[論文レビュー] Estimating Total Treatment Effect in Randomized Experiments with Unknown Network Structure

Christina Lee Yu, Edoardo M. Airoldi+2 more|arXiv (Cornell University)|May 25, 2022

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本稿では、未知のネットワーク干渉が存在するラウンドロビン実験における全処置効果の単純で不偏な推定器を提案する。歴史的ベースラインデータを活用することで、根底となるネットワーク構造の知識がなくてもバイアスを排除できる。主な貢献は、弱い正則性条件のもとで低分散を達成する統計的に効率的でネットワークに依存しない推定器であり、異種の同伴効果が存在する状況でも信頼性の高い因果推論を可能にする。

ABSTRACT

Randomized experiments are widely used to estimate the causal effects of a proposed treatment in many areas of science, from medicine and healthcare to the physical and biological sciences, from the social sciences to engineering, to public policy and to the technology industry at large. Here, we consider situations where classical methods for estimating the total treatment effect on a target population are considerably biased due to confounding network effects, i.e., the fact that the treatment of an individual may impact their neighbors' outcomes, an issue referred to as network interference or as non-individualized treatment response. A key challenge in these situations, is that the network is often unknown, and difficult, or costly, to measure. In this paper, we characterize the limitations in estimating the total treatment effect without knowledge of the network that drives interference, assuming a potential outcomes model with heterogeneous additive network effects. This model encompasses a broad class of network interference sources, including spillover, peer effects, and contagion. Within this framework, we show that, surprisingly, given access to average historical baseline measurements prior to the experiment, we can develop a simple estimator and efficient randomized design that outputs an unbiased estimate with low variance. Our solution does not require knowledge of the underlying network structure, and it comes with statistical guarantees for a broad class of models. We believe our results are poised to impact current randomized experimentation strategies due to its ease of interpretation and implementation, alongside its provable theoretical insights under heterogeneous network effects.

研究の動機と目的

• ネットワーク干渉が安定単位処置値仮定（SUTVA）を破る原因となる未観測のネットワーク構造が存在する場合の全処置効果推定におけるバイアスを解消すること。
• 根底となるネットワーク構造の知識がなくても、異種の加法的ネットワーク効果が存在する状況でも全処置効果の不偏推定を可能にする手法を開発すること。
• 未知のトポロジーを有するネットワーク干渉が存在する状況における、ラウンドロビン実験の統計的保証と効率的設計戦略を提供すること。
• 事前ベースラインデータがネットワーク知識なしに不偏推定を可能にし、従来手法の根本的限界を克服できることを示すこと。

提案手法

• 処置効果の補正のため、$\widehat{\text{TTE}}_{-\alpha} = \frac{1}{p}\left(\frac{1}{n}\sum_{i\in[n]}Y_{i}(\mathbf{z}) - \frac{1}{n}\sum_{i\in[n]}\alpha_{i}\right)$ という線形推定器（$\alpha_i$ は歴史的ベースライン推定値）を提案。
• 処置効果とネットワーク構造の関数として、個々の影響 $L_i = \beta_i + \sum_{k\in[n]} \frac{\mathbb{E}[z_i]\gamma_{ik}}{\mathbb{E}[z_k]}$ を特徴づけ、分散分析を可能にする。
• 完全ラウンドロビン設計（CRD）を用いて最適な効率性を達成し、有界な効果パラメータおよび次数のもとで、分散が $O(1/pn \cdot B^2 d_{\text{max}}^2)$ で有界であることを示す。
• 観察された共変量および局所的ネットワーク構造に基づき、個々の影響 $L_i$ 値が類似するグループに人々をグループ化する均一飽和設計を導入し、推定器の分散を最小化する。
• ネットワーク知識がなければ、全処置効果の不偏推定は不可能であり、これは処置が同時に適用される場合にネットワークが完全に孤立成分に分解可能でない限り成立しない。
• CRDのもとで推定器の漸近的正規性を確立し、分散推定を用いた標準誤差およびp値による仮説検定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク構造が干渉の原因であるが未知である場合、ラウンドロビン実験における全処置効果を不偏に推定することは可能か？
• RQ2 歴史的ベースラインデータは、ネットワーク知識なしに不偏推定を可能にする上でどのような役割を果たすか？
• RQ3 全処置効果推定器の分散は、個々の影響およびネットワーク構造にどのように依存するか？
• RQ4 未知のネットワーク干渉および有界な因果効果のもとで、分散を最小化するラウンドロビン設計は何か？
• RQ5 ネットワークが観測されない状況で、全処置効果の一貫した推定が可能となる条件は何か？

主な発見

• 事前ベースラインデータがなければ、ネットワークが完全に非連結成分に分解可能でない限り、全処置効果の不偏線形推定器は存在しない。
• 歴史的ベースライン推定値 $\alpha_i$ にアクセスできる場合、任意のマージナル処置確率 $p$ を持つラウンドロビン設計のもとで、提案された推定器 $\widehat{\text{TTE}}_{-\alpha}$ は不偏である。
• CRDのもとで、推定器の分散は $O(1/pn \cdot B^2 d_{\text{max}}^2)$ で有界であり、ここで $B$ は因果効果パラメータを、$d_{\text{max}}$ は個々の出次数を有界にする。
• $n$ が十分に大きい場合、推定器の標本分布は概ね正規分布に従い、標準誤差およびp値による妥当な推論が可能になる。
• 影響項 $L_i$ は、個々の $i$ が全処置効果に寄与する程度を定量化し、推定器の分散を決定づける。最適設計は、処置群と対照群における $L_i$ 分布のバランスを取る。
• 観察された共変量および局所的ネットワーク構造に基づき、$L_i$ 値が類似する人々をグループ化する均一飽和設計を用いることで、分散をさらに低減できる。