[논문 리뷰] Sequential causal inference in a single world of connected units

Aurélien Bibaut, Maya L. Petersen외 3명|arXiv (Cornell University)|2021. 01. 18.

Statistical Methods in Clinical Trials참고 문헌 29인용 수 4

한 줄 요약

이 논문은 시간이 지남에 따라 상호 연결되어 있고 상호 의존적인 단위들의 네트워크에서 순차적 인과적 추론을 위한 프레임워크를 개발한다. 이는 시간적 및 네트워크 의존성 하에서 적응형 시험 설계와 추론을 가능하게 한다. 유일한 관찰 스트림이 존재하더라도, 시간에 관계없이 수렴하는 새로운 추정 방법과 거의 확실히 등속성 있는 성질을 도입함으로써, 최적의 치료 배정과 적응형 정지 규칙을 실현할 수 있으며, 이는 점근적으로 효율적인 추론을 달성한다.

ABSTRACT

We consider adaptive designs for a trial involving N individuals that we follow along T time steps. We allow for the variables of one individual to depend on its past and on the past of other individuals. Our goal is to learn a mean outcome, averaged across the N individuals, that we would observe, if we started from some given initial state, and we carried out a given sequence of counterfactual interventions for $τ$ time steps. We show how to identify a statistical parameter that equals this mean counterfactual outcome, and how to perform inference for this parameter, while adaptively learning an oracle design defined as a parameter of the true data generating distribution. Oracle designs of interest include the design that maximizes the efficiency for a statistical parameter of interest, or designs that mix the optimal treatment rule with a certain exploration distribution. We also show how to design adaptive stopping rules for sequential hypothesis testing. This setting presents unique technical challenges. Unlike in usual statistical settings where the data consists of several independent observations, here, due to network and temporal dependence, the data reduces to one single observation with dependent components. In particular, this precludes the use of sample splitting techniques. We therefore had to develop a new equicontinuity result and guarantees for estimators fitted on dependent data. We were motivated to work on this problem by the following two questions. (1) In the context of a sequential adaptive trial with K treatment arms, how to design a procedure to identify in as few rounds as possible the treatment arm with best final outcome? (2) In the context of sequential randomized disease testing at the scale of a city, how to estimate and infer the value of an optimal testing and isolation strategy?

연구 동기 및 목표

• N개의 단위들 사이에 시간적 및 네트워크 의존성이 존재하는 순차적 시험에서 인과적 추론을 가능하게 하기 위해.
• 최소한의 유예 또는 탐색 시간으로 최적의 간섭을 학습하는 적응형 치료 규칙을 설계하기 위해.
• 의존적인 데이터 하에서 순차적 가설 검정을 위한 적응형 정지 규칙을 구성하기 위해.
• 의존성으로 인해 독립적인 표본이 존재하지 않는다는 점을 감안하여도 점근적으로 효율적인 추론을 달성하기 위해.
• 의존적인 데이터에 대한 추정기에서 시간에 관계없이 수렴하고 거의 확실히 등속성 있는 성질을 보장하는 통계 모델을 개발하기 위해.

제안 방법

• 단일 세계 간섭 프레임워크를 사용하여 간섭 시퀀스 하에서 반사적 결과를 정의한다.
• 시간에 관계없이 수렴하고 등속성을 지원하는 비모수적 모델을 교란 매개변수에 도입한다.
• 시간에 관계없이 농도 경계를 확보하기 위해 타겟드 맥्स리미엄 추정(TMLE)을 사용하여 타당한 추론을 보장한다.
• 다양한 설계 하에서 추정기의 점근적 분산 표현을 유도하여 적응형 설계 선택을 안내한다.
• 점근적 분산의 플러그인 추정을 사용하여 각 시점에서 가장 효율적인 설계를 선택한다.
• 한계 정리 대신 농도 부등식을 사용하여 의존성 하에서 순차적 검정의 제1종 오류를 통제한다.

실험 결과

연구 질문

• RQ1 네트워크화되어 있고 시간적 의존성이 존재하는 시스템에서, 최소한의 라운드로 최적의 치료 군을 식별하기 위해 어떻게 적응형 시험을 설계할 수 있는가?
• RQ2 도시 규모의 순차적 질병 검사 시험에서 최적의 검사 및 격리 전략의 가치를 어떻게 추정하고 추론할 수 있는가?
• RQ3 시간적 및 네트워크 의존성으로 인해 유일한 의존적인 관찰 스트림만 존재할 경우, 추정기에 대해 어떤 통계적 보장을 제공할 수 있는가?
• RQ4 이러한 의존성 하에서 순차적 가설 검정을 위한 적응형 정지 규칙을 어떻게 구성할 수 있는가?
• RQ5 독립적인 관찰치가 존재하지 않기 때문에 표본 분할 없이도 점근적으로 효율적인 추론을 달성할 수 있는가?

주요 결과

• 제안된 방법은 교란 추정기의 시간에 관계없이 수렴성과 거의 확실히 등속성 있는 성질을 달성하여, 시간적 및 네트워크 의존성 하에서도 타당한 추론이 가능하다.
• 추정된 점근적 분산을 최소화하는 방식으로 설계된 적응형 설계는 거의 확실히 최적의 설계로 수렴하며, 이는 TMLE가 가능한 최소한의 점근적 분산을 달성함을 보장한다.
• 농도 부등식을 활용함으로써 이 프레임워크는 의존성 하에서도 제1종 오류를 통제하는 순차적 검정을 위한 적응형 정지 규칙을 지원한다.
• 시간과 개인 간의 동질성 가정 덕분에 유일한 관찰 스트림만 존재함에도 불구하고 유효 표본 크기는 T×N 비례한다.
• Neyman 할당 설계가 τ=1일 때 이원 시험에 대해 최적일 것으로 추측되며, 균일 설계보다 높은 효율성을 보인다.
• 표본 분할을 피하기 위해 농도 경계와 시간에 관계없이 수렴하는 성질에 의존함으로써, 이 방법은 의존적인 데이터가 존재하는 설정에서 매우 중요하다.