[論文レビュー] Treatment effect estimation under convergent network interference

Bryan Park, Stefan Wager|arXiv (Cornell University)|Mar 26, 2026

Advanced Causal Inference Techniques被引用数 0

ひとこと要約

この論文は、ネットワーク干渉の下での Horvitz–Thompson 推定量の平均直接効果に対して、グラフ極限理論を用いてグラフと潜在アウトカムの同時収束を確立し、中心極限定理を示す。 dense で非乱択な曝露グラフに対しても成り立つ可能性がある。

ABSTRACT

Under network interference, the treatment given to one unit may also affect the outcomes of its neighboring units in an exposure graph. Existing large-sample theory has focused on settings where either the exposure graph is sparse, or the exposure graph is randomly generated using a random graph model. The question of how to analyze treatment effect estimation in network interference models with dense, non-random exposure graphs has remained open to date. Here, we address this gap and prove a central limit theorem for possibly dense, non-random models by extending the graph limit framework pioneered by Lovász and Szegedy to the setting of causal inference under network interference. Our result implies that the uncertainty for average direct effect estimation is to first-order driven by random treatment assignment, and so asymptotic results derived under the random graph model correctly predict statistical behavior in non-random network interference designs.

研究の動機と目的

• ネットワーク干渉により SUTVA が破れる場合の因果推論を動機づけ、密な非乱択曝露グラフに対応する。
• 平均直接効果の Horvitz–Thompson 推定量の sqrt(n) 一致性と漸近正規性を達成する決定論的な正則性条件を提供する。
• 干渉下でフェアな有限集団推定を可能にするため、曝露グラフと潜在アウトカムの同時収束を拡張し、グラフ極限理論を適用する。

提案手法

• モデルは匿名干渉を伴うベルヌーイ処置割当を使用する。
• グラフとアウトカムをグラフオンと lim を用いた結合収束の notions で表現する。
• 正規性結果の正則性を確保するスケール因子・カーネル・次数に関する条件を述べる。
• sqrt(n)(HT 推定量 - ADE) の中心極限定理を、明示的な極限分散公式とともに証明する。
• 決定論的実験とランダムグラフ実験の結合を構成し、Slutsky の定理を介して漸近的性質を伝える。

実験結果

リサーチクエスチョン

• RQ1 HT 推定量の sqrt(n) の漸近正規性は、グラフをランダムとしてモデリングせずに、決定論的で密な曝露グラフの下で成り立つのか。
• RQ2 曝露グラフと潜在アウトカム関数のどの同時収束条件が、匿名干渉の下で ADE 推定量に対する CLT を導くのに十分か。
• RQ3 決定論的グラフ収束の下での極限分散は、ランダムグラフモデル下の分散とどのように関連するのか。
• RQ4 グラフ極限理論は、ネットワーク干渉に対してランダムグラフの漸近性に一致する決定論的正則性枠組を提供できるか。

主な発見

• 匿名干渉の下で可能性のある密な決定論的曝露グラフに対して、HT 推定量の ADE に対する中心極限定理を確立した。
• 曝露グラフと潜在アウトカム関数をグラフオンとカットノルムに基づく収束によって limit object (L, l) に結びつける結合収束の枠組を提示する。
• 極限分散はランダムグラフモデルからの分散と一致し、非乱 designs における推定量の不確実性をランダムグラフ漸近性が正しく特徴づけることを示唆する。
• 決定論的実験とランダム実験を結ぶ結合論証により、決定論的実験が漸近的正規性を伝えるのに十分にランダム実験を近似できることを示す。
• 数値例は、 Gaussian 極限が dense と sparse の両方の regime で、複数の実験タイプにおいて良い有限標本近似を提供することを示唆する。