[논문 리뷰] Causal Inference for Spatial Treatments

Michael Pollmann|arXiv (Cornell University)|2020. 10. 31.

COVID-19 epidemiological studies참고 문헌 111인용 수 6

한 줄 요약

이 논문은 후보 지역 중에서 치료 위치를 무작위로 배정하는 공간 치료를 위한 설계 기반 인과 추론 프레임워크를 제안한다. 유효한 설계 기반 표준 오차를 갖는 역확률 가중치 추정량을 도입하고, 관찰 데이터에서 역설적 치료 위치를 식별하기 위해 합성곱 신경망(CNN)을 사용하며, 코로나19 기간 동안 슈퍼마켓이 보행자 유동에 미치는 짧은 거리 효과가 뚜렷하게 나타남을 발견한다.

ABSTRACT

Many events and policies (treatments) occur at specific spatial locations, with researchers interested in their effects on nearby units of interest. I approach the spatial treatment setting from an experimental perspective: What ideal experiment would we design to estimate the causal effects of spatial treatments? This perspective motivates a comparison between individuals near realized treatment locations and individuals near counterfactual (unrealized) candidate locations, which differs from current empirical practice. I derive design-based standard errors that are straightforward to compute irrespective of spatial correlations in outcomes. Furthermore, I propose machine learning methods to find counterfactual candidate locations using observational data under unconfounded assignment of the treatment to locations. I apply the proposed methods to study the causal effects of grocery stores on foot traffic to nearby businesses during COVID-19 shelter-in-place policies, finding a substantial positive effect at a very short distance, with no effect at larger distances.

연구 동기 및 목표

• 무작위로 배정된 치료 위치를 사용하여 공간 치료의 인과 효과를 추정하기 위한 이상적 실험을 체계화하기.
• 결과의 공간 상관관계에 강건한 설계 기반 표준 오차를 유도하기.
• 관찰 데이터에서 무편향 할당 조건 하에서 역설적 치료 위치를 식별하기 위한 기계학습 방법 개발.
• 세 가지 핵심 방법론적 질문에 대응하기: 통제군 선택, 표준 오차 추정, 이상적 실험의 관찰 데이터 모방.
• 실증 연구에서 공간 치료 효과 추정을 위한 실용적이고 실행 가능한 권고 제공.

제안 방법

• 치료 위치가 일정한 후보 위치 집합 내에서 무작위로 배정되는 이상적 실험을 체계화한다.
• 설계 기반 프레임워크 하에서 근사적으로 편향이 없는 것을 보장하는 특정 거리에서의 평균 치료 효과를 위한 역확률 가중치 추정량을 도출한다.
• 계산적으로 간단하고 공간 상관관계에 강건한 설계 기반 분산 추정량을 제안한다.
• 관측 데이터에서 공변수의 공간 분포를 모델링하고 역설적 치료 위치를 식별하기 위해 합성곱 신경망을 적용한다.
• 추정된 성향 스코어를 사용한 역확률 가중치를 통해 공간 공변수 기반으로 치료군과 통제군을 균형 잡는다.
• 제안된 프레임워크 하에서 추정량의 편향, 분산, 신뢰구간 커버리지의 유효성을 검증하기 위해 시뮬레이션 연구를 수행한다.

실험 결과

연구 질문

• RQ1 주어진 거리에서 공간 치료 효과를 추정할 때 통제군에 포함시킬 대상은 누구인가?
• RQ2 이상적 실험 하에서 추정된 치료 효과에 대한 올바른 표준 오차는 무엇인가?
• RQ3 관찰 데이터만 이용 가능한 상황에서 이상적 실험의 논리를 어떻게 재현할 수 있는가?
• RQ4 설계 기반 분산 추정량은 공간 설정에서 전통적인 표본 기반 분산과 비교해 어떻게 다른가?
• RQ5 무편향 할당 조건 하에서 기계학습 방법의 유효한 역설적 치료 위치 식별 성능은 어떠한가?

주요 결과

• 제안된 추정량 $\hat{\tau}$ 는 시뮬레이션에서 작은 편향을 보이며, 시뮬레이션 노이즈 수준과 유사하고, 실현 불가능한 기준 $\tilde{\tau}$ 와 거의 동일한 성능을 보인다.
• 98%의 시뮬레이션 인구에서 $\hat{\tau}$ 의 설계 기반 분산은 $\tilde{\tau}$ 의 진짜 분산과 1% 이내로 근접한다.
• 호르비츠-스미스 추정량 $\hat{\tau}_{HT}$ 는 $\tilde{\tau}$ 와 비교해 약 60% 높은 분산을 보이며, 효율성이 떨어진다.
• 제안된 분산 추정량을 사용한 신뢰구간은 모든 시뮬레이션 인구에서 명목상의 커버리지(95%)에 매우 가까운 성능을 보인다.
• 모든 시뮬레이션에서 $\hat{\tau}$ 와 $\tilde{\tau}$ 간의 상관계수는 거의 1에 가까워, 거의 동일한 성능을 나타낸다.
• 실증 적용 결과, 코로나19 봉쇄 정책 기간 동안 슈퍼마켓이 매우 짧은 거리에서 인근 보행자 유동에 상당한 긍정적 효과를 미치는 것으로 나타났으며, 더 넓은 거리에서는 효과가 없었다.