[논문 리뷰] Estimating Total Treatment Effect in Randomized Experiments with Unknown Network Structure

Christina Lee Yu, Edoardo M. Airoldi외 2명|arXiv (Cornell University)|2022. 05. 25.

Advanced Causal Inference Techniques인용 수 4

한 줄 요약

이 논문은 알려지지 않은 네트워크 간섭이 있는 랜덤화 실험에서 총 치료 효과를 간단하고 편향 없는 추정기로 추정하는 방법을 제안한다. 이는 과거 기준 데이터를 활용하여 네트워크 구조에 대한 지식 없이도 편향을 제거한다. 주요 기여는 통계적으로 효율적이며 네트워크에 의존하지 않는 추정기로, 온건한 규칙성 조건 하에서 낮은 분산을 달성하여 이질적인 동료 효과가 존재하는 환경에서도 신뢰할 수 있는 인과 추론을 가능하게 한다.

ABSTRACT

Randomized experiments are widely used to estimate the causal effects of a proposed treatment in many areas of science, from medicine and healthcare to the physical and biological sciences, from the social sciences to engineering, to public policy and to the technology industry at large. Here, we consider situations where classical methods for estimating the total treatment effect on a target population are considerably biased due to confounding network effects, i.e., the fact that the treatment of an individual may impact their neighbors' outcomes, an issue referred to as network interference or as non-individualized treatment response. A key challenge in these situations, is that the network is often unknown, and difficult, or costly, to measure. In this paper, we characterize the limitations in estimating the total treatment effect without knowledge of the network that drives interference, assuming a potential outcomes model with heterogeneous additive network effects. This model encompasses a broad class of network interference sources, including spillover, peer effects, and contagion. Within this framework, we show that, surprisingly, given access to average historical baseline measurements prior to the experiment, we can develop a simple estimator and efficient randomized design that outputs an unbiased estimate with low variance. Our solution does not require knowledge of the underlying network structure, and it comes with statistical guarantees for a broad class of models. We believe our results are poised to impact current randomized experimentation strategies due to its ease of interpretation and implementation, alongside its provable theoretical insights under heterogeneous network effects.

연구 동기 및 목표

• 알려지지 않은 네트워크 구조로 인해 안정된 단위 치료 값 가정(SUTVA)이 위반될 경우 총 치료 효과 추정에서 발생하는 편향을 해결하기 위해.
• 기본 네트워크 지식 없이도 총 치료 효과를 편향 없이 추정할 수 있는 방법을 개발하기 위해.
• 알려지지 않은 구조를 가진 네트워크 간섭이 존재하는 랜덤화 실험에서 통계적 보장과 효율적인 설계 전략을 제공하기 위해.
• 기존 접근 방식의 근본적 한계를 극복하기 위해 과거 기준 데이터가 네트워크 지식 없이도 편향 없는 추정을 가능하게 하며, 이는 알려지지 않은 네트워크에서의 일관된 추정이 가능한 조건을 밝혀내기 위함이다.

제안 방법

• 선형 추정기 $\widehat{\text{TTE}}_{-\alpha} = \frac{1}{p}\left(\frac{1}{n}\sum_{i\in[n]}Y_{i}(\mathbf{z}) - \frac{1}{n}\sum_{i\in[n]}\alpha_{i}\right)$ 를 제안하며, 여기서 $\alpha_i$ 는 과거 기준 추정치로 네트워크 간섭을 보정한다.
• 치료 효과와 네트워크 구조에 따라 정의되는 개인의 影響 $L_i = \beta_i + \sum_{k\in[n]} \frac{\mathbb{E}[z_i]\gamma_{ik}}{\mathbb{E}[z_k]}$ 를 분석함으로써 분산 분석을 가능하게 한다.
• 완전 랜덤 설계(CRD)를 사용하여 최적의 효율성을 달성하며, 유한한 효과 매개변수와 차수 조건 하에서 분산이 $O(1/pn \cdot B^2 d_{\text{max}}^2)$ 로 유계가 됨을 보장한다.
• 관측된 공변수와 국소 네트워크 구조를 기반으로 $L_i$ 값이 유사한 개인을 그룹화하는 균일 포화 설계(uniform saturation design)를 도입하여 추정기 분산을 최소화한다.
• 네트워크 지식이 없이도 편향 없는 추정이 불가능하며, 유일하게 가능한 경우는 공동 치료 하에서 네트워크가 완전히 분리된 구성 요소로 분해될 때뿐임을 증명한다.
• CRD 하에서 추정기의 점근 정규성을 도출함으로써 분산 추정을 통한 p-값 계산과 가설 검정이 가능해진다.

실험 결과

연구 질문

• RQ1 알려지지 않은 네트워크 구조로 인한 간섭이 존재할 때, 네트워크 지식 없이도 총 치료 효과를 편향 없이 추정할 수 있는가?
• RQ2 과거 기준 데이터는 네트워크 지식 없이도 편향 없는 추정을 가능하게 하는 데 어떤 역할을 하는가?
• RQ3 총 치료 효과 추정기의 분산은 개인의 영향과 네트워크 구조에 어떻게 의존하는가?
• RQ4 알려지지 않은 네트워크 간섭과 유한한 인과 효과 조건 하에서 분산을 최소화하는 랜덤화 설계는 무엇인가?
• RQ5 네트워크를 관측하지 않더라도 총 치료 효과의 일관된 추정이 가능한 조건은 무엇인가?

주요 결과

• 과거 기준 데이터가 없을 경우, 네트워크가 공동 치료 하에서 완전히 분리된 구성 요소로 분해되지 않는 한, 어떤 선형 추정기로도 편향 없는 총 치료 효과 추정이 불가능하다.
• 과거 기준 추정치 $\alpha_i$ 를 확보한 경우, 임의의 랜덤화 설계와 마진 치료 확률 $p$ 하에서 제안된 추정기 $\widehat{\text{TTE}}_{-\alpha}$ 는 편향이 없다.
• CRD 하에서 추정기의 분산은 $O(1/pn \cdot B^2 d_{\text{max}}^2)$ 로 유계가 되며, 여기서 $B$ 는 인과 효과 매개변수의 유계, $d_{\text{max}}$ 는 개인의 출력 차수의 유계이다.
• 큰 $n$ 에서 추정기의 표본 분포는 근사적으로 정규분포를 띠며, 표준 오차와 p-값을 통한 타당한 추론이 가능하다.
• 영향 항목 $L_i$ 는 개인 $i$ 가 총 치료 효과에 기여하는 정도를 측정하며 추정기의 분산을 결정한다. 최적의 설계는 치료군과 대조군 간 $L_i$ 분포를 균형 있게 조절한다.
• 관측된 공변수와 국소 네트워크 구조를 기반으로 $L_i$ 값이 유사한 개인을 그룹화하는 균일 포화 설계를 사용하면 분산을 추가로 줄일 수 있다.