[論文レビュー] Propensity score methodology in the presence of network entanglement between treatments

Panos Toulis, Alexander Volfovsky+1 more|arXiv (Cornell University)|Jan 22, 2018

Advanced Causal Inference Techniques参考文献 18被引用数 9

ひとこと要約

本論文は、時間的変化に伴うネットワークレベルの変化に起因する処置のねじれ（entangled treatments）を伴う観察的研究における因果推論のための新規フレームワークを提示する。古典的 propensity score 法が無視された処置のねじれによって著しくバイアスが生じることを示し、ネットワークの進化を周辺化する修正された propensity score 評価法を提案することで、因果効果推定のバイアスを顕著に低減している。

ABSTRACT

In experimental design and causal inference, it may happen that the treatment is not defined on individual experimental units, but rather on pairs or, more generally, on groups of units. For example, teachers may choose pairs of students who do not know each other to teach a new curriculum; regulators might allow or disallow merging of firms, and biologists may introduce or inhibit interactions between genes or proteins. In this paper, we formalize this experimental setting, and we refer to the individual treatments in such setting as entangled treatments. We then consider the special case where individual treatments depend on a common population quantity, and develop theory and methodology to deal with this case. In our target applications, the common population quantity is a network, and the individual treatments are defined as functions of the change in the network between two specific time points. Our focus is on estimating the causal effect of entangled treatments in observational studies where entangled treatments are endogenous and cannot be directly manipulated. When treatment cannot be manipulated, be it entangled or not, it is necessary to account for the treatment assignment mechanism to avoid selection bias, commonly through a propensity score methodology. In this paper, we quantify the extent to which classical propensity score methodology ignores treatment entanglement, and characterize the bias in the estimated causal effects. To characterize such bias we introduce a novel similarity function between propensity score models, and a practical approximation of it, which we use to quantify model misspecification of propensity scores due to entanglement. One solution to avoid the bias in the presence of entangled treatments is to model the change in the network, directly, and calculate an individual unit's propensity score by averaging treatment assignments over this change.

研究の動機と目的

• 時間的変化に起因するネットワーク変化による処置のねじれが生じる状況における因果推論のための手法的ツールの不足に対処する。
• 処置のねじれが無視された場合に、古典的 propensity score 法が引き起こすバイアスを特定および定量化する。
• ねじれに起因するモデル誤指定を定量化するための、propensity score モデル間の新しい類似性測度を開発する。
• ネットワークの進化を考慮したモジュラーでネットワークに配慮した propensity score の手法を提案し、バイアスのない因果推定を実現する。
• 処置のねじれと干渉（interference）を区別し、ねじれが処置割り当てに影響を及ぼすのではなく、結果に影響を及ぼすものではないことを明確にする。

提案手法

• 処置のねじれを、2つの時間的時点間におけるネットワークの変化に依存する個別単位の処置として定義する。
• ねじれに起因するモデル誤指定を定量化するための、propensity score モデル間の新しい類似性関数を導入する。
• 実際の応用においてモデル誤指定を評価するための、この類似性関数の実用的近似を提案する。
• 処置期間中のネットワーク変化の分布を周辺化することにより、個別単位の propensity score を計算する手法を開発する。
• 下流の分析手順を変更せずに、標準的な propensity score フレームワーク（例：クラス分類）にこの手法を適用する。
• 内積モデルおよび二項ネットワークモデルを用いてネットワークの進化を形式化し、提案手法の理論的性質を導出する。

実験結果

リサーチクエスチョン

• RQ1 時間的変化に起因するネットワーク変化によって処置がねじれた場合、古典的 propensity score 法はどのように失敗するか？
• RQ2 標準的な propensity score 法において、処置のねじれが因果効果推定にどれほどバイアスを引き起こすか？
• RQ3 propensity score モデル間の類似性測度は、ねじれに起因する誤指定を効果的に定量化できるか？
• RQ4 シミュレーション設定において、提案手法が古典的手法に比べてバイアスをどれほど低減するか？
• RQ5 異なるネットワーク構造およびねじれメカニズム下で、提案手法の理論的および実証的性能はいかがなものか？

主な発見

• 理論的分析およびシミュレーションにより、処置のねじれが無視された場合、古典的 propensity score 法は著しくバイアスの大きい因果推定を生じることが示された。
• 真のモデルと古典的手法のモデルとの類似性は、ネットワーク変化の分散が高くなると任意に悪化する可能性があり、これは誤った推論を引き起こす。
• 確率的ねじれを伴うシミュレーションにおいて、誤ったモデルのRMSEはσ=2.0のとき57.01からσ=0.0312のとき0.51に低下したが、真のモデルは安定を保った。これは、ネットワークの不確実性が高くなるほど誤指定が悪化することを示している。
• ネットワーク変化が対称的かつ低分散（σ²→0）である場合、誤ったモデルの性能は真のモデルとほぼ同等となり、ねじれがバイアスの主な要因であることを確認した。
• ネットワークの進化を周辺化する提案手法は、すべてのシミュレーション設定において顕著にバイアスを低減し、推定精度を向上させた。
• この手法はモジュラーであり、さまざまなネットワークモデルおよび処置のねじれの定義に適応可能であり、ネットワークベースの因果推論問題に広く適用可能である。