[論文レビュー] Using Exposure Mappings as Side Information in Experiments with Interference

David Choi|arXiv (Cornell University)|Jun 28, 2018

Advanced Causal Inference Techniques参考文献 22被引用数 4

ひとこと要約

本稿では、露出マッピングを補助情報として用いることで、深刻な露出モデルの誤指定下でも有効な信頼区間を提供する、干渉を伴う実験におけるロバストな因果推論手法を提案する。保守的推論のための非負の治療効果仮定と、干渉に関する構造的仮定を必要としない「治療に帰属する差分」と呼ばれる弱い推定統計量を導入する。

ABSTRACT

Exposure mappings are widely used to model potential outcomes in the presence of interference, where each unit's outcome may depend not only on its own treatment, but also on the treatment of other units as well. However, in practice these models may be only a crude proxy for social dynamics. In this work, we give estimands and estimators that are robust to the misspecification of an exposure model. In the first part, we require the treatment effect to be nonnegative (or "monotone") in both direct effects and spillovers. In the second part, we consider a weaker estimand ("contrasts attributable to treatment") which makes no restrictions on the interference at all.

研究の動機と目的

• 単位の結果が他の単位の治療に依存する干渉が生じるラウンドロビン実験において、標準的な無関係性仮定が破られるという課題に対処すること。
• 実際の状況では現実的でない可能性がある正確なモデル仕様を必要とする従来の露出マッピング手法の限界を克服すること。
• 露出モデルが誤って指定されても有効なまま残る推論手順を開発し、ネットワーク化された実験における現実世界のロバスト性を確保すること。
• 干渉に関する構造的仮定を必要とせず、単に無作為化からのみ推論が可能な「治療に帰属する差分」（CAT）と呼ばれる新しい推定統計量を導入すること。
• 最小限の仮定の下で保守的推論を提供するフレームワークを構築し、ピア効果のモデリングが極めて不確実または議論の余地がある状況における代替戦略を提供すること。

提案手法

• 治療と対照の下での潜在的アウトカムの差分に基づく新しい推定統計量 τ^ZCAT を提案し、露出モデルの誤指定に対してもロバストであることを保証する。
• 無作為化に基づく推論を用いて、露出モデルの正確な仕様を必要としない τ^ZCAT の信頼区間を導出する。
• 直接的およびスプライバー効果の両方の治療効果に非負性仮定を導入し、やや弱い正則性条件の下で保守的推論を保証する。
• 変換されたデザイン行列の最大固有値を活用して、検定統計量の分散をバインドし、有限標本における信頼領域を可能にする。
• シミュレーションおよび実世界のデータ（例：Facebookの投票実験）に本手法を適用し、実証的妥当性を示す。
• ベルヌーイ無作為化を用いて治療を割り当て、弱い依存性仮定の下で推定統計量の漸近的集中境界を導出する。

実験結果

リサーチクエスチョン

• RQ1 露出モデルが誤って指定された場合、ネットワーク実験における有効な因果推論をどのように行えるか？
• RQ2 干渉の特定のメカニズムを仮定しない状況で、干渉下での治療効果を推定するためにどの推定統計量が利用可能か？
• RQ3 正確な露出モデル仕様に依存せず、無作為化と露出マッピングのみを用いて、治療効果の保守的信頼区間を構築できるか？
• RQ4 一般の干渉構造の下で、提案された推定統計量の有限標本的性質は何か？
• RQ5 従来の露出モデルに基づくアプローチと比較して、本手法はロバスト性と保守性の観点でどのように異なるか？

主な発見

• Facebookの投票実験において、提案された推定統計量 τ^ZCAT は95％信頼区間 [2.06%, 2.26%] を得ており、干渉に関する仮定なしに有意な治療効果を示している。
• 非負性仮定の下で、本手法は露出モデルが誤って指定されても有効な保守的信頼区間を生成する。
• 複雑な干渉パターン下でも、真の治療効果が信頼区間内にある確率が1−αに収束することが保証される。
• デザイン行列の最大固有値は、検定統計量の分散をバインドする上で重要な役割を果たし、有限標本推論を可能にする。
• CAT推定統計量は、干渉メカニズムの完全なモデリングを必要とせず、未知または非一様なピア効果がある状況に適している。
• 主観的なモデリング仮定（例：露出モデル）が議論の余地があるか検証不能な状況では、本手法が代替の推論戦略を提供する。