[論文レビュー] Staggered Rollout Designs Enable Causal Inference Under Interference Without Network Knowledge

Mayleen Cortez, Matthew Eichhorn+1 more|arXiv (Cornell University)|May 29, 2022

Advanced Causal Inference Techniques被引用数 6

ひとこと要約

本稿では、隠れたネットワーク構造の知識がなくても、ネットワーク干渉下で全処置効果（TTE）の不偏推定を可能にする段階的導入設計を提案する。処置導入スケジュールの多項式補外を活用することで、低次の干渉下でも因果推論を実現し、理論的分散バウンドと実証的検証を通じて、従来手法に比べて優れたバイアスと分散性能を示す。

ABSTRACT

Randomized experiments are widely used to estimate causal effects across a variety of domains. However, classical causal inference approaches rely on critical independence assumptions that are violated by network interference, when the treatment of one individual influences the outcomes of others. All existing approaches require at least approximate knowledge of the network, which may be unavailable and costly to collect. We consider the task of estimating the total treatment effect (TTE), or the average difference between the outcomes when the whole population is treated versus when the whole population is untreated. By leveraging a staggered rollout design, in which treatment is incrementally given to random subsets of individuals, we derive unbiased estimators for TTE that do not rely on any prior structural knowledge of the network, as long as the network interference effects are constrained to low-degree interactions among neighbors of an individual. We derive bounds on the variance of the estimators, and we show in experiments that our estimator performs well against baselines on simulated data. Central to our theoretical contribution is a connection between staggered rollout observations and polynomial extrapolation.

研究の動機と目的

• ネットワーク構造が不明または入手不可能な状況下でのネットワーク干渉下における因果推論の課題に対処すること。
• 全処置効果（TTE）を推定すること。TTEとは、全処置状態と全コントロール状態の間での平均アウトカムの差として定義される。
• 干渉ネットワークの構造的知識に依存せずに、TTEの不偏推定を保証する手法を開発すること。
• 低次の干渉効果を仮定したもとでの推定子の理論的分散バウンドと実証的検証を提供すること。

提案手法

• 処置が時間経過とともにランダムな個人のサブセットに段階的に割り当てられる段階的導入実験設計を用いる。
• 処置導入率と観測されたアウトカムの関係を多項式補間によってモデル化することで、TTEの不偏推定子を導出する。
• 部分的導入段階からの観測に基づき、多項式補外を用いて全処置状態における反実仮想アウトカムを推定する。
• 隣接干渉を仮定する。すなわち、各個人はその直接の隣人（近隣）の処置にのみ影響を受けるが、隣人構造の知識は不要である。
• 低次の干渉効果を仮定したもとで、提案された推定子の理論的分散バウンドを導出する。
• 完全にランダム化されたおよびベルヌーイ分布に基づくランダム化された導入設計の下で、シミュレーテッドデータを用いて手法を実証的に検証する。

実験結果

リサーチクエスチョン

• RQ1 干渉ネットワークの事前知識がなくても、ネットワーク干渉下で全処置効果に対する不偏因果推論が可能か？
• RQ2 段階的導入設計は、部分的導入データのみを用いてどのように全処置効果を推定可能にするか？
• RQ3 異なるネットワーク干渉構造のもとで、提案された推定子の理論的分散挙動はいかなるものか？
• RQ4 異なる母集団サイズや処置予算において、提案された推定子のバイアスと分散性能は、従来手法と比べてどの程度優れているか？
• RQ5 直接効果と間接効果の比率が変化する状況でも、この手法はどの程度ロバストに保たれるか？

主な発見

• 提案された推定子は、すべてのシミュレーション条件下で、顕著なネットワーク干渉が存在する中でも、全処置効果（TTE）の不偏推定を達成している。
• 母集団サイズや処置予算が増加するにつれて、推定子の分散は減少し、より大きな標本数や高い導入率で精度が向上することを示している。
• バイアスと分散の両面で、すべてのベースライン手法を上回っている。他の推定子は母集団サイズや処置予算にかかわらず、持続的なバイアスを示している。
• 実際の処置回数に基づく推定子（$\widehat{\text{TTE}}_{\text{PI}}(\hat{{\bf{k}}}/n)$）は、期待処置割合に基づく推定子（$\widehat{\text{TTE}}_{\text{PI}}({\bf{k}}/n)$）よりも、特に処置予算が低い場合に低いバイアスを示している。
• さまざまな干渉モデル、特に直接効果と間接効果の比率が異なる状況においても、推定子の性能はロバストであり、間接効果が増大してもバイアスの増加は最小限に抑えられている。
• 完全にランダム化された設計およびベルヌーイ分布に基づくランダム化設計の両方において、実証的結果は提案手法の優位性を一貫して示しており、母集団サイズが高くなると、実際の割合推定子と期待割合推定子の性能はほぼ同一である。