[논문 리뷰] Identification and estimation of treatment and interference effects in observational studies on networks

Laura Forastiere, Edoardo M. Airoldi외 1명|arXiv (Cornell University)|2016. 09. 20.

Advanced Causal Inference Techniques인용 수 4

한 줄 요약

이 논문은 단위의 결과가 자신 및 이웃의 치료에 의존하는 관찰 네트워크 연구에서 치료 효과와 간섭 효과를 식별하고 추정하기 위한 새로운 프레임워크를 제안한다. 개인과 지역 수준의 혼란 요인을 조정하기 위해 확장된 무편향성 가정과 일반화된 성향 스코어 방법을 도입하여, 간섭 하에서 유효한 인과적 추론을 가능하게 한다.

ABSTRACT

Causal inference on a population of units connected through a network often presents technical challenges, including how to account for interference. In the presence of local interference, for instance, potential outcomes of a unit depend on its treatment as well as on the treatments of other local units, such as its neighbors according to the network. In observational studies, a further complication is that the typical unconfoundedness assumption must be extended - say, to include the treatment of neighbors, and indi- vidual and neighborhood covariates - to guarantee identification and valid inference. Here, we propose new estimands that define treatment and interference effects. We then derive analytical expressions for the bias of a naive estimator that wrongly assumes away interference. The bias depends on the level of interference but also on the degree of association between individual and neighborhood treatments. We propose an extended unconfoundedness assumption that accounts for interference, and we develop new covariate-adjustment methods that lead to valid estimates of treatment and interference effects in observational studies on networks. Estimation is based on a generalized propensity score that balances individual and neighborhood covariates across units under different levels of individual treatment and of exposure to neighbors' treatment. We carry out simulations, calibrated using friendship networks and covariates in a nationally representative longitudinal study of adolescents in grades 7-12, in the United States, to explore finite-sample performance in different realistic settings.

연구 동기 및 목표

• 자신의 치료와 이웃의 치료에 따라 결과가 달라지는 네트워크에서 인과적 추론의 간섭 문제를 다루는 것.
• 관찰 연구에서 표준 무편향성 가정의 한계를 극복하기 위해 이웃의 치료까지 포함하는 방식으로 이를 확장하는 것.
• 네트워크 단위에서 치료 효과와 간섭 효과를 분리하는 새로운 추정량을 개발하는 것.
• 개인과 이웃의 공변량을 다양한 치료 노출 수준 간에 균형 잡히게 하는 일반화된 성향 스코어 방법을 제안하는 것.
• 실제 친구 관계 네트워크를 반영한 시뮬레이션을 통해 현실적인 네트워크 환경에서 인과 효과를 유효하게 추정할 수 있도록 하는 것.

제안 방법

• 개인의 치료와 이웃의 치료에 노출된 정도를 구분함으로써 치료 효과와 간섭 효과를 정의하는 새로운 추정량을 도입한다.
• 개인의 치료, 이웃의 치료, 개인 및 이웃의 공변량을 포함하는 확장된 무편향성 가정을 제안한다.
• 간섭을 忽시하는 나이브 추정량의 편향에 대한 해석적 표현을 유도하여, 간섭 수준과 개인 치료 및 이웃 치료 간의 연관성에 의존함을 보여준다.
• 개인 및 이웃의 공변량을 다양한 개인 치료 수준과 이웃 치료에 대한 노출 수준 간에 균형 잡히게 하는 일반화된 성향 스코어를 개발한다.
• 일반화된 성향 스코어 기반의 역확률가중법을 사용하여 치료 효과와 간섭 효과를 추정한다.
• 7–12학년 청소년을 대상으로 한 미국 전국 대상 종단 연구의 실질적 데이터를 사용하여 시뮬레이션을 캘리브레이션하며, 실제 친구 네트워크와 공변량을 반영한다.

실험 결과

연구 질문

• RQ1 관찰 네트워크 연구에서 치료 효과와 간섭 효과를 공식적으로 정의하고 식별할 수 있는 방법은 무엇인가?
• RQ2 네트워크 기반 환경에서 간섭을 忽시하는 표준 추정량의 편향은 무엇인가?
• RQ3 관찰 네트워크 데이터에서 간섭을 고려하기 위해 무편향성은 어떻게 확장될 수 있는가?
• RQ4 네트워크 의존성이 존재하는 상황에서 치료 효과와 간섭 효과를 추정하기 위해 효과적인 공변량 조정 방법은 무엇인가?
• RQ5 실제 네트워크 및 공변량 구조를 반영한 유한 표본에서 제안된 방법의 성능은 어떠한가?

주요 결과

• 간섭을 忽시하는 나이브 추정량의 편향은 간섭 수준과 개인 치료 및 이웃 치료 간의 연관성에 모두 의존한다.
• 제안된 확장된 무편향성 가정은 네트워크 간섭 하에서 치료 효과와 간섭 효과의 식별을 가능하게 한다.
• 일반화된 성향 스코어 방법은 치료 노출 수준 간에 개인 및 이웃의 공변량을 효과적으로 균형 잡아주며, 추정 정확도를 향상시킨다.
• 실제 청소년 친구 관계 네트워크를 반영한 시뮬레이션 결과, 제안된 방법이 유한 표본에서 편향을 감소시키고 신뢰구간의 커버리지(포함도)를 향상시킨다.
• 제안된 방법은 종단적 설문조사 데이터에서 관찰되는 현실적인 네트워크 구조와 공변량 의존성에 대해 강건하다.
• 이 프레임워크는 네트워크 기반 관찰 연구에서 직접 치료 효과와 간섭 효과에 대한 유효한 추론을 가능하게 한다.