[논문 리뷰] Causal Inference Under Interference And Network Uncertainty

Rohit Bhattacharya, Daniel Malinsky외 1명|PubMed|2019. 06. 29.

Bayesian Modeling and Causal Inference참고 문헌 38인용 수 16

한 줄 요약

이 논문은 네트워크 구조가 불확실한 상황에서 간섭이 존재하는 원인 추론을 위한 점수 기반 구조 학습 방법을 제안한다. 가짜우도를 사용하여 데이터 기반의 희박한 의존성 네트워크를 학습하고, 효과 추정에 자동 g-계산을 적용함으로써, 진정한 네트워크 구조가 복원 가능한 경우에 특히 완전한 네트워크를 가정하는 것보다 편향과 분산을 줄인다.

ABSTRACT

Classical causal and statistical inference methods typically assume the observed data consists of independent realizations. However, in many applications this assumption is inappropriate due to a network of dependences between units in the data. Methods for estimating causal effects have been developed in the setting where the structure of dependence between units is known exactly [10, 36, 20], but in practice there is often substantial uncertainty about the precise network structure. This is true, for example, in trial data drawn from vulnerable communities where social ties are difficult to query directly. In this paper we combine techniques from the structure learning and interference literatures in causal inference, proposing a general method for estimating causal effects under data dependence when the structure of this dependence is not known a priori. We demonstrate the utility of our method on synthetic datasets which exhibit network dependence.

연구 동기 및 목표

• 단위 간 네트워크 구조가 알려져 있거나 부분적으로 관찰되는 간섭이 존재하는 설정에서 원인 추론을 해결하기 위해.
• 완전하거나 정보가 없는 의존성을 가정하는 것보다 진정한 기저 네트워크 구조를 학습함으로써 원인 효과의 추정 편향과 분산을 줄이기 위해.
• 부분적 간섭 하에서 DAG에서 체인 그래프로 점수 기반 모델 선택을 일반화하여 불확실성 하에서 효율적인 추론을 가능하게 하기 위해.
• 학습된 희박한 네트워크가 인구 평균 결과 효과(PAOE) 추정에서 최대한 정보가 없는 완전한 그래프보다 우수하다는 것을 보여주기 위해.
• 사회적 유대관계를 재구성하기 어려운 취약하거나 익명화된 인구에서의 실질적 원인 추론을 가능하게 하기 위해.

제안 방법

• 간섭 하에서 단위 간 의존성 네트워크의 구조를 학습하기 위해 가짜우도 기반 점수 함수를 사용한다.
• 체인 그래프(CG) 모델의 공간을 탐색하기 위해 국소 검색 알고리즘을 적용하여 적합성과 복잡성의 균형을 이루는 희박한 구조를 선호한다.
• 블록별로 고유한 네트워크 구조를 모델링하기 위해 이질적인 절차를 사용하고, 블록 간 공통의 네트워크 패턴을 위해 동질적인 절차를 적용한다.
• 학습된 네트워크 구조와 자동 g-계산을 조합하여 원인 효과를 추정하며, 사후 추론을 위해 기브스 샘플링을 활용한다.
• 다중 네트워크 실현에서 효과 추정의 편향과 분산을 평가하기 위해 부트스트래핑(1000회 또는 8회)을 구현한다.
• 정밀도와 재현율 지표를 사용하여 알려진 진정한 네트워크가 있는 시뮬레이션 데이터에서의 구조 학습 성능을 평가한다.

실험 결과

연구 질문

• RQ1 간섭 하에서 완전한 그래프를 가정하는 것보다 진정한 기저 네트워크 구조를 학습함으로써 원인 효과 추정을 향상시킬 수 있는가?
• RQ2 네트워크 구조의 불확실성은 인구 평균 결과 효과(PAOE) 추정의 편향과 분산에 어떤 영향을 미치는가?
• RQ3 최대한 정보가 없는 완전한 그래프를 사용하는 것에 비해, 구조 학습이 추정 오차를 얼마나 줄이는가?
• RQ4 네트워크 구조의 동질성을 활용하면 원인 효과 추정 성능이 향상되는가?
• RQ5 예측된 네트워크 구조가 잘못되었을 경우, 예를 들어 셔플된 또는 잘못된 인접행렬을 사용했을 때, 제안된 방법의 탄력성은 어떠한가?

주요 결과

• 학습된 네트워크 구조를 기반으로 한 원인 효과 추정은 완전한 그래프를 기반으로 한 것보다 동일하거나 낮은 편향을 보였으며, 진정한 네트워크가 정확히 복원된 경우에 가장 낮은 편향이 관찰되었다.
• 학습된 희박한 네트워크를 사용할 경우, 특히 동질적인 네트워크 가정 하에서 효과 추정의 분산이 일관되게 감소했으며, 완전한 그래프 기준선에 비해 유의미하게 낮았다.
• 블록 크기가 4와 8인 경우, 이질적 절차는 편향 0.009와 0.007을 기록했으며 분산은 1e-4 이하였고, 둘 다 완전한 그래프를 초월하는 성능을 보였다.
• 더 큰 네트워크(블록 크기 16과 32)에서는 동질적 절차가 편향을 최소 0.002(크기 32)로 유지했으며 분산은 7.6e-6으로 완전한 그래프보다 유의미하게 낮았다.
• 틀리거나 셔플된 네트워크 구조를 사용할 경우 약 0.06의 편향이 발생했으며, 학습된 또는 완전한 그래프 추정에 비해 약 10배 높았다.
• 구조 학습 알고리즘이 높은 정밀도와 재현율을 기록하여, 시뮬레이션 실험에서 진정한 네트워크 구조의 효과적인 복원을 보여주었다.