[論文レビュー] Statistical Tests for Contagion in Observational Social Network Studies

Greg Ver Steeg, Aram Galstyan|arXiv (Cornell University)|Nov 20, 2012

Complex Network Analysis Techniques参考文献 13被引用数 8

ひとこと要約

本稿では、観察された社会的ネットワークにおける伝染（社会的影響）を、未観測の同質性（ホモフィリー）が存在する状況でも因果効果の下界を導出することによって、非パラメトリックな統計的手法を提案する。代数的制約と観測された行動系列における交換可能性の検定を用いることで、パラメトリックな仮定を必要とせず、因果的影響を同定する。合成データおよびFramingham Heart Studyのデータにおいて、その頑健性を示している。

ABSTRACT

Current tests for contagion in social network studies are vulnerable to the confounding effects of latent homophily (i.e., ties form preferentially between individuals with similar hidden traits). We demonstrate a general method to lower bound the strength of causal effects in observational social network studies, even in the presence of arbitrary, unobserved individual traits. Our tests require no parametric assumptions and each test is associated with an algebraic proof. We demonstrate the effectiveness of our approach by correctly deducing the causal effects for examples previously shown to expose defects in existing methodology. Finally, we discuss preliminary results on data taken from the Framingham Heart Study.

研究の動機と目的

• 観察された社会的ネットワーク研究における、未観測のホモフィリーによる交絡の課題に対処すること。
• 隠れた特性の完全な知識がなくても、伝染（社会的影響）の有無を検出するための手法を開発すること。
• 干渉が実行不可能または倫理的に問題となるネットワーキングシステムにおいて、因果効果の強さの下界を確立すること。
• 観測された行動系列における対称性と交換可能性を活用することで、計算的に実行可能な因果的影響の検出手法を提供すること。
• 本手法の有効性を、合成例およびFramingham Heart Studyからの実世界データにおいて示すこと。

提案手法

• 2人の参加者に対して、隠れたホモフィリーと伝染を含むベイジアンネットワークモデルを用いて問題を形式化し、参加者AとBのための隠れた属性 $ R_A $ と $ R_B $ を定義する。
• $ \Delta $-因果モデルを、アリスの行動がボブの行動に与える平均処置効果の境界を満たす確率分布として定義する。$ \delta_l \leq P(B_t=1|B_{t-1},A_{t-1}=1,R_B) - P(B_t=1|B_{t-1},A_{t-1}=0,R_B) \leq \delta_u $。
• 交換可能性に基づく等式制約（例：$ P(A=x,B=x) = P(A=y,B=y) $）を用い、因果的でないモデルと因果的モデルを区別する対称性を同定する。
• 非因果的モデル（$ \mathcal{P}_0 $）に対してすべての $ \langle c^{(2)} \rangle_P = 0 $ を満たす観測可能な関数 $ c^{(2)}(A,B) $ を構築し、仮説検定を可能にする。
• 式 (1.7) を用いた最適化により、因果的モデル下でのこれらの等式の最大違反を計算し、伝染のための検定統計量を導出する。
• デ・フィネッティの定理を活用し、長時間の極限において、対称性の一致がモデルの区別に十分であると示唆する。

実験結果

リサーチクエスチョン

• RQ1 パラメトリックモデルの仮定や隠れた特性の観測がなくても、観察された社会的ネットワークにおける伝染の有無を検出できるか？
• RQ2 任意の未観測ホモフィリーが存在する状況で、因果的影響の強さをどの程度まで束縛できるか？
• RQ3 観測された行動系列における交換可能性と対称性の制約は、因果的影響の検出に十分か？
• RQ4 本手法は、Framingham Heart Studyのような実世界データにおいて、どの程度の性能を示すか？
• RQ5 標準的手法が交絡のため失敗する状況でも、本手法は因果的効果を検出できるか？

主な発見

• 従来の手法に欠陥を露呈する例（遅延的または即時の影響を含む）においても、本手法は合成例において因果的影響を効果的に検出できた。
• 遅延的影響モデルでは、観測可能な量 $ c^{(2)} $ は $ P_\delta $ 下で $ \frac{7}{16}\delta $ の値を示すが、すべての非因果的モデルではゼロのまま保たれる。
• 本手法は、パラメトリックな仮定を必要とせず、伝染強度の下界を、極限において最もきつい下界に収束させる一連の境界を生成する。
• 長時間の極限において、対称性に基づく検定（例：系列の交換可能性）が、因果的モデルと非因果的モデルを区別するのに十分になる。これはデ・フィネッティの定理に従う。
• 本手法は任意の未観測の個体的特徴に対して頑健であり、すべての交絡要因の測定を必要としない。
• Framingham Heart Studyデータへの初期的結果は、本手法が実世界の社会的ネットワークにおける因果推論に実用的であることを支持している。