[논문 리뷰] Optimal model-assisted design of experiments for network correlated outcomes suggests new notions of network balance

Guillaume Basse, Edoardo M. Airoldi|arXiv (Cornell University)|2015. 07. 03.

Advanced Causal Inference Techniques참고 문헌 22인용 수 4

한 줄 요약

이 논문은 사전에 존재하는 네트워크를 통해 결과 상관관계를 모델링함으로써 네트워크 상관 결과가 있는 실험에 대한 최적의 제한된 랜덤화 설계를 제안한다. 분석적 분해를 통해 평균 제곱오차를 최소화함으로써, 고전적 공변량 균형을 넘는 새로운 네트워크 기반 균형 기준을 도입하여 편향이 없고 효율적인 처리 할당을 얻으며, 시뮬레이션에서 표준 방법보다 뛰어난 성능을 보인다.

ABSTRACT

We consider the problem of how to assign treatment in a randomized experiment, in which the correlation among the outcomes is informed by a network available pre-intervention. Working within the potential outcome causal framework, we develop a class of models that posit such a correlation structure among the outcomes. Then we leverage these models to develop restricted randomization strategies for allocating treatment optimally, by minimizing the mean square error of the estimated average treatment effect. Analytical decompositions of the mean square error, due both to the model and to the randomization distribution, provide insights into aspects of the optimal designs. In particular, the analysis suggests new notions of balance based on specific network quantities, in addition to classical covariate balance. The resulting balanced, optimal restricted randomization strategies are still design unbiased, in situations where the model used to derive them does not hold. We illustrate how the proposed treatment allocation strategies improve on allocations that ignore the network structure, with extensive simulations.

연구 동기 및 목표

• 사전에 존재하는 네트워크를 통해 결과가 상관관계를 가지는 실험에서의 비효율적 처리 할당 문제를 해결하기 위해.
• 평균 처리 효과 추정기의 평균 제곱오차를 최소화하는 모델 보조 랜덤화 전략을 개발하기 위해.
• 고전적 공변량 균형을 넘는 새로운 네트워크 기반 균형 기준을 도입하기 위해.
• 가정된 모델이 잘못되었을 경우에도 설계에 편향이 없도록 보장하기 위해.
• 시뮬레이션 연구에서 네트워크 인지 설계가 표준 랜덤화보다 뛰어나게 성능을 발휘함을 경험적으로 보여주기 위해.

제안 방법

• 잠재 결과의 네트워크 유도 상관관계를 명시적으로 포함하는 모델의 클래스를 설정한다.
• 평균 제곱오차를 모델 기반 및 랜덤화 기반 성분으로 분해하는 분석적 분해를 도출한다.
• 이러한 모델 하에서 총 평균 제곱오차를 최소화함으로써 처리 할당을 최적화한다.
• 네트워크 중심성 및 구조적 성질(예: 차수, 고유값)을 바탕으로 한 새로운 균형 지표를 설계 제약 조건으로 도입한다.
• 이러한 네트워크 기반 균형 조건을 강제하는 제한된 랜덤화 전략을 구현한다.
• 모델 오Specification이 발생하더라도 평균 처리 효과 추정기의 설계에 편향이 없음을 유지한다.

실험 결과

연구 질문

• RQ1 알려진 네트워크를 통해 결과가 상관관계를 가지는 상황에서 처리 할당은 어떻게 최적화할 수 있는가?
• RQ2 실험 설계에서 네트워크 상관관계를 모델링함으로써 어떤 새로운 균형 기준이 도출되는가?
• RQ3 네트워크 인지 랜덤화는 고전적 설계에 비해 추정 효율성을 향상시킬 수 있는가?
• RQ4 가정된 모델이 잘못되었을 경우 제안된 방법은 설계에 편향이 없음을 어떻게 유지하는가?
• RQ5 유한 표본에서 네트워크 기반 균형 기준은 평균 제곱오차를 어느 정도 감소시키는가?

주요 결과

• 제안된 방법은 처리 할당에서 네트워크 구조를 활용함으로써 평균 처리 효과 추정기의 평균 제곱오차를 감소시킨다.
• 분석적 분해에서 자연스럽게 도출되는 새로운 네트워크 기반 균형 기준—예를 들어 차수 균형 및 스펙트럼 균형—이 존재한다.
• 가장 최적의 설계는 가정된 모델이 잘못되었을 경우에도 설계에 편향이 없음을 유지하여 강건성을 확보한다.
• 시뮬레이션 결과, 네트워크 구조를 忽시하는 표준 랜덤화에 비해 추정 효율성 향상이 일관되게 관찰된다.
• 분석적 분해는 모델 기반 및 랜덤화 기반 오차 원인을 명시적으로 분리하고 최소화할 수 있음을 드러낸다.
• 강한 파rametric 가정이 필요 없이 네트워크 데이터를 실험 설계에 통합하는 원칙적인 프레임워크를 제공한다.