[논문 리뷰] Estimating Average Causal Effects Under Interference Between Units

Peter M. Aronow, Cyrus Samii|arXiv (Cornell University)|2015. 01. 01.

Advanced Causal Inference Techniques참고 문헌 51인용 수 31

한 줄 요약

이 논문은 복잡한 군집화를 고려한 가역 확률 가중치와 분산 추정량을 사용하여 간섭이 있는 실험에서 평균 인과적 효과를 추정하기 위한 랜덤화 기반 프레임워크를 개발한다. 국소적 의존성 하에서 일致성과 점근적 정규성을 확립하여 사회 네트워크와 같이 단위들이 상호 영향을 주는 설정에서 타당한 추론을 가능하게 한다.

ABSTRACT

This paper presents a randomization-based framework for estimating causal effects under interference between units. The framework integrates three components: (i) an experimental design that defines the probability distribution of treatment assignments, (ii) a mapping that relates experimental treatment assignments to exposures received by units in the experiment, and (iii) estimands that make use of the experiment to answer questions of substantive interest. Using this framework, we develop the case of estimating average unit-level causal effects from a randomized experiment with interference of arbitrary but known form. The resulting estimators are based on inverse probability weighting. We provide randomization-based variance estimators that account for the complex clustering that can occur when interference is present. We also establish consistency and asymptotic normality under local dependence assumptions. We discuss refinements including covariate-adjusted effect estimators and ratio estimation. We illustrate and assess empirical performance with a naturalistic simulation using network data from American high schools.

연구 동기 및 목표

• 단위 간 영향이 존재하는 랜덤화 실험에서 발생하는 간섭 문제를 다루기 위해.
• 실험 설계, 노출 맵핑, 간섭 하에서의 인과 추정량을 통합하는 통합 프레임워크를 개발하기 위해.
• 간섭으로 인한 군집화를 고려한 타당한 분산 추정량을 제공하기 위해.
• 국소적 의존성 가정 하에서 추정량의 일치성과 점근적 정규성을 확보하기 위해.
• 공변수 조정과 비율 추정 기법을 통해 추정 효율성을 향상시키기 위해.

제안 방법

• 모형은 랜덤화 기반 접근을 사용하여 치료 배정 확률을 정의함으로써 알려진 간섭 구조 하에서 타당한 추론을 보장한다.
• 치료 배정을 실제 단위들이 받는 노출으로 매핑함으로써 알려진 노출 맵핑을 통해 간섭을 고려한다.
• 간섭 하에서 노출 확률이 비균형일 경우를 보정하기 위해 가역 확률 가중치를 사용하여 추정량을 구성한다.
• 간섭이 유도하는 복잡한 군집 패턴을 고려하기 위해 랜덤화 기반 방법을 사용하여 분산 추정량을 유도한다.
• 국소적 의존성 가정을 하며, 단위의 잠재적 결과는 제한된 이웃 치료에만 의존한다.
• 정밀도와 효율성 향상을 위해 공변수 조정과 비율 추정을 적용한다.

실험 결과

연구 질문

• RQ1 단위 간 간섭이 존재할 때, 어떻게 랜덤화 실험에서 평균 인과 효과를 일관되게 추정할 수 있는가?
• RQ2 간섭은 인과 추정량의 분산 구조에 어떤 영향을 미치며, 이를 어떻게 타당하게 보정할 수 있는가?
• RQ3 알려진 간섭 구조 하에서 가역 확률 가중치는 일관성 있고 점근적으로 정규적인 추정량을 도출할 수 있는가?
• RQ4 공변수 조정과 비율 추정은 간섭 하에서 인과 효과 추정의 효율성을 어떻게 향상시키는가?
• RQ5 고등학교 사회 네트워크와 같은 실제 네트워크 설정에서 제안된 프레임워크의 성능은 어떠한가?

주요 결과

• 국소적 의존성 가정 하에서 제안된 추정량은 일치성과 점근적 정규성을 확보하여 대표적 추론이 타당하다.
• 랜덤화 기반 분산 추정량은 간섭으로 인한 군집화를 효과적으로 보정하여 추론 정확도를 향상시킨다.
• 가역 확률 가중치는 간섭이 존재하는 상황에서 비균형 노출 확률을 성공적으로 보정한다.
• 공변수 조정 추정량과 비율 추정은 더 정밀한 효과 추정량을 도출하여 평균 제곱 오차를 감소시킨다.
• 미국 고등학교 네트워크 데이터를 활용한 자연스러운 시뮬레이션에서 제안된 프레임워크는 강력한 실증 성능을 보였다.