[논문 리뷰] Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference

M. Usaid Awan, Marco Morucci외 4명|arXiv (Cornell University)|2020. 03. 02.

Advanced Causal Inference Techniques참고 문헌 23인용 수 4

한 줄 요약

이 논문은 네트워크 간섭이 존재하는 랜덤화 실험에서 직접 치료 효과를 추정하기 위한 새로운 매칭 방법인 FLAME-Networks를 제안한다. 학습 데이터셋에서 유도된 이웃 그래프 내 고유한 부분그래프의 수를 거의 정확하게 매칭함으로써, 기존 방법들과 비교해 뛰어난 성능과 높은 해석 가능성을 달성한다. 이는 공변량과 관측되지 않은 간섭 패턴을 고려한 상황에서도 성립한다.

ABSTRACT

We propose a matching method that recovers direct treatment effects from randomized experiments where units are connected in an observed network, and units that share edges can potentially influence each others' outcomes. Traditional treatment effect estimators for randomized experiments are biased and error prone in this setting. Our method matches units almost exactly on counts of unique subgraphs within their neighborhood graphs. The matches that we construct are interpretable and high-quality. Our method can be extended easily to accommodate additional unit-level covariate information. We show empirically that our method performs better than other existing methodologies for this problem, while producing meaningful, interpretable results.

연구 동기 및 목표

• 단위가 네트워크를 통해 상호 영향을 미치는 랜덤화 실험에서 전통적인 치료 효과 추정기의 편향과 부정확성을 해결한다.
• 네트워크 상호작용으로 인한 간섭이 발생할 때 직접 치료 효과를 추정하기 위한 비모수적이고 해석 가능한 방법을 개발한다.
• 관측된 네트워크 구조를 활용해 국소적 이웃 그래프의 유사성 기반으로 단위를 매칭함으로써 간섭 하에서 추정 성능을 향상시킨다.
• 추가적인 단위 수준의 공변량이 존재하더라도 이 방법이 강인하고 해석 가능하게 유지되도록 보장한다.
• 진짜 간섭 값이 알려져 있음에도 불구하고 부분그래프 특징에 기반한 매칭이 스칼라 간섭 값이나 고유벡터에 기반한 매칭보다 우수한 성능을 보이는지 확인한다.

제안 방법

• 관측된 네트워크 내 직접 연결을 기반으로 각 단위의 이웃 그래프를 구성한다.
• 각 단위의 이웃 그래프 내에서 고유한 부분그래프(예: 삼각형, 별형)의 수를 세어 해석 가능한 고차원 특징을 추출한다.
• 학습 부분집합에서 지도학습 프레임워크를 사용해 '중요한' 부분그래프 집합을 학습하여 매칭을 안내한다.
• 거의 정확한 매칭(AME) 프레임워크를 적용하여 치료군 단위를 부분그래프 특징 벡터 측면에서 거의 동일한 제어군 단위와 매칭한다.
• 정점 재정렬을 고려한 인접행렬 차이의 프로베니우스 노름을 사용해 이웃 부분그래프 간 매칭 품질을 측정하고 평가한다.
• 단위 수준의 공변량을 매칭 과정에 가중치를 두어 통합함으로써, 방법의 해석 가능성과 성능을 유지한다.

실험 결과

연구 질문

• RQ1 이웃 그래프 내 부분그래프 특징에 기반한 매칭이 기존 방법들과 비교해 네트워크 간섭 하에서 직접 치료 효과 추정에 유의미하게 향상시키는가?
• RQ2 진짜 간섭 값이 알려져 있음에도 불구하고, 스칼라 간섭 값에 기반한 방법과 비교해 FLAME-Networks의 성능은 어떻게 되는가?
• RQ3 단위 수준의 공변량이 치료 효과 추정의 정확성과 해석 가능성에 얼마나 큰 영향을 미치는가?
• RQ4 매칭된 단위의 국소 네트워크 이웃 구조 간의 구조적 유사성 측면에서 이 방법이 매칭 품질을 얼마나 잘 유지하는가?
• RQ5 공변량이 결과에 미치는 영향이 증가함에 따라 이 방법이 강인성과 뛰어난 성능을 유지하는가?

주요 결과

• 기본 설정 하에서 FLAME-Networks는 기준 방법들보다 절대 추정 오차를 크게 감소시켰으며, 중앙값 오차는 0.34로, Naive(0.61) 및 Stratified(4.56)보다 뛰어나다.
• 공변량의 영향이 증가할 경우(β = 20 또는 25), FLAME-Networks는 각각 중앙값 오차 0.34와 0.25를 유지하지만, First Eigenvector 및 All Eigenvectors와 같은 경쟁 방법들은 오차가 증가한다.
• FLAME-Networks는 진짜 간섭 값에 기반한 매칭이나 All Eigenvectors 방법보다 매칭된 단위의 이웃 부분그래프 간 평균 그래프 거리가 유의미하게 낮게 유지된다.
• ER(50, 0.07) 네트워크와 덧셈 간섭 조건 하에서의 시뮬레이션에서 FLAME-Networks의 평균 그래프 거리는 모든 경쟁 방법보다 낮으며, 그림 11에서 점선으로 표시된 바와 같이 뛰어난 중앙값 성능을 보였다.
• 진짜 간섭 값이 매칭 기준으로 사용되더라도, FLAME-Networks는 간섭 패턴을 더 잘 포착하는 더 정보가 풍부하고 해석 가능한 부분그래프 특징을 학습함으로써 이 벤치마크를 능가한다.
• 공변량 영향 수준이 변할 때에도 이 방법은 강인하고 해석 가능하며 성능 저하 없이 유지되며, 해석 불가능하거나 정보가 적은 특징에 의존하는 방법들과는 달리 그러한 문제를 겪지 않는다.