[논문 리뷰] Staggered Rollout Designs Enable Causal Inference Under Interference Without Network Knowledge

Mayleen Cortez, Matthew Eichhorn외 1명|arXiv (Cornell University)|2022. 05. 29.

Advanced Causal Inference Techniques인용 수 6

한 줄 요약

이 논문은 네트워크 간섭 상황에서 기초 네트워크 구조에 대한 사전 지식이 없이도 총 치료 효과(TTE)의 편향 없는 추정을 가능하게 하는 스타게드 롤아웃 설계를 제안한다. 다항식 외삽을 활용하여 치료 롤아웃 시퀀스를 다룰 경우, 저차수 간섭 하에서 인과 추론을 수행할 수 있으며, 이론적 분산 경계와 실증적 검증을 통해 기존 방법들에 비해 편향과 분산 성능이 뛰어나다.

ABSTRACT

Randomized experiments are widely used to estimate causal effects across a variety of domains. However, classical causal inference approaches rely on critical independence assumptions that are violated by network interference, when the treatment of one individual influences the outcomes of others. All existing approaches require at least approximate knowledge of the network, which may be unavailable and costly to collect. We consider the task of estimating the total treatment effect (TTE), or the average difference between the outcomes when the whole population is treated versus when the whole population is untreated. By leveraging a staggered rollout design, in which treatment is incrementally given to random subsets of individuals, we derive unbiased estimators for TTE that do not rely on any prior structural knowledge of the network, as long as the network interference effects are constrained to low-degree interactions among neighbors of an individual. We derive bounds on the variance of the estimators, and we show in experiments that our estimator performs well against baselines on simulated data. Central to our theoretical contribution is a connection between staggered rollout observations and polynomial extrapolation.

연구 동기 및 목표

• 네트워크 구조가 알려지지 않았거나 확보할 수 없는 상황에서 네트워크 간섭 하에서 인과 추론 문제를 해결하기 위해.
• 전체 치료와 전면 제어 조건 간 평균 결과 차이로 정의되는 총 치료 효과(TTE)를 추정하기 위해.
• 간섭 네트워크의 구조적 지식에 의존하지 않고도 TTE 추정을 편향 없이 보장하는 방법을 개발하기 위해.
• 낮은 차수의 간섭 효과를 가정할 때 제안된 추정기의 성능에 대한 이론적 분산 경계와 실증적 검증을 제공하기 위해.

제안 방법

• 시간이 지남에 따라 무작위로 선택된 개인 집단에 치료를 점진적으로 할당하는 스타게드 롤아웃 실험 설계를 활용한다.
• 다항식 보간을 통해 치료 롤아웃 비율과 관측된 결과 간의 관계를 모델링하여 TTE에 대한 편향 없는 추정기를 도출한다.
• 부분 롤아웃 단계에서의 관측 결과를 바탕으로 다항식 외삽을 적용하여 전면 치료 조건에서의 반사적 결과를 추정한다.
• 각 개인이 자신의 직접적 이웃의 치료에만 영향을 받는 이웃 간섭을 가정하며, 이웃의 구조를 알 필요가 없다.
• 낮은 차수의 간섭 효과를 가정할 때 제안된 추정기의 이론적 분산 경계를 유도한다.
• 완전 무작위 및 베르누이 무작위 롤아웃 설계 하에서 시뮬레이션된 데이터를 사용하여 방법을 실증적으로 검증한다.

실험 결과

연구 질문

• RQ1 기초 간섭 네트워크에 대한 사전 지식이 없이도 네트워크 간섭 하에서 총 치료 효과에 대한 편향 없는 인과 추론을 달성할 수 있는가?
• RQ2 스태게드 롤아웃 설계는 어떻게 부분 롤아웃 데이터만을 사용하여 전체 치료 효과를 추정할 수 있는가?
• RQ3 다양한 네트워크 간섭 구조에서 제안된 추정기의 이론적 분산 행동은 어떠한가?
• RQ4 다양한 인구 규모와 치료 예산에서 제안된 추정기의 편향과 분산 성능은 기존 방법들과 비교해 어떻게 되는가?
• RQ5 직접 효과 대 간접 효과 비율이 변할 경우, 이 방법의 성능은 어느 정도 강인한가?

주요 결과

• 제안된 추정기는 모든 시뮬레이션 조건에서 심각한 네트워크 간섭 상황에서도 총 치료 효과(TTE)의 편향 없는 추정을 달성한다.
• 추정기의 분산은 인구 규모 또는 치료 예산이 증가할수록 감소하며, 더 큰 표본이나 높은 롤아웃 비율에서 정밀도가 향상됨을 보여준다.
• 기존의 모든 기준 방법에 비해 편향과 분산 측면에서 모두 우수한 성능을 보이며, 다른 추정기들은 인구 규모나 치료 예산에 관계없이 지속적인 편향을 보였다.
• 실제 치료 횟수를 기반으로 한 추정기($\widehat{\text{TTE}}_{\text{PI}}(\hat{{\bf{k}}}/n)$)는 예상 치료 비율을 기반으로 한 추정기($\widehat{\text{TTE}}_{\text{PI}}({\bf{k}}/n)$)보다 더 낮은 편향을 보이며, 특히 낮은 치료 예산에서 두드러진다.
• 다양한 간섭 모델, 특히 직접 효과 대 간접 효과 비율이 변할 경우에도 추정기의 성능은 강인하며, 간접 효과가 증가함에 따라 편향이 거의 증가하지 않는다.
• 완전 무작위 및 베르누이 무작위 설계 하에서의 실증 결과는 제안된 방법의 우월성이 일관되게 나타나며, 높은 치료 예산에서 실측 비율 추정기와 예상 비율 추정기 간 성능이 거의 동일하다.