[논문 리뷰] Identification of Causal Diffusion Effects Under Structural Stationarity

Naoki Egami|arXiv (Cornell University)|2018. 10. 18.

Advanced Causal Inference Techniques참고 문헌 110인용 수 10

한 줄 요약

이 논문은 원인적 확산 효과에 대한 새로운 식별 가정으로 구조적 정적성을 도입하여, 장소적 혼란 변수와 동질성 편향을 장면 테스트를 통해 탐지하고, 차이의 차이 추정기(difference-in-differences estimator)를 사용한 편향 보정이 가능하게 한다. 독일의 증오 범죄 데이터에 적용한 결과, 공간적 확산 효과는 고등학교 중퇴율이 높은 지역에서만 유의미하게 나타나며, 이는 이전 연구에서 큰 과대평가된 결과를 수정함을 시사한다.

ABSTRACT

Although social and biomedical scientists have long been interested in the process through which ideas and behaviors diffuse, the identification of causal diffusion effects, also known as peer and contagion effects, remains challenging. Many scholars consider the commonly used assumption of no omitted confounders to be untenable due to contextual confounding and homophily bias. To address this long-standing problem, we examine the causal identification under a new assumption of structural stationarity, which formalizes the underlying diffusion process with a class of dynamic causal directed acyclic graphs. First, we develop a statistical test that can detect a wide range of biases, including the two types mentioned above. We then propose a difference-in-differences style estimator that can directly correct biases under an additional parametric assumption. Leveraging the proposed methods, we study the spatial diffusion of hate crimes against refugees in Germany. After correcting large upward bias in existing studies, we find hate crimes diffuse only to areas that have a high proportion of school dropouts.

연구 동기 및 목표

• 장소적 혼란 변수와 동질성 편향으로 인해 관찰 연구에서 원인적 확산 효과를 식별하는 데 오랫동안 지속된 과제를 해결하기 위해.
• 기본적인 원인 다이어그램(DAG)의 구조를 완전히 알지 못하더라도도 신뢰할 수 있는 원인 추론이 가능한 방법론적 프레임워크를 개발하기 위해.
• 관측되지 않은 혼란 변수로 인해 발생하는 편향을 보정하기 위한 통계적 검정 및 추정기 개발을 위해.
• 독일의 증오 범죄에 대한 실제 데이터에 제안된 방법을 적용하여 이러한 범죄의 공간적 확산을 재평가하기 위해.
• 기존 연구에서 고려하지 않은 편향으로 인해 특히 교육 성취도가 낮은 지역에서 확산 효과가 과대평가될 수 있음을 시사하기 위해.

제안 방법

• 동적 원인 DAG의 일정한 클래스 내에서 원인 구조(효과의 부호나 크기의 변화는 아님)가 시간에 따라 안정되어 있음을 요구하는 새로운 식별 가정으로서 구조적 정적성을 도입한다.
• 지연된 종속 변수를 사용한 장면 테스트를 개발하여 장소적 혼란 변수와 동질성 편향으로 인한 편향을 탐지하고, 지연된 결과와 처리 간의 조건부 독립성을 평가한다.
• 추가적인 파rametric 가정 하에 편향을 보정할 수 있는 차이의 차이 스타일 추정기를 제안하여 평균 원인적 확산 효과를 직접 추정할 수 있도록 한다.
• 다양한 제어 집합 사양을 통해 장면 테스트를 적용하여 추정된 효과의 탄력성 평가 및 혼란 변수 조정 식별을 수행한다.
• 교육 성취도에 따라 정의된 하위군별로 조건부 평균 원인적 확산 효과(ACDE)를 추정하기 위해 독일의 지리적 좌표화된 증오 범죄 데이터를 사용한다.
• 두 단계 접근법을 활용: 첫 번째로 장면 테스트를 통한 편향 탐지; 두 번째로 편향 보정된 추정을 통해 신뢰할 수 있는 원인 효과 추정치 도출.

실험 결과

연구 질문

• RQ1 통계적 장면 테스트를 통해 공간적 확산 연구에서 장소적 혼란 변수와 동질성 편향을 탐지할 수 있는가?
• RQ2 기존의 오염된 혼란 변수가 없는 가정이 실패할 경우, 어떤 가정 하에 원인적 확산 효과를 식별할 수 있는가?
• RQ3 구조적 혼란 변수를 고려하지 않은 기존 연구와 비교해 편향 보정된 공간적 확산 효과 추정치는 어떻게 다를 수 있는가?
• RQ4 교육 성취도 수준이 다른 지역 간에 원인적 확산 효과는 이질적인가?
• RQ5 고려하지 않은 편향은 증오 범죄 확산에 대한 정책적 결론에 어떤 영향을 미치는가?

주요 결과

• 장면 테스트는 기존 연구에서 편향을 성공적으로 탐지하였으며, 많은 제어 집합이 특히 고등학교 중퇴율이 높은 지역에서 혼란 변수 조정에 실패함을 보여준다.
• 편향 보정 후 고등학교 중퇴자 비율이 높은 카운티의 조건부 평균 원인적 확산 효과(ACDE)는 약 6%p로 크고 통계적으로 유의미하다.
• 반대로 고등학교 중퇴율이 낮은 카운티의 경우 추정된 ACDE는 0에 매우 가까우며, 95% 신뢰구간이 0을 포함함으로써 교육 가설을 지지한다.
• 교육 성취도가 높은 서독에서는 증오 범죄의 공간적 확산 효과가 정확히 0으로 추정되며, 이는 확산 역학의 지역적 이질성을 시사한다.
• 편향 보정된 추정치는 증오 범죄의 확산이 모든 지역으로 일반화되지 않고 오히려 교육 성취도가 낮은 지역에 집중되어 있음을 드러낸다.
• 기존 문헌에서 과대평가된 300–700%의 큰 상향 편향을 보정함으로써, 이전 연구 결과가 상당히 과대평가되었을 수 있음을 입증한다.