[논문 리뷰] Random Graph Asymptotics for Treatment Effect Estimation under Network Interference

Shuangning Li, Stefan Wager|arXiv (Cornell University)|2020. 07. 27.

Advanced Causal Inference Techniques참고 문헌 31인용 수 11

한 줄 요약

이 논문은 네트워크 간섭 하에서 인과적 추론을 위한 무작위 그래프 점점 다가감을 개발하며, 노출 그래프를 알려지지 않은 그래프론의 실현으로 모델링한다. 이전에 알려진 것보다 더 약한 흐린 조건 하에서도 직접 효과 추정기의 점점 정규성을 확립하고, 이전에 랜덤화 기반 추론에서 이룰 수 없었던 간접 효과에 대한 일致한 추정기까지 제안함으로써, 무작위 실험에서의 간섭에 대한 실용적인 민감도 분석을 가능하게 한다.

ABSTRACT

The network interference model for causal inference places all experimental units at the vertices of an undirected exposure graph, such that treatment assigned to one unit may affect the outcome of another unit if and only if these two units are connected by an edge. This model has recently gained popularity as means of incorporating interference effects into the Neyman--Rubin potential outcomes framework; and several authors have considered estimation of various causal targets, including the direct and indirect effects of treatment. In this paper, we consider large-sample asymptotics for treatment effect estimation under network interference in a setting where the exposure graph is a random draw from a graphon. When targeting the direct effect, we show that -- in our setting -- popular estimators are considerably more accurate than existing results suggest, and provide a central limit theorem in terms of moments of the graphon. Meanwhile, when targeting the indirect effect, we leverage our generative assumptions to propose a consistent estimator in a setting where no other consistent estimators are currently available. We also show how our results can be used to conduct a practical assessment of the sensitivity of randomized study inference to potential interference effects. Overall, our results highlight the promise of random graph asymptotics in understanding the practicality and limits of causal inference under network interference.

연구 동기 및 목표

• 랜덤화 기반 추론이 모든 그래프에 대해 균일하게 유효성을 요구하고 일반적인 경우에서 검정력이 부족한 문제를 해결하기 위해.
• 간섭 그래프가 알려지지 않은 그래프론에서 무작위로 선택된 것으로 가정함으로써 더 다루기 쉬운 점점 다가감 프레임워크를 개발하여 유한 표본에서의 보다 강력한 보장을 가능하게 하기 위해.
• 기존에 존재하지 않는 랜덤화 기반 프레임워크에서 간접 치료 효과에 대한 일관된 추정기를 제공하기 위해.
• 제안된 점점 다가감 프레임워크를 활용하여 무작위 실험에서 간섭 효과에 대한 실용적인 민감도 분석을 가능하게 하기 위해.

제안 방법

• 간섭 그래프를 알려지지 않은 그래프론에서 유래된 무작위 그래프로 모델링하며, 그래프론과 잠재 결과에 대해 교환 가능성과 규칙성 조건을 가정한다.
• 노출 제약 조건이 있는 네이먼-루빈 잠재 결과 프레임워크를 사용한다: 결과는 그래프 내 연결된 단위의 치료에만 의존한다.
• 그래프론의 모멘트를 분석하여 직접 효과 추정기의 중심극한정리를 도출함으로써, 이전 결과보다 더 약한 흐린 조건 하에서도 점점 정규성을 보여준다.
• 그래프론 구조를 기반으로 한 새로운 간접 효과 추정기를 제안하며, 생성 모델을 활용하여 기존 방법이 실패하는 상황에서 일관성을 확보한다.
• 간섭 하에서 하제크 추정기의 플러그인 분산 추정기의 일관성을 확립하며, 규칙성 조건 하에서 점점 분산으로 수렴함을 보여준다.
• 이 프레임워크를 민감도 분석에 적용하여 연구자가 잠재적 간섭 하에서 추론이 어떻게 변화하는지 평가할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 기존의 랜덤화 기반 추론과 비교해 무작위 그래프 점점 다가감이 네트워크 간섭 하에서 치료 효과 추정의 정확성과 검정력을 향상시킬 수 있는가?
• RQ2 그래프론에 어떤 조건이 성립할 경우 직접 효과 추정기가 점점 정규적이며, 이는 이전의 흐린 조건을 어떻게 완화하는가?
• RQ3 랜덤화 기반 프레임워크에서 아직 그러한 추정기가 존재하지 않는 상황에서 네트워크 간섭 하에서 간접 효과에 대한 일관된 추정기를 구성할 수 있는가?
• RQ4 제안된 점점 다가감 프레임워크는 무작위 실험에서의 추론이 관측되지 않은 간섭에 대해 어떻게 민감한지를 평가하는 데 어떻게 활용될 수 있는가?

주요 결과

• 직접 효과 추정기는 그래프론 모델 하에서 점점 정규적이며, 이전에 확립된 것보다 더 높은 밀도의 그래프에서도 성립하며, 수렴은 그래프론의 모멘트에 의해 결정된다.
• 제안된 분산 추정기는 점점 분산에 대해 일관적이며, 규칙성 조건 하에서 π(1−π)V₀ + σ₀²로 확률 수렴한다.
• 간접 효과에 대한 일관된 추정기를 구성하였으며, 이는 제시된 모델 가정 하에서 문헌상 최초의 방법이다.
• 이 프레임워크는 무작위 실험에서의 간섭 효과에 대한 실용적인 민감도 분석을 가능하게 하며, 다양한 간섭 구조 하에서 추론이 어떻게 변화하는지 정량화한다.
• 결과는 무작위 그래프 점점 다가감이 일반적인 간섭 설정에서 랜덤화 기반 추론보다 훨씬 강력한 유한 표본 보장을 제공할 수 있음을 보여준다.