[논문 리뷰] Policy Targeting under Network Interference

Davide Viviano|arXiv (Cornell University)|2019. 06. 24.

Advanced Causal Inference Techniques인용 수 11

한 줄 요약

이 논문은 사회적 네트워크를 통해 치료 효과가 확산되는 네트워크 간섭 상황에서 최적의 정책 타겟팅을 위한 방법을 제안한다. 복잡한 네트워크 정보나 파라미터 모델 가정 없이도, 반응의 반응 효과를 반영하는 준모수적 추정기법을 사용하여 복지 최적화 문제를 혼합정수선형계획문제(MILP)로 공식화함으로써, 전체 네트워크 정보가 없이도 정책 할당 제약 조건을 수용하면서도, 정확도 보장이 가능한 성능을 달성한다.

ABSTRACT

This paper studies the problem of optimally allocating treatments in the presence of spillover effects, using information from a (quasi-)experiment. I introduce a method that maximizes the sample analog of average social welfare when spillovers occur. I construct semi-parametric welfare estimators with known and unknown propensity scores and cast the optimization problem into a mixed-integer linear program, which can be solved using off-the-shelf algorithms. I derive a strong set of guarantees on regret, i.e., the difference between the maximum attainable welfare and the welfare evaluated at the estimated policy. The proposed method presents attractive features for applications: (i) it does not require network information of the target population; (ii) it exploits heterogeneity in treatment effects for targeting individuals; (iii) it does not rely on the correct specification of a particular structural model; and (iv) it accommodates constraints on the policy function. An application for targeting information on social networks illustrates the advantages of the method.

연구 동기 및 목표

• 사회적 네트워크로 인한 확산 효과가 존재하는 상황에서 최적의 치료 할당 방법을 개발하는 것.
• 제한된 네트워크 관찰 정보가 있는 (편의)실험 데이터를 바탕으로 평균 사회적 복지를 최대화하는 것.
• 정확한 모델 구조 가정 없이도, 최적 정책 복지와 추정 정책 복지 간의 차이인 정책 실천 오차(regret)에 대한 이론적 보장을 제공하는 것.
• 예를 들어 정보 제약이나 자원 제약 등 다양한 제약 조건을 정책 함수에 통합할 수 있도록 하는 것.
• 전체 인구의 네트워크 구조를 요구하지 않고, 샘플링된 개인과 그 이웃들로부터의 실험 데이터에만 의존하는 것.

제안 방법

• 이 방법은 (편의)실험에서 관측된 공변량, 치료 할당, 이웃 수준의 데이터를 이용해 확산 효과가 존재하는 상황에서 잠재적 반응의 준모수적 추정기법을 구축한다.
• 확산 효과를 이웃 중 치료를 받은 수에 따라 모델링하고, 그들의 신원은 고려하지 않음으로써 이질적 치료 효과의 비모수적 추정이 가능해진다.
• 복지 최적화 문제는 표준 최적화 알고리즘으로 해결 가능한 혼합정수선형계획문제(MILP)로 재구성된다.
• Rademacher 복잡도와 경험과정 이론을 활용하여 추정 오차에 대한 균일한 경계를 도출하고, 이로부터 정책 실천 오차 보장을 유도한다.
• 더 이상한 성향 점수를 다루기 위해 이중으로 강건한 추정 기법을 사용하여, 더 약한 가정 하에서도 일관성을 확보한다.
• 네트워크 관측 불가능성에 강건하다: 전체 인구 네트워크를 요구하지 않으며, 샘플링된 단위와 그 이웃들로부터의 실험 데이터만으로도 작동한다.

실험 결과

연구 질문

• RQ1 개인이 네트워크로 연결되어 있고 치료가 확산 효과를 유발하는 상황에서, 어떻게 최적의 치료를 타겟팅할 수 있는가?
• RQ2 전체 네트워크 정보가 관측되지 않는 상황에서, 실험 데이터로부터 추정된 정책의 이론적 성능 보장(정책 실천 오차)은 무엇인가?
• RQ3 확산 효과에 대해 특정한 파라미터 모델을 가정하지 않고도 평균 사회적 복지를 최대화할 수 있는가?
• RQ4 예를 들어 예산 제약이나 정보 제약 등 실질적 제약 조건을 치료 할당 규칙에 어떻게 통합할 수 있는가?
• RQ5 네트워크 간섭 하에서 제안된 준모수적 복지 추정기의 유한 표본 및 점근적 성질은 무엇인가?

주요 결과

• 제안된 방법은 $ O_p(\sqrt{V/n}) $ 의 속도로 감소하는 실천 오차 경계를 달성한다. 여기서 $ V $ 는 함수 클래스의 복잡도 측도이고 $ n $ 은 표본 크기이다.
• 실천 오차 경계는 정책 공간 전반에 걸쳐 균일하게 유지되며, 전체 인구 네트워크가 관측되지 않는 경우에도 성립한다. 이는 샘플링된 단위와 그 이웃들로부터의 실험 데이터에만 의존한다.
• 확산 효과에 대한 구조적 모델의 정확한 특정화가 필요 없이도 복지 성능에 대한 이론적 보장을 제공한다.
• 예를 들어 예산 제한이나 정보 제약 등 다양한 제약 조건을 정책 함수에 통합하면서도 실천 오차 제어를 유지한다.
• 준모수적 복지 추정기법은 이중으로 강건하여, 반응 모델과 성향 점수 모델에 대한 더 약한 가정 하에서도 일관성을 확보한다.
• 계산적으로 실현 가능하다. 최적화 문제는 표준 소프트웨어를 사용해 해결할 수 있는 혼합정수선형계획문제로 공식화되어 있다.