[논문 리뷰] Design-Based Inference for Spatial Experiments under Unknown Interference

Ye Wang, Cyrus Samii외 2명|arXiv (Cornell University)|2020. 10. 26.

Advanced Causal Inference Techniques참고 문헌 21인용 수 7

한 줄 요약

이 논문은 알려지지 않은 간섭 상황에서 공간 실험에 대한 설계 기반 추론 방법을 개발하며, 치료 효과가 공간적으로 어떻게 확산되는지를 추정하기 위해 평균 근사 효과(AME)를 도입한다. 이는 점 渐진 분포를 확립하고, 표본 기반 및 순열 기반 추론을 제안하며, 숲 보존 및 건강 분야의 시뮬레이션과 현장 실험을 통해 강건성을 입증한다.

ABSTRACT

We consider design-based causal inference for spatial experiments in which treatments may have effects that bleed out and feed back in complex ways. Such spatial spillover effects violate the standard ``no interference'' assumption for standard causal inference methods. The complexity of spatial spillover effects also raises the risk of misspecification and bias in model-based analyses. We offer an approach for robust inference in such settings without having to specify a parametric outcome model. We define a spatial ``average marginalized effect'' (AME) that characterizes how, in expectation, units of observation that are a specified distance from an intervention location are affected by treatment at that location, averaging over effects emanating from other intervention nodes. We show that randomization is sufficient for non-parametric identification of the AME even if the nature of interference is unknown. Under mild restrictions on the extent of interference, we establish asymptotic distributions of estimators and provide methods for both sample-theoretic and randomization-based inference. We show conditions under which the AME recovers a structural effect. We illustrate our approach with a simulation study. Then we re-analyze a randomized field experiment and a quasi-experiment on forest conservation, showing how our approach offers robust inference on policy-relevant spillover effects.

연구 동기 및 목표

• 치료 효과가 공간적으로 확산되어 표준 '간섭 없음' 가정을 위반하는 공간 실험에서 인과 추론을 다루기.
• 비모수 모형이 필요 없이 복잡하고 겹치는 공간 간섭을 고려할 수 있는 설계 기반 프레임워크를 개발하기.
• 다양한 거리에서 간섭 노드로부터의 평균 치료 영향을 캡처하는 평균 근사 효과(AME)를 정의하고 추정하기.
• 알려지지 않은 간섭 하에서 점 渐진 이론 및 추론 절차(표본 기반 및 순열 기반)를 확립하기.
• 시뮬레이션과 숲 보존 및 건강 분야의 실제 현장 실험을 통해 방법의 타당성과 강건성을 입증하기.

제안 방법

• 정책적으로 관련성이 있는 측정값으로서 평균 근사 효과(AME)를 제안하며, 이는 간섭 노드로부터의 거리 간격 내에서의 기대 결과 차이로 정의되며, 다른 간섭 노드의 영향을 평균화한다.
• 랜덤화 메커니즘에 기반한 설계 기반 추론을 사용하여, 알려지지 않은 간섭 하에서 추정기의 점 渐진 분포를 유도한다.
• 베르누이 및 완전 랜덤화 설계 하에서 편향 보정을 포함한 Horvitz-Thompson 및 Hajek 추정기로 AME 추정을 구현한다.
• 공간적 의존성에 기인한 결과 분산의 이질성과 자기상관성을 고려하기 위해 공간 이질분산 및 자기상관(HAC) 강건 신뢰구간을 적용한다.
• 비선형 거리 의존 효과를 모델링하기 위해 커널 회귀 추정기를 사용하며, 교차검증을 통해 밴드위드 선택을 수행한다.
• 분포 가정 없이 신뢰도를 평가하기 위해 날카로운 근본가설 하에서 순열 기반 추론을 시행한다.

실험 결과

연구 질문

• RQ1 간섭이 존재하고 알려지지 않은 상황에서 공간 실험에서 의미 있는 인과 측정값을 어떻게 정의할 수 있는가?
• RQ2 알려지지 않은 간섭과 복잡한 공간 의존성 하에서 AME 추정기의 점 渐진 성질은 무엇인가?
• RQ3 다양한 간섭 구조 하에서 표본 기반 및 순열 기반 추론 방법의 유한 표본 성능은 어떻게 되는가?
• RQ4 공간 간섭이 무시될 경우 기존 추정기(예: 평균 차이)가 얼마나 편향된 추정치를 제공하는가?
• RQ5 실제 공간 효과 함수 하에서 다양한 추정 방법(Hajek, 커널, Horvitz-Thompson)의 편향, 평균제곱오차 및 신뢰구간 커버리지 측면에서의 비교는 어떻게 되는가?

주요 결과

• AME는 비가산적이고 복잡한 간섭 하에서도 여전히 강건하고 해석 가능한 측정값을 제공하며, 간섭 노드로부터의 다양한 거리에서의 평균 치료 영향을 캡처한다.
• 시뮬레이션에서 Horvitz-Thompson 및 Hajek 추정기는 낮은 편향을 보이며, 특히 완전 랜덤화 하에서 뛰어난 성능을 보이며, Hajek 추정기는 표본 수가 적은 경우에도 개선된 성능을 보인다.
• 공간 HAC 신뢰구간은 다양한 표본 크기와 효과 함수 하에서도 적절한 커버리지 비율을 유지하며, 공간 의존성이 존재할 경우 날것의 구간보다 뛰어난 성능을 보인다.
• 커널 회귀 추정기는 비단조화적이고 상호작용적인 공간 효과를 효과적으로 포착하며, 표본 크기가 증가할수록 평균제곱오차가 감소한다.
• 날카로운 근본가설 하에서의 순열 기반 추론은 타당한 p-값과 신뢰구간을 제공하며, 다양한 시뮬레이션 시나리오에서 명목 수준에 가까운 커버리지 비율을 기록한다.
• 숲 보존 적용 사례에서 마을을 다각형이 아닌 점으로 간주함으로써 공간적 확산 효과가 뚜렷하게 드러났으며, AME 추정치는 간섭 노드에서 4–8km 거리에서 비선형 효과가 최고조에 이르는 것으로 나타났다.