの適合度を向上させた。
• シミュレーション結果から、ステージスティックブロックモデルやAdd-Healthの友人関係ネットワークを含む多様なネットワークタイプにおいて、本手法は頑健な性能を示した。
• 事後予測チェックにより、モデルのキャリブレーションが適切であり、推論手順の妥当性が確認された。