[논문 리뷰] Causal Inference Under Network Interference: A Framework for Experiments on Social Networks

Edward K. Kao|arXiv (Cornell University)|2017. 08. 28.

Advanced Causal Inference Techniques참고 문헌 4인용 수 6

한 줄 요약

이 논문은 간섭이 있는 사회적 네트워크에서 원인 인과 추론을 위한 베이지안 프레임워크를 제안한다. 여기서 개별 단위의 결과는 이웃 단위의 치료에 의존한다. 네트워크 잠재 결과와 체계적인 보정을 사용하여 주요 효과, 동료 효과 및 총합 효과를 추정하며, 모형 잘못 설정 상황에서도 균형 임의화 설계와 네트워크 공변량 포함이 추정 정확도를 향상시킨다.

ABSTRACT

No man is an island, as individuals interact and influence one another daily in our society. When social influence takes place in experiments on a population of interconnected individuals, the treatment on a unit may affect the outcomes of other units, a phenomenon known as interference. This thesis develops a causal framework and inference methodology for experiments where interference takes place on a network of influence (i.e. network interference). In this framework, the network potential outcomes serve as the key quantity and flexible building blocks for causal estimands that represent a variety of primary, peer, and total treatment effects. These causal estimands are estimated via principled Bayesian imputation of missing outcomes. The theory on the unconfoundedness assumptions leading to simplified imputation highlights the importance of including relevant network covariates in the potential outcome model. Additionally, experimental designs that result in balanced covariates and sizes across treatment exposure groups further improve the causal estimate, especially by mitigating potential outcome model mis-specification. The true potential outcome model is not typically known in real-world experiments, so the best practice is to account for interference and confounding network covariates through both balanced designs and model-based imputation. A full factorial simulated experiment is formulated to demonstrate this principle by comparing performance across different randomization schemes during the design phase and estimators during the analysis phase, under varying network topology and true potential outcome models. Overall, this thesis asserts that interference is not just a nuisance for analysis but rather an opportunity for quantifying and leveraging peer effects in real-world experiments.

연구 동기 및 목표

• 한 단위의 치료가 다른 단위에 영향을 미치는 사회적 네트워크 실험에서의 간섭 문제를 다루기.
• 개별 치료와 동료 치료의 함수로 결과를 모델링할 수 있는 유연한 원인 인과 프레임워크 개발하기.
• 잠재 결과 모형에 네트워크 구조와 공변량을 통합하여 원인 인과 추정을 향상시키기.
• 간섭은 단순한 문제 요소가 아니라, 동료 효과를 정량화하고 활용할 수 있는 기회임을 보여주기.
• 균형 임의화와 공변량 보정을 통해 모형 잘못 설정에 대한 강건성을 높이는 설계 및 분석 지침 제공하기.

제안 방법

• 안정된 단위 치료값 가정에 네트워크 간섭을 추가한 SUTNVA 하에서 네트워크 잠재 결과 정의하여 동료 효과를 허용한다.
• 주요 효과, k명의 치료를 받은 이웃, 고정 배정, 영향력 네트워크 조작 효과를 위한 원인 인과 추정치 도입.
• 네트워크 공변량을 포함한 모형을 사용하여 누락된 잠재 결과를 베이지안 보정으로 추정한다.
• 네트워크 간섭 하에서 비편향성 조건을 유도하며, 관련 네트워크 구조에 조건화하면 타당한 추론이 가능함을 보여준다.
• 혼합 소속 블록모형의 하이브리드 버전(HMMB)을 사용하여 공동체 구조, 혼합 소속, 희박성 등을 갖춘 현실적인 네트워크 구조를 생성한다.
• MCMC와 MCEM을 사용하여 사후 추론을 수행하며, 소속 매개변수에 대한 피셔 정보로부터 성능 경계를 유도한다.

실험 결과

연구 질문

• RQ1 네트워크 간섭이 존재할 때 원인 인과 추정치를 어떻게 공식적으로 정의할 수 있는가?
• RQ2 간섭이 존재할 때 타당한 원인 인과 추론을 보장하기 위한 조건는 무엇이며, 비편향성은 어떻게 달성할 수 있는가?
• RQ3 임의화 방식과 공변량 균형 등 실험 설계 선택이 모형 잘못 설정 상황에서 추정 정확도에 어떤 영향을 미치는가?
• RQ4 네트워크 구조(예: 희박성, 공동체 구조)는 원인 인과 추정기의 성능에 어떤 영향을 미치는가?
• RQ5 모형 기반 보정과 균형 임의화의 조합이 간섭이 존재하는 환경에서 기존 방법보다 우수한 성능을 보일 수 있는가?

주요 결과

• 잠재 결과 모형에 네트워크 공변량을 포함하면 비편향성 조건을 만족시켜 추정 정확도가 크게 향상된다.
• 치료 노출 그룹 간 공변량을 균형 잡는 재임의화는 편향을 감소시키고 성능을 향상시키며, 특히 모형 잘못 설정 상황에서 유의미하다.
• 하이브리드 혼합 소속 블록모형(HMMB)은 겹치는 공동체와 이질적인 연결성을 포함한 현실적인 네트워크 특성을 효과적으로 포착한다.
• 희박성 증가와 공동체 간 상호작용 강화 시 성능 저하가 발생하지만, 모형이 잘 설정되어 있으면 베이지안 보정은 여전히 강건하다.
• 시뮬레이션에서 사후 구간 폭과 진짜 값 커버리지 분석 결과, 설계와 모형이 철저히 일치할 때 추정기가 가장 우수한 성능을 보였다.
• 전체 요인 실험 설계를 통해 재임의화와 모형 기반 보정의 조합이 다양한 네트워크 구조와 진짜 결과 모형 상황에서 가장 강건한 원인 인과 추정을 제공하는 것으로 확인되었다.