[논문 리뷰] Estimating spillovers using imprecisely measured networks

Morgan Hardy, Rachel Heath외 2명|arXiv (Cornell University)|2019. 03. 30.

Advanced Causal Inference Techniques참고 문헌 51인용 수 6

한 줄 요약

이 논문은 오차가 있는 또는 불완전한 사회적 네트워크가 존재하는 실험적 설정에서 치료 효과를 추정하기 위해 기대값-최대화(EM) 알고리즘을 사용하는 혼합모형 기반 방법을 제안한다. 연결이 노이즈가 있거나 누락된 경우 발생하는 편향을 보정하고, 기준 추정기보다 직접적이고 간접적인 치료 효과 추정의 정확성과 강건성을 향상시킨다.

ABSTRACT

In many experimental contexts, whether and how network interactions impact the outcome of interest for both treated and untreated individuals are key concerns. Networks data is often assumed to perfectly represent these possible interactions. This paper considers the problem of estimating treatment effects when measured connections are, instead, a noisy representation of the true spillover pathways. We show that existing methods, using the potential outcomes framework, yield biased estimators in the presence of this mismeasurement. We develop a new method, using a class of mixture models, that can account for missing connections and discuss its estimation via the Expectation-Maximization algorithm. We check our method's performance by simulating experiments on real network data from 43 villages in India. Finally, we use data from a previously published study to show that estimates using our method are more robust to the choice of network measure.

연구 동기 및 목표

• 실험적 설정에서 오차가 있는 또는 불완전한 네트워크 데이터로 인한 치료 효과 추정의 편향을 다루기 위해.
• 관측된 네트워크에서 누락 및 허위 연결을 고려한 스플로버 효과를 추정하기 위한 통계적 프레임워크를 개발하기 위해.
• 특히 네트워크 데이터가 노이즈가 많거나 대체 자료 기반일 경우에도 치료 효과 추정의 강건성을 향상시키기 위해.
• 링크 오차 및 결과 분포에 대한 파rametric 가정 하에 관측된 네트워크가 불완전하더라도 잠재적 진짜 노출 조건을 식별할 수 있는 방법을 제공하기 위해.

제안 방법

• 이 방법은 관측되지 않은 진짜 네트워크 구조를 표현하기 위해 유한 혼합모형의 클래스를 사용하며, 잠재적 치료 노출 조건의 분포를 모델링한다.
• 관측된 네트워크 연결이 무작위로 오차가 발생하는 것으로 가정하며, 이는 누락된 연결(p)과 허위 연결(q)으로 구성되며, 관측된 데이터 조건 하에 파rametric 분포를 가진다.
• 기대값-최대화(EM) 알고리즘을 사용하여 모델 파라미터를 추정하며, 잠재적 노출 할당과 오차 파라미터를 반복적으로 업데이트한다.
• 각 노출 그룹 내에서 선형-평균 결과가 가정되며, 평균 결과는 치료받은 동료 수의 선형 함수로 표현된다.
• 마을 내 및 마을 외부 연결에 대해 별도의 오차 파라미터를 允허함으로써 모델의 유연성을 향상시킨다.
• 최대우도 추정을 통해 추정을 수행하며, 제시된 파rametric 가정 하에 식별성이 입증된다.

실험 결과

연구 질문

• RQ1 오차가 있는 네트워크 데이터는 실험에서 직접적 및 간접적 치료 효과 추정의 기준 추정기에게 어떤 편향을 초래하는가?
• RQ2 누락 및 허위 연결을 고려한 통계 모형은 치료 효과 추정의 정확성과 강건성을 향상시킬 수 있는가?
• RQ3 다양한 네트워크 측정 방식은 치료 효과 추정의 안정성에 어떤 영향을 미치며, 제안된 방법은 이러한 민감도를 줄일 수 있는가?
• RQ4 관측된 네트워크가 불완전하거나 정확하지 않을 경우 모형이 얼마나 정확하게 진짜 스플로버 효과를 복원할 수 있는가?

주요 결과

• 제안된 방법은 네트워크 데이터가 노이즈가 많을 경우 기준 호르비츠-스미스 추정기보다 직접적 및 간접적 치료 효과 추정에 더 강건한 결과를 도출한다.
• 인도 47개 마을의 가정 네트워크를 사용한 시뮬레이션에서, 표준 추정기가 오차로 인해 실패하는 상황에서도 이 방법이 정확한 치료 효과를 성공적으로 복원한다.
• 중국 농촌 농민에 대한 Cai 등(2015)의 데이터에 적용했을 때, 이 방법은 난이도 추정기보다 네트워크 정의에 따라 더 일관된 추정 결과를 도출한다.
• 엄격한 네트워크 정의에서 누락된 연결 비율(p)은 상당히 높은 반면, 허위 연결 비율(q)은 한 단계 낮아지며, 현실적인 네트워크 노이즈 패턴을 반영한다.
• 마을 내 및 마을 외부 연결에 대해 별도의 오차 파라미터를 允허한 확장은 모델 적합도를 향상시키지만, 추가 파라미터로 인해 표준 오차가 증가한다.
• 오차 파라미터(p 및 q)의 점추정치는 사전 지식과 일치한다: 대부분의 연결은 마을 내부에 있으며, 허위 연결은 흔하지 않다.