[論文レビュー] Exact P-values for Network Interference

Susan Athey, Dean Eckles+1 more|arXiv (Cornell University)|Jun 5, 2015

Advanced Causal Inference Techniques参考文献 21被引用数 4

ひとこと要約

この論文は、ネットワーク干渉実験における非鋭的帰無仮説の正確なp値を、帰無仮説が鋭的になるように人工実験を構築することで開発する。これにより、有効なランダマイズーション推論が可能になる。距離、エッジカテゴリ、または同僚効果の不均一性によって制限される漏れの仮説に対して正確なp値を提供し、先行研究における誤った漸近的近似を是正する。

ABSTRACT

We study the calculation of exact p-values for a large class of non-sharp null hypotheses about treatment effects in a setting with data from experiments involving members of a single connected network. The class includes null hypotheses that limit the effect of one unit's treatment status on another according to the distance between units; for example, the hypothesis might specify that the treatment status of immediate neighbors has no effect, or that units more than two edges away have no effect. We also consider hypotheses concerning the validity of sparsification of a network (for example based on the strength of ties) and hypotheses restricting heterogeneity in peer effects (so that, for example, only the number or fraction treated among neighboring units matters). Our general approach is to define an artificial experiment, such that the null hypothesis that was not sharp for the original experiment is sharp for the artificial experiment, and such that the randomization analysis for the artificial experiment is validated by the design of the original experiment.

研究の動機と目的

• 処置の漏れがネットワーク距離やエッジ構造に依存するネットワーク干渉実験において、非鋭的帰無仮説に対する正確なp値が欠落している問題に対処すること。
• ボンドら（2012）の誤った分散仮定を含む、タイプIエラー率を低く見積もる誤った漸近的推論手法を是正すること。
• 特定の距離内、特定のエッジカテゴリ、または同僚効果が均一であることに制限された処置漏れを仮定する場合に、有効なランダマイズーション推論を可能にすること。
• 大標本近似や強いパラメトリック仮定に依存せずに、複雑な干渉構造へのランダマイズーション推論の一般化すること。

提案手法

• 元の非鋭的帰無仮説が鋭的になるように、元の実験の妥当性を保つ人工実験を構築すること。
• 人工実験における潜在的アウトカムのランダマイズーション分布を定義し、元の実験の設計と整合させる。
• 潜在的アウトカムフレームワークを用いて、エッジを分類（例：強固／弱い）または重み付けすることで、ネットワーク構造による干渉をモデル化すること。
• 人工実験におけるランダマイズーションのうち、観測された統計量と同様に極端なものを占める割合を計算することで、正確なp値を導出すること。
• 距離に基づく漏れ、エッジカテゴリ制限、同僚効果の不均一性の3つの仮説クラスにこの手法を適用すること。
• 帰無仮説下の残差と処置を受けた隣接ノード数の共分散に基づくスコア検定統計量を導出し、人工設計下で正確性を保証すること。

実験結果

リサーチクエスチョン

• RQ1 単一の連結ネットワークにおける処置漏れに関する非鋭的帰無仮説に対して、正確なp値を計算できるか？
• RQ2 直近の隣人（またはkステップ以内の隣人）のみがアウトカムに影響するという仮説を検証するための正しいランダマイズーション分布は何か？
• RQ3 弱いつながりを削除するネットワークのスパarsification（疎性化）が、閾値を超えての漏れなしという仮定を無効にしないかをどのように検証できるか？
• RQ4 同僚効果が処置を受けた隣人の数や割合に制限されるという仮説に対する正しい検定統計量と標本分布は何か？
• RQ5 ボンドら（2012）の標準的漸近的手法が、ネットワーク干渉設定においてタイプIエラー率を高める理由は何か？

主な発見

• ボンドら（2012）の誤った分散仮定（検定統計量の分散を0.5とみなす）は、帰無仮説下でタイプIエラー率が0.157に上昇することを引き起こし、名目水準の0.05とはならない。
• シミュレーションスタディにより、この過大なエラー率が確認され、棄却率は0.153（95％信頼区間：0.144–0.163）であり、理論的値とよく一致している。
• 本手法は、帰無仮説が鋭的になるように人工実験を構築することで、正確なp値を提供し、有効なランダマイズーション推論を保証する。
• スコア検定統計量は、帰無仮説下の残差と処置を受けた隣接ノード数の共分散に比例し、同僚効果の検定において頑健で正確な検定を提供する。
• 本手法は、距離、エッジカテゴリ、同僚効果の不均一性による干渉制限の仮説に一般に適用可能であり、大標本近似を必要としない。
• 特に強いネットワーク依存性と無視できない漏れがある状況において、先行の漸近的手法のバイアスを是正する。