[논문 리뷰] Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects

Hyunseung Kang, Guido W. Imbens|arXiv (Cornell University)|2016. 09. 14.

Advanced Causal Inference Techniques참고 문헌 33인용 수 23

한 줄 요약

이 논문은 부분 간섭과 비준수 상황에서 인과적 추론을 위한 새로운 실험 프레임워크인 피어 장려 설계(peer encouragement design)를 제안한다. 개인화된 장려와 산술변수를 활용함으로써 국소 평균 네트워크 효과의 점 식별(point identification)을 가능하게 하여, 치료 준수성이 불완전할 경우 전통적인 이단계 랜덤화의 한계를 극복한다.

ABSTRACT

In non-network settings, encouragement designs have been widely used to analyze causal effects of a treatment, policy, or intervention on an outcome of interest when randomizing the treatment was considered impractical or when compliance to treatment cannot be perfectly enforced. Unfortunately, such questions related to treatment compliance have received less attention in network settings and the most well-studied experimental design in networks, the two-stage randomization design, requires perfect compliance with treatment. The paper proposes a new experimental design called peer encouragement design to study network treatment effects when enforcing treatment randomization is not feasible. The key idea in peer encouragement design is the idea of personalized encouragement, which allows point-identification of familiar estimands in the encouragement design literature. The paper also defines new causal estimands, local average network effects, that can be identified under the new design and analyzes the effect of non-compliance behavior in randomized experiments on networks.

연구 동기 및 목표

• 치료 랜덤화와 완전한 준수성이 불가능한 네트워크 환경에서 치료 효과를 연구하기 위한 실험 설계의 부족을 해결하기 위해.
• 비네트워크 환경에서의 장려 설계 원리를 부분 간섭이 있는 네트워크 환경으로 확장하기 위해.
• 비준수와 간섭 상황에서 새로운 인과적 추정량—국소 평균 네트워크 효과—를 정의하고 식별하기 위해.
• Sobel(2006)이 지적한 바와 같이, 간섭이 존재하는 네트워크 환경에서 표준 산술변수 추정량(예: Wald, TSLS)이 실패하는 문제를 해결하기 위해.
• 개인들이 치료 배정에 완전히 준수하지 않을 경우에도 인과 효과의 점 식별을 보장하는 프레임워크를 제공하기 위해.

제안 방법

• 다른 사람의 행동에 기반해 개인들이 랜덤하게 장려되어 치료를 수용하도록 유도하는 피어 장려 설계를 제안하며, 간접적 랜덤화를 가능하게 한다.
• 개인화된 장려를 통해 치료 수용에 변동성을 유도함으로써 산술변수 방법을 통해 인과 효과를 식별할 수 있도록 한다.
• 새로운 추정량인 국소 평균 네트워크 효과(LNT)를 정의하며, 이는 네트워크 맥락에서 준수자들 사이의 평균 치료 효과를 캡처한다.
• 식별의 타당성을 확보하기 위해 배제 제약 조건과 단조성 가정을 적용하여 간섭 상황에서 추정량을 유효하게 식별한다.
• 블록 수준의 추정량(DITT, PITT, LDT, LPT)을 유도하고, 네트워크 블록에 대한 평균화를 통해 그 식별성을 보여준다.
• 스pill오버 효과와 동료 효과를 모델링하기 위해 네트워크 특화의 잠재적 결과 프레임워크를 사용한다.

실험 결과

연구 질문

• RQ1 부분 간섭과 비준수 상황에서 산술변수 방법을 네트워크 환경에 적응시켜 인과 효과를 식별할 수 있는가?
• RQ2 네트워크 스플로버와 비준수를 고려한 피어 장려 설계 하에서 식별 가능한 새로운 인과적 추정량은 무엇인가?
• RQ3 비준수 상황에서 간섭이 존재할 경우, 의도-치료(ITT) 추정량의 타당성은 어떻게 영향을 받는가?
• RQ4 간섭이 존재하는 상황에서 국소 평균 네트워크 효과는 어떤 조건에서 점식별(point-identified)될 수 있는가?
• RQ5 표준 이단계 랜덤화가 비준수로 인해 실패할 경우, 개인화된 장려가 인과 효과 식별을 가능하게 하는가?

주요 결과

• 배제 제약 조건, 단조성, 개인화된 장려가 성립할 경우 피어 장려 설계는 국소 평균 네트워크 효과(LNT)의 점 식별을 가능하게 한다.
• Sobel(2006)이 지적한 바와 같이 표준 Wald 추정량과 TSLS는 간섭이 존재하는 네트워크 환경에서 인과 효과를 식별하지 못하지만, 본 논문에서 제안한 설계는 이 한계를 극복한다.
• 간섭이 존재할 경우 의도-치료(ITT) 추정량은 더 이상 타당한 인과 추정량이 아니며, Sobel(2006)의 정리 2와 4에서 이를 입증하였다. 본 논문은 새로운 추정량 정의를 통해 이를 해결한다.
• 블록 평균화와 준수 기반 가중치를 통해 DITT(직접 의도-치료), PITT(잠재 의도-치료), LDT(국소 직접 치료), LPT(국소 잠재 치료) 효과의 식별성을 확립한다.
• 일방향 준수 상황에서 제어군 준수자에 대한 PITT 추정량은 LPT 추정량으로 축소되어 비준수자 집단의 치료 효과 식별이 가능해진다.
• 식별 전략은 배제 제약 조건과 단조성에 의존하며, 이는 장려가 치료 수용을 통해가 아니라 직접적으로 결과에 영향을 주지 않음을 보장한다.