[論文レビュー] Random Graph Asymptotics for Treatment Effect Estimation under Network Interference

Shuangning Li, Stefan Wager|arXiv (Cornell University)|Jul 27, 2020

Advanced Causal Inference Techniques参考文献 31被引用数 11

ひとこと要約

本稿は、干渉グラフを未知のグラフンからの実現とモデル化することで、ネットワーク干渉下における因果推論のためのランダムグラフ漸近理論を発展させる。従来の知られていたものよりも弱いスパarsity仮定の下でも、直接効果推定値の漸近正規性を確立し、これまでの無作為化に基づく推論では達成できなかった、間接効果の一貫性のある推定器を提案する。これにより、無作為化実験における干渉の感度分析が実用的に行えるようになる。

ABSTRACT

The network interference model for causal inference places all experimental units at the vertices of an undirected exposure graph, such that treatment assigned to one unit may affect the outcome of another unit if and only if these two units are connected by an edge. This model has recently gained popularity as means of incorporating interference effects into the Neyman--Rubin potential outcomes framework; and several authors have considered estimation of various causal targets, including the direct and indirect effects of treatment. In this paper, we consider large-sample asymptotics for treatment effect estimation under network interference in a setting where the exposure graph is a random draw from a graphon. When targeting the direct effect, we show that -- in our setting -- popular estimators are considerably more accurate than existing results suggest, and provide a central limit theorem in terms of moments of the graphon. Meanwhile, when targeting the indirect effect, we leverage our generative assumptions to propose a consistent estimator in a setting where no other consistent estimators are currently available. We also show how our results can be used to conduct a practical assessment of the sensitivity of randomized study inference to potential interference effects. Overall, our results highlight the promise of random graph asymptotics in understanding the practicality and limits of causal inference under network interference.

研究の動機と目的

• 無作為化に基づく推論の制限を是正すること。これは、すべてのグラフに一様に有効である必要があり、通常の状況ではパワーに欠けることがある。
• 干渉グラフがグラフンからランダムに抽出されたものであると仮定することで、より取り扱いやすい漸近的枠組みを構築し、有限標本におけるより強い保証を得ること。
• 現在のところ、このような推定器が存在しない状況において、間接的治療効果の一致推定器を提供すること。
• 提案された漸近的枠組みを用いて、無作為化実験における干渉効果の実用的感度分析を可能にすること。

提案手法

• 干渉グラフを未知のグラフンから生成されたランダムグラフとしてモデル化し、グラフンおよび潜在的アウトカムに対して交換可能性と正則性条件を仮定する。
• 露出制約を伴うNeyman-Rubinの潜在的アウトカムフレームワークを用いる。すなわち、アウトカムはグラフ内で接続された単位の治療にのみ依存する。
• グラフンのモーメントを分析することで、直接効果推定値の中心極限定理を導出し、従来の結果よりも弱いスパarsity条件下でも漸近正規性を示す。
• グラフン構造に基づく新しい間接効果推定器を提案し、生成モデルを活用することで、既存の手法が失敗する状況でも一貫性を確保する。
• 干渉下におけるHájek推定量のプラグイン分散推定器の一貫性を確立し、正則性条件下で漸近分散に確率的に収束することを示す。
• フレームワークを感度分析に応用し、潜在的な干渉構造の変化に伴う推論の変化を評価できるようにする。

実験結果

リサーチクエスチョン

• RQ1 従来の無作為化推論と比較して、ランダムグラフ漸近理論はネットワーク干渉下での治療効果推定の正確性とパワーを向上させることができるか？
• RQ2 グラフンのどのような条件下で直接効果推定値が漸近正規的になるのか。また、これにより従来のスパarsity仮定がどの程度緩和されるのか？
• RQ3 無作為化に基づくフレームワークにこのような推定器が存在しない状況において、ネットワーク干渉下で間接的効果の一致推定器を構築することは可能か？
• RQ4 提案された漸近的枠組みを用いて、観察されない干渉の影響を受ける無作為化研究の推論の感度をどのように評価できるか？

主な発見

• 直接効果推定値は、グラフンモデルのもとで、従来の結果よりも密なグラフに対しても漸近正規的である。収束はグラフンのモーメントによって支配される。
• 提案された分散推定器は漸近分散に対して一貫しており、正則性条件下で π(1−π)V₀ + σ₀² に確率的に収束する。
• 間接的効果の一致推定器が構築され、本研究の仮定のもとで、文献において初めての手法となる。
• フレームワークにより、無作為化実験における干渉効果の実用的感度分析が可能となり、異なる干渉構造における推論の変化を定量化できる。
• 結果から、ランダムグラフ漸近理論は、通常の干渉設定において、無作為化推論よりも著しく強い有限標本保証を提供できることが示された。