[논문 리뷰] Modeling Interference Via Symmetric Treatment Decomposition

Ilya Shpitser, Park, Chan외 2명|arXiv (Cornell University)|2017. 09. 04.

Advanced Causal Inference Techniques참고 문헌 24인용 수 7

한 줄 요약

이 논문은 기존의 인과적 순서가 없는 간섭 설정에서의 번역 효과를 모델링하기 위해 대칭적 치료 분해 방법을 제안한다. Robins와 Richardson의 중재 프레임워크를 대칭적이고 평형 기반 모델로 확장함으로써, 쌍방향 또는 네트워크 기반 시스템에서 직접 효과와 간접 효과의 식별 및 추정이 가능해지며, 시뮬레이션을 통해 검증되고 가정 데이터에서 교육-우울증 효과에 적용된다.

ABSTRACT

Classical causal inference assumes treatments meant for a given unit do not have an effect on other units. This assumption is violated in interference problems, where new types of spillover causal effects arise, and causal inference becomes much more difficult. In addition, interference introduces a unique complication where variables may transmit treatment influences to each other, which is a relationship that has some features of a causal one, but is symmetric. In this paper, we develop a new approach to decomposing the spillover effect into unit-specific components that extends the DAG based treatment decomposition approach to mediation of Robins and Richardson to causal models that admit stable symmetric relationships among variables in a network. We discuss two interpretations of such models: a network structural model interpretation, and an interpretation based on equilibrium of structural equation models discussed in (Lauritzen and Richardson, 2002). We show that both interpretations yield identical identification theory, and give conditions for components of the spillover effect to be identified. We discuss statistical inference for identified components of the spillover effect, including a maximum likelihood estimator, and a doubly robust estimator for the special case of two interacting outcomes. We verify consistency and robustness of our estimators via a simulation study, and illustrate our method by assessing the causal effect of education attainment on depressive symptoms using the data on households from the Wisconsin Longitudinal Study.

연구 동기 및 목표

• 치료가 다수의 단위에 영향을 미쳐 안정된 단위 치료값 가정(SUTVA)을 위반하는 간섭 설정에서의 인과 추론 문제를 다루는 것.
• 일반적으로 대칭적 간섭 상황에서 존재하지 않는 인과적 순서가 필요한 전통적 DAG 기반 방법의 한계를 극복하는 것.
• 결과가 상호의존적이고 대칭적으로 관련되어 있더라도, 단위별로 번역 효과를 직접 효과와 간접 효과로 분해할 수 있는 프레임워크를 개발하는 것.
• 최대우도 추정기와 이중으로 강건한 추정기 등을 사용하여 이러한 성분에 대한 통계적 추론을 가능하게 하는 것, 특히 두 상호작용 결과가 존재하는 상황에서의 적용을 목표로 하는 것.
• Wisconsin Longitudinal Study 데이터를 활용하여 기혼 부부 내에서 교육이 우울 증상에 미치는 인과 효과를 평가하는 것.

제안 방법

• Robins와 Richardson(2010)의 중재 분석에서 유도된 치료 분해의 대칭적 일반화를 간섭 모델과 결합하여, 평형 피드백이 있는 모델에 적용하는 것.
• 사슬 그래프 또는 그래픽 모델을 통해 결과 간 안정적인 대칭적 의존성을 허용하는 구조적 방정식을 사용하여 간섭을 모델링하는 것.
• 인과적 순서가 없더라도, 단위별 번역 효과 성분을 직접 효과(치료 노출)와 간접 효과(다른 단위를 통해 매개됨)로 정의하는 것.
• 대칭적 관계와 평형 과정을 허용하는 반모수적 모델 하에서 이러한 성분의 식별 조건을 유도하는 것.
• 특수한 경우인 두 상호작용 결과(예: 쌍방향 데이터)에 대해 최대우도 추정기와 이중으로 강건한 추정기를 구현하는 것.
• 잠재적 결과와 반사적 결과를 사용하여 인과 효과를 정의하고, 조건부 예측 확률과 오즈비를 기반으로 한 추정기들을 활용하여 공변수 조건 하에서 결과 간 의존성을 모델링하는 것.

실험 결과

연구 질문

• RQ1 단위 간 자연스러운 인과적 순서가 없을 경우, 어떻게 번역 효과를 직접 효과와 간접 효과 성분으로 의미 있게 분해할 수 있는가?
• RQ2 평형 피드백이 있는 대칭적 간섭 모델에서, 단위별 번역 효과 성분을 식별할 수 있는 조건는 무엇인가?
• RQ3 두 상호작용 결과가 존재하는 쌍방향 간섭 설정에서 직접 효과와 간접 효과에 대한 이중으로 강건한 추정기를 구성할 수 있는가?
• RQ4 제안된 추정기는 유한 표본에서 어떻게 성능을 보이며, 모형 잘못 설정에 대해 얼마나 강건한가?
• RQ5 기혼 부부 내에서 교육 수준이 우울 증상에 미치는 인과 효과는 무엇이며, 가정 내 번역 효과를 고려할 때 어떻게 평가되는가?

주요 결과

• 제안된 대칭적 치료 분해 방법은 단위 간 인과적 순서가 필요 없이도 간섭 모델에서 직접 효과와 간접 효과의 식별이 가능하게 한다.
• 이 방법은 대칭적이고 평형 기반의 결과 간 의존성을 允허하는 반모수적 모델 하에서 단위별 번역 효과 성분을 식별할 수 있다.
• 직접 효과에 대한 이중으로 강건한 추정기 결과, 비인과적 추정치는 -0.049(95% 신뢰구간: -0.103, -0.002)로 나타나 교육이 우울 증상에 대해 약한 그러나 유의미한 부정적 직접 효과를 가짐을 시사한다.
• 간접 효과 추정치는 0.008(95% 신뢰구간: -0.035, 0.055)로 나타나 배우자 교육을 통한 간접 효과는 약하고 유의미하지 않음을 시사한다.
• 시뮬레이션 연구를 통해 모형 잘못 설정 하에서도 추정기의 일관성과 강건성을 확인하였으며, 특히 이중으로 강건한 방법에서 뚜렷한 성능을 보였다.
• Wisconsin Longitudinal Study 데이터에 대한 실증 적용 결과, 교육 수준은 개인의 우울 증상 감소에 약한 그러나 의미 있는 직접 효과를 가지며, 배우자를 통한 간접 번역 효과는 최소한으로 나타났다.