[論文レビュー] Identification and estimation of treatment and interference effects in observational studies on networks

Laura Forastiere, Edoardo M. Airoldi+1 more|arXiv (Cornell University)|Sep 20, 2016

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

この論文は、単位の結果が自身の処置および周囲の単位の処置に依存する、観察的ネットワーク研究における処置効果および干渉効果の同定と推定のための新しいフレームワークを提案する。個々の単位と周囲の単位の両方の交絡要因を調整するため、拡張された無交絡仮定と一般化された傾向スコア法を導入し、干渉下でも有効な因果推論を可能にする。

ABSTRACT

Causal inference on a population of units connected through a network often presents technical challenges, including how to account for interference. In the presence of local interference, for instance, potential outcomes of a unit depend on its treatment as well as on the treatments of other local units, such as its neighbors according to the network. In observational studies, a further complication is that the typical unconfoundedness assumption must be extended - say, to include the treatment of neighbors, and indi- vidual and neighborhood covariates - to guarantee identification and valid inference. Here, we propose new estimands that define treatment and interference effects. We then derive analytical expressions for the bias of a naive estimator that wrongly assumes away interference. The bias depends on the level of interference but also on the degree of association between individual and neighborhood treatments. We propose an extended unconfoundedness assumption that accounts for interference, and we develop new covariate-adjustment methods that lead to valid estimates of treatment and interference 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. We carry out simulations, calibrated using friendship networks and covariates in a nationally representative longitudinal study of adolescents in grades 7-12, in the United States, to explore finite-sample performance in different realistic settings.

研究の動機と目的

• 単位の結果が自身の処置および周囲の単位の処置に依存するネットワーク上の因果推論における干渉の課題に対処する。
• 標準的な無交絡仮定の限界を克服するため、周囲の処置を含めた拡張された無交絡仮定を導入する。
• ネットワーク化された単位における処置効果と干渉効果を分離する新しい推定量を構築する。
• 個々の単位と周囲の単位の両方の共変量を、異なる処置露出水準でバランスさせる一般化された傾向スコア法を提案する。
• 実際のネットワーク設定において、7年生から12年生の米国代表的縦断調査データに基づいてキャリブレーションされたシミュレーションを用いて、因果効果の有効な推定を可能にする。

提案手法

• 個々の処置と周囲の単位の処置への露出を区別することで、処置効果と干渉効果を定義する新しい推定量を導入する。
• 個々の処置、周囲の処置、および個々の単位と周囲の共変量を含む、拡張された無交絡仮定を提案する。
• 干渉を無視するナービブ推定量のバイアスの解析的表現を導出し、干渉の程度と個々の処置と周囲の処置の関連性に依存することを示す。
• 個々の単位と周囲の共変量を、異なる個々の処置水準および周囲の処置への露出水準でバランスさせる一般化された傾向スコアを開発する。
• 一般化された傾向スコアに基づく逆確率重み付けを用いて、処置効果と干渉効果を推定する。
• 7年生から12年生の米国代表的縦断調査から得た実データを用いて、実際の友人関係ネットワークと共変量を再現するシミュレーションをキャリブレーションする。

実験結果

リサーチクエスチョン

• RQ1 観察的ネットワーク研究における処置効果と干渉効果は、どのように形式的に定義され、同定可能か？
• RQ2 ネットワーク環境下で干渉を無視する標準的な推定量のバイアスは何か？
• RQ3 観察的ネットワークデータにおける干渉を考慮するために、無交絡性をどのように拡張できるか？
• RQ4 ネットワーク依存性が存在する状況で、処置効果と干渉効果を推定するための有効な共変量調整法は何か？
• RQ5 提案された手法は、現実的なネットワーク構造と共変量構造を持つ有限標本において、どのように性能を発揮するか？

主な発見

• 干渉を無視するナービブ推定量のバイアスは、干渉の程度と個々の処置と周囲の処置の間の関連性の両方に依存する。
• 提案された拡張された無交絡仮定により、ネットワーク干渉下でも処置効果と干渉効果の同定が可能になる。
• 一般化された傾向スコア法は、処置露出水準にわたって個々の単位と周囲の共変量を効果的にバランスさせ、推定の正確性を向上させる。
• 実際の思春期友人関係ネットワークに基づいてキャリブレーションされたシミュレーションでは、提案手法がバイアスを低減し、有限標本における信頼区間のカバレッジを改善することが示された。
• この手法は、縦断的調査データで観察される現実的なネットワーク構造と共変量の依存性に対して、頑健である。
• このフレームワークにより、ネットワーク化された観察的研究における直接的処置効果と干渉効果の両方について、有効な推論が可能になる。