[논문 리뷰] Causal clustering: design of cluster experiments under network interference

Davide Viviano, Lihua Lei외 4명|arXiv (Cornell University)|2023. 10. 23.

Advanced Causal Inference Techniques인용 수 6

한 줄 요약

이 논문은 네트워크 간섭 하에서 군집 실험을 설계하기 위한 Causal Clustering 프레임워크를 소개한다. 이 프레임워크는 악성 평균제곱오차(Worst-case mean-squared error)를 최소화하기 위해 페널티가 부여된 최소 컷 최적화를 통해 설계되며, 편향과 분산을 균형 잡는 데이터 기반 방법을 제공한다. 최적의 군집과 군집 수를 선택할 수 있으며, 이는 준위형 프로그래밍을 통해 계산 가능하며 페이스북과 같은 플랫폼의 실세계 네트워크 데이터에 적용 가능하다.

ABSTRACT

This paper studies the design of cluster experiments to estimate the global treatment effect in the presence of network spillovers. We provide a framework to choose the clustering that minimizes the worst-case mean-squared error of the estimated global effect. We show that optimal clustering solves a novel penalized min-cut optimization problem computed via off-the-shelf semi-definite programming algorithms. Our analysis also characterizes simple conditions to choose between any two cluster designs, including choosing between a cluster or individual-level randomization. We illustrate the method's properties using unique network data from the universe of Facebook's users and existing data from a field experiment.

연구 동기 및 목표

• 네트워크 스플로버가 결과에 영향을 미치는 상황에서 군집 실험을 설계하기 위한 원칙적인 프레임워크를 개발하는 것, 특히 군집 구조가 사전에 알려져 있지 않은 경우에 중점을 둔다.
• 스플로버 효과에 대한 불확실성 하에서 전역 치료 효과 추정기의 악성 평균제곱오차(MSE)를 최소화하는 것.
• 네트워크 구조와 예상 스플로버 크기에 기반해 군집 수준 랜덤화와 개별 수준(Bernoulli) 랜덤화 사이에서 결정을 내리는 데 도움이 되는 규칙을 제공하는 것.
• 네트워크 데이터와 스플로버 효과에 대한 사전 지식을 활용해 최적의 군집 구성(군집 수와 군집 경계 포함)을 선택하는 데 도움이 되는 지침을 제공하는 것.
• 스플로버가 천천히 0으로 수렴하는 국소 점근적 설정으로 실험 설계 이론을 확장하여 현실적인 작지만 무시할 수 없는 간섭을 포괄하는 것.

제안 방법

• 네트워크 간섭 하에서 군집 추정기의 악성 편향과 분산을 수식적으로 정의하며, 편향은 개인이 다른 군집에 속한 친구 수(상호 연결성)에 따라 달라진다.
• 악성 분산이 평균 제곱 군집 크기로 근사적으로만 의존함을 보여주며, 이는 최적화 과정에서 단순화를 가능하게 한다.
• 최적의 군집화를 페널티가 부여된 최소 컷 문제로 재정의하며, 이 페널티는 상호 군집 스플로버(편향)와 군집 크기 이질성(분산)을 균형 잡는 데 기여한다.
• 표준 준위형 프로그래밍 알고리즘을 사용해 최적화 문제를 해결함으로써, 페이스북의 대규모 네트워크와 같은 환경에서도 확장 가능한 계산이 가능해진다.
• 스플로버 효과의 상대적 크기(ϕ̄ₙ)를 반영하는 조정 파라미터 ξₙ을 도입하여 다양한 현실적인 스플로버 범위에서 민감도 분석이 가능하도록 한다.
• 최적의 군집을 계산하는 알고리즘 1과 실용적 ξₙ 선택을 안내하는 알고리즘 3을 제공하며, 기초 공변량과 잔차 분산 추정치를 활용한다.

Figure 2 : Clusters comparisons for Louvain clustering. Different Types correspond to different numbers of clusters (with Type 1 having the largest number of clusters). Different panels correspond to different graphs where two individuals are not connected if the connection (measured with a continuo

실험 결과

연구 질문

• RQ1 네트워크 간섭이 존재할 경우 연구자가 언제 군집 수준 랜덤화를 개별 수준(Bernoulli) 랜덤화보다 선호해야 하는가?
• RQ2 어떻게 네트워크를 군집으로 최적의 분할을 해야 전역 치료 효과 추정기의 악성 평균제곱오차를 최소화할 수 있는가?
• RQ3 군집 설계에서 편향과 분산의 상호 간 상충 관계는 무엇이며, 이를 네트워크 구조를 활용해 정량적으로 균형 잡을 수 있는가?
• RQ4 스플로버 효과가 불확실하지만 무시할 수 없을 경우, 최적의 군집 수와 군집 경계를 어떻게 선택할 수 있는가?
• RQ5 이 프레임워크는 포화 설계 하에서 스플로버 효과나 직접 효과와 같은 다른 추정량을 추정하는 데도 확장 가능한가?

주요 결과

• 최적의 군집화 솔루션은 상호 군집 스플로버(편향)와 군집 크기 분산(분산)을 균형 잡는 페널티가 부여된 최소 컷 문제로부터 유도되며, 준위형 프로그래밍을 통해 계산 가능하다.
• 악성 편향은 개인이 다른 군집에 속한 평균 친구 수에 비례하며, 이는 군집 경계를 넘는 네트워크 간섭의 영향을 정량화한다.
• 악성 분산은 점점 더 무시할 수 없는 항목을 제외하고는 점근적으로 평균 제곱 군집 크기만에 의존하며, 이는 많은 수의 균형 잡힌 군집으로 분할할수록 분산이 최소화됨을 의미한다.
• 군집 설계와 베르누이 설계 사이의 선택 기준으로서의 규칙은 최소 스플로버 효과 × √Kₙ > 2.3일 경우 군집 랜덤화가 선호된다는 것이다. 여기서 Kₙ은 군집 수이다.
• 페이스북 네트워크 데이터에 대한 실증 검증 결과, 다양한 현실적인 스플로버 효과 크기 범위에서 일부 군집 알고리즘이 일관되게 다른 알고리즘보다 뛰어난 성능을 보였다.
• ψ̄는 잔차 분산에서 추정하고, ϕ̄ₙ은 사전 실험 또는 보수적 한계에서 추정할 수 있도록 조정 파라미터 ξₙ을 통해 실용적 설계를 지원한다.

Figure 3 : Example of a number of clusters as a function of $\xi_{n}$ (left-panel, with dotted line corresponding to 3.2) and objective function in Theorem 4.1 for different clustering. Algorithm 1 corresponds to causal clustering. Data from Cai et al. ( 2015 ) , where we report the average result a