[論文レビュー] Estimating spillovers using imprecisely measured networks

Morgan Hardy, Rachel Heath+2 more|arXiv (Cornell University)|Mar 30, 2019

Advanced Causal Inference Techniques参考文献 51被引用数 6

ひとこと要約

本稿では、ノイズがかったり不完全な社会的ネットワークを伴う実験的設定において、治療効果を推定するために期待最大化（EM）アルゴリズムを用いた混合モデルベースの手法を提案する。この手法は、欠落しているまたは誤ったリンクによるバイアスを是正し、標準推定器と比較して直接的および間接的治療効果の推定においてより高いロバスト性と正確性を示す。

ABSTRACT

In many experimental contexts, whether and how network interactions impact the outcome of interest for both treated and untreated individuals are key concerns. Networks data is often assumed to perfectly represent these possible interactions. This paper considers the problem of estimating treatment effects when measured connections are, instead, a noisy representation of the true spillover pathways. We show that existing methods, using the potential outcomes framework, yield biased estimators in the presence of this mismeasurement. We develop a new method, using a class of mixture models, that can account for missing connections and discuss its estimation via the Expectation-Maximization algorithm. We check our method's performance by simulating experiments on real network data from 43 villages in India. Finally, we use data from a previously published study to show that estimates using our method are more robust to the choice of network measure.

研究の動機と目的

• 実験的設定における誤って測定されたまたは不完全なネットワークデータが引き起こす治療効果推定のバイアスを是正すること。
• スプライスオーバー効果を推定する際、観察されたネットワークにおける欠落リンクおよび誤ったリンクを考慮する統計的フレームワークを構築すること。
• ネットワークデータがノイズが多いまたは代理データである場合を含め、さまざまなネットワーク測定方法に対する治療効果推定のロバスト性を向上させること。
• リンクの誤測定および結果変数の分布に関するパラメトリックな仮定の下で、不完全なネットワーク観測にもかかわらず、潜在的な真の露出状態を特定する手法を提供すること。

提案手法

• 本手法は、未観測の真のネットワーク構造を表現するための有限混合モデルのクラスを用い、潜在的治療露出状態の分布をモデル化する。
• 観察されたネットワークリンクがランダムに誤測定されていると仮定し、欠落リンク（p）および誤ったリンク（q）を、観察データの下で条件付きのパラメトリック分布としてモデル化する。
• 期待最大化（EM）アルゴリズムを用いてモデルのパラメータを推定し、潜在的露出割り当てと誤測定パラメータを繰り返し更新する。
• 各露出グループ内では線形平均の結果が得られ、平均結果が治療を受けた同僚の数の線形関数として表されるものとする。
• 村内および村外の接続に対して異なる誤測定パラメータを許容することで、モデルの柔軟性を向上させる拡張が行われる。
• 最尤推定が実行され、提示されたパラメトリック仮定の下で識別可能性が証明される。

実験結果

リサーチクエスチョン

• RQ1 誤って測定されたネットワークデータは、実験における直接的および間接的治療効果の標準推定器にどのようなバイアスをもたらすか？
• RQ2 欠落リンクおよび誤ったリンクを考慮する統計的モデルは、治療効果推定の正確性とロバスト性を向上させることができるか？
• RQ3 異なるネットワーク測定方法は治療効果推定の安定性にどのように影響するか？ また、提案手法はこの感度を低減できるか？
• RQ4 観察されたネットワークが不完全または不正確な場合、モデルは真のスプライスオーバー効果をどの程度回復できるか？

主な発見

• 提案手法は、ネットワークデータがノイズが多い場合を除き、標準のHorvitz-Thompson推定器と比較して、さまざまなネットワーク測定方法において直接的および間接的治療効果の推定がよりロバストになることを示した。
• 47つのインドの村の世帯ネットワークを用いたシミュレーションでは、誤測定が原因で標準推定器が失敗する状況でも、本手法が正確な治療効果を回復できた。
• 中国の農村農家のデータ（Cai et al., 2015）に適用した結果、本手法はナイーブ推定器と比較して、さまざまなネットワーク定義においてより一貫性のある推定値をもたらした。
• 欠落リンクの推定割合（p）は、より厳密なネットワーク定義において顕著に高くなったが、誤ったリンクの割合（q）は1桁低い水準であり、現実的なネットワークノイズのパターンを反映していた。
• 村内および村外の誤測定パラメータを別々に許容する拡張により、モデルのフィットは向上したが、追加のパラメータのため標準誤差が増加した。
• 誤測定パラメータ（pおよびq）の点推定値は、先行研究の知識と整合的であった：大多数のリンクは村内に存在し、誤ったリンクはまれであった。