[논문 리뷰] Causal inference for social network data

Elizabeth L. Ogburn, Oleg Sofrygin외 2명|arXiv (Cornell University)|2017. 05. 23.

Advanced Causal Inference Techniques인용 수 12

한 줄 요약

이 논문은 단일 네트워크에서의 관찰 데이터를 사용하여 사회적 네트워크 내 원인 인과 추론을 위한 준모수적 프레임워크를 개발한다. 이는 노드 간 직접 전파와 잠재적 의존성 모두를 고려한다. 네트워크 간섭을 위한 새로운 원인 인과 추정량을 도입하고, 새로운 중심극한정리(central limit theorem)를 증명하여, 각 노드가 점점 더 많은 다른 노드에 의존하는 경우에도 타당한 추론이 가능하게 한다. 적용 사례에서는 프레밍햄 심장 연구 데이터를 바탕으로 비만에 대한 원인적 친구 효과가 입증되지 않음을 보여준다.

ABSTRACT

We describe semiparametric estimation and inference for causal effects using observational data from a single social network. Our asymptotic results are the first to allow for dependence of each observation on a growing number of other units as sample size increases. In addition, while previous methods have implicitly permitted only one of two possible sources of dependence among social network observations, we allow for both dependence due to transmission of information across network ties and for dependence due to latent similarities among nodes sharing ties. We propose new causal effects that are specifically of interest in social network settings, such as interventions on network ties and network structure. We use our methods to reanalyze an influential and controversial study that estimated causal peer effects of obesity using social network data from the Framingham Heart Study; after accounting for network structure we find no evidence for causal peer effects.

연구 동기 및 목표

• 단일 네트워크만 관측되고 치료가 무작위화되지 않은 상황에서 원인 인과 추론을 위한 타당한 통계적 방법이 부족한 문제를 해결하기 위해.
• 기존 방법이 독립성 또는 오직 직접 전파 의존성만을 가정하는 한계를 해결하기 위해, 현실적인 네트워크에서 비현실적인 가정을 피하기 위해.
• 관측된 전파 효과와 연결된 개인 간의 관측되지 않은(잠재적) 유사성을 모두 고려하는 공식적인 원인 인과 추론 프레임워크를 개발하기 위해.
• 네트워크 관계를 변경하거나 네트워크 연결을 수정하는 간섭을 위한 새로운 원인 인과 추정량을 도입하기 위해.
• 표본 크기가 증가함에 따라 의존성이 증가하는(이웃 수가 증가하는) 상황에서도 더 현실적인 네트워크 의존성 구조 하에서 점근 이론을 확립하기 위해.

제안 방법

• 가상의 간섭 하에서 평균 잠재적 결과를 추정하기 위한 준모수적 추정 프레임워크를 제안하며, 이는 표적 최대우도추정법(TMLE) 기반이다.
• 직접 전파와 잠재변수 의존성을 모두 수용할 수 있는 네트워크 의존 데이터를 위한 새로운 중심극한정리(central limit theorem)를 도입한다.
• 노출 및 네트워크 구조에 기반한 역설적 결과 $Y_i^*$와 충분통계량 $V_i^*$를 정의하여 간섭 효과의 추정을 가능하게 한다.
• 이웃의 공변량과 노출 영향을 개인 결과에 모델링하기 위해 요약 함수 $s_C$와 $s_X$를 사용한다.
• 최소한의 모델링 가정 하에서 효율적이고 강건한 추정을 가능하게 하는 영향 함수 $D_n(o)$와 $D_n^C(o)$를 유도한다.
• 유의미한 추론을 위해 파arametric 부트스트랩 방법을 활용하며, 시뮬레이션을 통해 $n=500$일 때에도 좋은 커버리지와 정규분포 수렴을 확인하였다.

실험 결과

연구 질문

• RQ1 단일 네트워크만 관측되고 치료가 무작위화되지 않은 관찰적 사회적 네트워크 데이터에서 타당한 원인 인과 추론이 가능한가?
• RQ2 네트워크에 연결된 개인 간의 직접 전파와 잠재적 의존성을 원인 인과 추론에서 공식적으로 모델링하고 고려할 수 있는가?
• RQ3 네트워크 구조나 연결 형성 방식을 변경하는 간섭을 위한 적절한 원인 인과 추정량은 무엇인가?
• RQ4 네트워크가 커짐에 따라 각 노드가 점점 더 많은 이웃에 의존하게 되는 상황에서 추정량의 점근분포가 여전히 정규분포를 유지하는가?
• RQ5 제안된 방법은 체력법 차수 분포 및 소월 구조와 같은 네트워크 의존성 구조에 대해 강건한가?

주요 결과

• 제안된 방법은 현실적인 의존성 구조 하에서 각 노드가 점점 더 많은 다른 노드에 의존하는 경우에도 추정량의 점근정규성을 보장하는 새로운 중심극한정리를 수립하였다.
• 시뮬레이션 결과, TMLE 추정량이 직접 전파와 잠재적 의존성 하에서 모두 정규분포로 수렴함을 확인하였으며, 체력법 차수 분포를 가진 네트워크에서도 동일하게 성립하였다.
• 작은 표본 크기, 예를 들어 $n=500$일 때에도 파라미터 부트스트랩 방법이 정확한 신뢰구간 커버리지와 길이를 제공하여 유한표본에서의 강건성을 시사한다.
• 프레밍햄 심장 연구 데이터의 재분석 결과, 네트워크 구조를 고려한 후 비만에 대한 원인적 친구 효과에 대한 증거가 없음을 보여주었으며, 이는 이전의 주장에 도전하는 바이다.
• 이 방법은 소월 구조 및 선호적 연결 네트워크 모델에서 발생하는 복잡한 의존 패턴을 다룰 수 있었으며, 다수의 독립적 네트워크나 무작위 치료가 필요 없이도 효과적으로 작동하였다.