[논문 리뷰] Propensity score methodology in the presence of network entanglement between treatments

Panos Toulis, Alexander Volfovsky외 1명|arXiv (Cornell University)|2018. 01. 22.

Advanced Causal Inference Techniques참고 문헌 18인용 수 9

한 줄 요약

이 논문은 네트워크 수준의 변화에 의해 영향을 받는 개별 단위 치료가 상호 연결되어 있는 관찰 연구에서 인과적 추론을 위한 새로운 프레임워크를 제안한다. 이는 전통적인 성향 스코어 방법이 무시된 치료의 상호 연결성으로 인해 심각한 편향을 유발한다는 것을 입증한다. 저자는 네트워크 진화에 대해 근사적으로 통합함으로써 보정된 성향 스코어 추정 방법을 제안하여 인과 효과 추정의 편향을 크게 감소시킨다.

ABSTRACT

In experimental design and causal inference, it may happen that the treatment is not defined on individual experimental units, but rather on pairs or, more generally, on groups of units. For example, teachers may choose pairs of students who do not know each other to teach a new curriculum; regulators might allow or disallow merging of firms, and biologists may introduce or inhibit interactions between genes or proteins. In this paper, we formalize this experimental setting, and we refer to the individual treatments in such setting as entangled treatments. We then consider the special case where individual treatments depend on a common population quantity, and develop theory and methodology to deal with this case. In our target applications, the common population quantity is a network, and the individual treatments are defined as functions of the change in the network between two specific time points. Our focus is on estimating the causal effect of entangled treatments in observational studies where entangled treatments are endogenous and cannot be directly manipulated. When treatment cannot be manipulated, be it entangled or not, it is necessary to account for the treatment assignment mechanism to avoid selection bias, commonly through a propensity score methodology. In this paper, we quantify the extent to which classical propensity score methodology ignores treatment entanglement, and characterize the bias in the estimated causal effects. To characterize such bias we introduce a novel similarity function between propensity score models, and a practical approximation of it, which we use to quantify model misspecification of propensity scores due to entanglement. One solution to avoid the bias in the presence of entangled treatments is to model the change in the network, directly, and calculate an individual unit's propensity score by averaging treatment assignments over this change.

연구 동기 및 목표

• 시간 간격 사이의 네트워크 변화로 인해 치료가 상호 연결되어 발생할 때 인과 추론을 위한 방법론적 도구가 부족한 문제를 해결한다.
• 치료의 상호 연결성이 무시될 경우 전통적인 성향 스코어 방법이 유도하는 편향을 식별하고 정량화한다.
• 상호 연결성으로 인한 모형 잘못 설정을 정량화하기 위해 성향 스코어 모델 간의 새로운 유사도 측정 기준을 개발한다.
• 네트워크 진화를 고려한 모듈러하고 네트워크 인지 기반의 성향 스코어 방법론을 제안하여 편향 없는 인과 추정을 가능하게 한다.
• 치료의 상호 연결성과 간섭을 구분하여, 상호 연결성은 치료 배정에 영향을 주며, 결과에만 영향을 주는 것이 아니라는 점을 명확히 한다.

제안 방법

• 개별 치료가 두 시점 사이의 네트워크 변화에 의존할 때 이를 상호 연결된 치료로 정의한다.
• 상호 연결성으로 인한 잘못 설정을 정량화하기 위해 성향 스코어 모델 간의 새로운 유사도 함수를 제안한다.
• 실제 적용에서 모형 잘못 설정을 평가하기 위해 이 유사도 함수의 실용적 근사치를 제시한다.
• 치료 기간 동안의 네트워크 변화 분포에 대해 통합함으로써 개별 단위의 성향 스코어를 계산하는 방법을 개발한다.
• 후행 분석 단계를 변경하지 않고 표준 성향 스코어 프레임워크(예: 분류 기반 분석) 내에서 이 방법을 적용한다.
• 내적 곱과 이원 네트워크 모델을 사용하여 네트워크 진화를 형식화하고 제안된 방법의 이론적 성질을 도출한다.

실험 결과

연구 질문

• RQ1 치료가 네트워크 변화로 인해 상호 연결되어 있을 경우 전통적인 성향 스코어 방법론은 어떻게 실패하는가?
• RQ2 표준 성향 스코어 방법론 하에서 치료의 상호 연결성이 인과 효과 추정에 얼마나 심각한 편향을 유도하는가?
• RQ3 성향 스코어 모델 간의 유사도 측정 기준이 상호 연결성으로 인한 잘못 설정을 효과적으로 정량화할 수 있는가?
• RQ4 시뮬레이션 환경에서 제안된 네트워크 인지 기반 성향 스코어 방법은 전통적 접근에 비해 편향을 얼마나 줄이는가?
• RQ5 다양한 네트워크 구조와 상호 연결 메커니즘 하에서 제안된 방법의 이론적 및 실증적 성능은 어떠한가?

주요 결과

• 이론적 분석과 시뮬레이션을 통해 치료의 상호 연결성이 무시될 경우 전통적인 성향 스코어 방법이 심각한 편향을 유발한다는 것이 입증되었다.
• 진짜 성향 스코어 모델과 전통적 성향 스코어 모델 간의 유사도는 네트워크 변화의 분산이 클수록 극단적으로 열 劣화될 수 있으며, 이는 잘못된 추론을 초래한다.
• 확률적 상호 연결성이 있는 시뮬레이션에서, 잘못 설정된 모델의 RMSE는 σ=2.0일 때 57.01에서 σ=0.0312일 때 0.51로 감소했으며, 진짜 모델은 안정성을 유지했다. 이는 네트워크 불확실성이 클수록 잘못 설정의 정도가 악화됨을 시사한다.
• 네트워크 변화가 대칭적이고 분산이 낮을 경우(σ²→0), 잘못 설정된 모델의 성능은 진짜 모델과 거의 유사해지며, 이는 상호 연결성이 편향의 핵심 원인임을 확인한다.
• 네트워크 진화에 대해 통합하는 제안된 방법은 모든 시뮬레이션 설정에서 편향을 크게 감소시키고 추정 정확도를 향상시킨다.
• 이 방법은 모듈러하며 다양한 네트워크 모델과 치료 상호 연결성 정의에 쉽게 적용 가능하므로 네트워크 기반 인과 추론 문제에 널리 적용 가능하다.