[論文レビュー] Policy Targeting under Network Interference

Davide Viviano|arXiv (Cornell University)|Jun 24, 2019

Advanced Causal Inference Techniques被引用数 11

ひとこと要約

本稿では、社会的ネットワークを通じて治療効果の伝播が生じるネットワーク干渉下における最適ポリシー標的指定のための手法を提案する。福祉最大化を、半パラメトリックな治療効果推定器を用いた混合整数線形計画問題（MILP）として定式化し、完全なネットワーク情報やパラメトリックモデルの仮定を必要とせず、治療割り当てに制約を設けることも可能となる。

ABSTRACT

This paper studies the problem of optimally allocating treatments in the presence of spillover effects, using information from a (quasi-)experiment. I introduce a method that maximizes the sample analog of average social welfare when spillovers occur. I construct semi-parametric welfare estimators with known and unknown propensity scores and cast the optimization problem into a mixed-integer linear program, which can be solved using off-the-shelf algorithms. I derive a strong set of guarantees on regret, i.e., the difference between the maximum attainable welfare and the welfare evaluated at the estimated policy. The proposed method presents attractive features for applications: (i) it does not require network information of the target population; (ii) it exploits heterogeneity in treatment effects for targeting individuals; (iii) it does not rely on the correct specification of a particular structural model; and (iv) it accommodates constraints on the policy function. An application for targeting information on social networks illustrates the advantages of the method.

研究の動機と目的

• 社会的ネットワークに起因する伝播効果が生じる状況下での最適治療割り当て手法の開発。
• 制限されたネットワーク観測が得られる（準）実験データを用いて、平均的社会的福祉を最大化すること。
• 最小限のモデリング仮定のもとで、最適ポリシーと推定ポリシーの福祉差（レジーム）に関する理論的保証を提供すること。
• 情報的・資源的制限などの任意の制約をポリシー関数に組み込むこと。
• 完全な集団のネットワーク構造を必要とせず、サンプル化された個体およびその隣接者からの実験データのみに依存すること。

提案手法

• 本手法は、（準）実験から得られる観測された共変量、治療割り当て、および隣接者レベルのデータを用いて、伝播効果を伴う潜在的アウトカムの半パラメトリック推定器を構築する。
• 伝播効果を、処置済み隣人の数に依存するものとしてモデル化し、個々の人物の特定を不要とすることで、異質的治療効果の非パラメトリック推定を可能にする。
• 福祉最大化問題を、標準的な最適化アルゴリズムで解ける混合整数線形計画問題（MILP）として定式化する。
• ラデマッハ複雑度と経験過程理論を用いて推定誤差の一様バインドを導出し、結果としてレジーム保証を導く。
• より弱い仮定のもとで一貫性を保証する二重ロバスト推定技術を用いて、未知のプロパティススコアに対処する。
• 本手法はネットワーク非観測性に対してロバストである：完全な集団ネットワークを必要とせず、サンプル化された単位およびその隣接者からのデータのみに依存する。

実験結果

リサーチクエスチョン

• RQ1 人々がネットワークで接続されており、治療が伝播効果を生じる場合、どのようにして最適に治療を標的化できるか？
• RQ2 完全なネットワークが観測不能な状況で、実験データから推定されたポリシーの理論的性能保証（レジーム）はどのように得られるか？
• RQ3 伝播効果の特定のパラメトリックモデルを仮定せずに、平均的社会的福祉を最大化できるか？
• RQ4 実務的制約（例：予算、情報制限）を治療割り当てルールにどのように組み込むことができるか？
• RQ5 ネットワーク干渉下で、提案された半パラメトリック福祉推定器の有限標本および漸近的性質は何か？

主な発見

• 提案手法は、$ O_p(\sqrt{V/n}) $ のレートで減少するレジームバインドを達成する。ここで $ V $ は関数クラスの複雑さを表す指標、$ n $ は標本サイズである。
• レジームバインドはポリシー空間全体に一様に成り立ち、集団ネットワークが観測不能であっても成立する。これは、サンプル化された単位およびその隣接者からの実験データのみに依存する。
• 伝播効果の構造的モデルの正しく指定されていない場合でも、福祉パフォーマンスに関する理論的保証を提供する。
• 任意の制約（例：予算制限、情報制限）をポリシー関数に組み込んでも、レジーム制御を維持できる。
• 福祉の半パラメトリック推定器は二重ロバストであり、アウトカムおよびプロパティススコアモデルに対するより弱い仮定のもとでも一貫性を保証する。
• 最適化問題が混合整数線形計画問題として定式化されているため、市販のソルバで解けるという点で計算的に実行可能である。