[논문 리뷰] Using Embeddings for Causal Estimation of Peer Influence in Social Networks

Irina Cristali, Victor Veitch|arXiv (Cornell University)|2022. 05. 17.

Advanced Causal Inference Techniques인용 수 9

한 줄 요약

이 논문은 네트워크의 잠재적 특성인 비관측된 협화성(동질성)을 보정하기 위해 노드 임베딩을 활용하여 사회적 네트워크 내에서의 동료 영향을 추정하는 비모수적 인과추론 방법을 제안한다. 네트워크 구조에서 임베딩을 학습하고 이를 프록시 제어 변수로 사용함으로써, 네트워크나 결과 과정에 대한 특정 기능 형태를 가정하지 않고도 전염 효과를 안정적으로 추정할 수 있다.

ABSTRACT

We address the problem of using observational data to estimate peer contagion effects, the influence of treatments applied to individuals in a network on the outcomes of their neighbors. A main challenge to such estimation is that homophily - the tendency of connected units to share similar latent traits - acts as an unobserved confounder for contagion effects. Informally, it's hard to tell whether your friends have similar outcomes because they were influenced by your treatment, or whether it's due to some common trait that caused you to be friends in the first place. Because these common causes are not usually directly observed, they cannot be simply adjusted for. We describe an approach to perform the required adjustment using node embeddings learned from the network itself. The main aim is to perform this adjustment nonparametrically, without functional form assumptions on either the process that generated the network or the treatment assignment and outcome processes. The key contributions are to nonparametrically formalize the causal effect in a way that accounts for homophily, and to show how embedding methods can be used to identify and estimate this effect. Code is available at https://github.com/IrinaCristali/Peer-Contagion-on-Networks.

연구 동기 및 목표

• 비관측된 협화성이 인과 효과에 영향을 미치는 관찰 네트워크 데이터에서 동료 전염 효과를 추정하는 데 도전하는 것.
• 네트워크 관계와 유사한 결과를 유도하는 잠재적 특성을 직접 관측할 수 없는 전통적 보정 방법의 한계를 극복하는 것.
• 네트워크 생성, 치료 배정, 결과 과정에 대한 특정 기능 형태를 가정하지 않는 비모수적 접근법을 개발하는 것.
• 임베딩 기반 프록시 변수를 통해 협화성을 고려한 인과 효과 정의를 체계화하는 것.
• 학습된 노드 임베딩이 네트워크 인과추론에서 교란 요인 보정을 위한 충분통계량으로서의 타당성과 안정성을 입증하는 것.

제안 방법

• 노드2베이크, 그래프SAGE 또는 유사한 방법을 사용하여 관측된 네트워크 구조에서 노드 임베딩을 학습함으로써 잠재적 구조적 및 관계적 특성을 포착하는 것.
• 학습된 임베딩을 프록시 변수로 사용하여 비모수적으로 비관측된 협화성을 보정함으로써 동료 영향 효과 추정에 활용하는 것.
• 노드의 결과가 자신의 치료와 이웃의 치료에 의존하는 잠재적 결과 프레임워크로 인과 추정량을 체계화하는 것. 이때 임베딩을 통해 보정을 수행한다.
• 임베딩을 제어 변수로 사용하여 비모수적 추정 전략(예: 역확률가중법 또는 더블 머신러닝)을 적용함으로써 비관측 교란 요인으로 인한 편향을 줄이는 것.
• 임베딩 학습이 결과나 치료 정보를 사용하지 않고 네트워크 자체에서 수행되도록 하여 인과추론의 타당성을 유지하는 것.
• 시뮬레이션 연구와 실제 네트워크 데이터를 통해 기존의 협화성 보정을 고려하지 않는 표준 방법과의 성능 비교를 통해 방법의 타당성과 안정성을 검증하는 것.

실험 결과

연구 질문

• RQ1 노드 임베딩은 사회 네트워크 내에서 동료 영향을 추정할 때 비관측된 협화성을 효과적으로 프록시 제어 변수로 활용할 수 있는가?
• RQ2 비관측 교란 요인이 존재할 경우, 제안된 임베딩 기반 보정 방법은 표준 회귀 보정 방법보다 어떻게 비교되는가?
• RQ3 강한 기능 형태 가정이 있는 파라미터 모델 대비 비모수적 접근이 얼마나 더 높은 안정성을 제공하는가?
• RQ4 네트워크 생성 과정이 복잡하거나 알려져 있지 않을 경우, 이 방법은 여전히 타당한 인과추론을 유지하는가?
• RQ5 기본적인 교란 특성이 직접 관측되지 않더라도 이 방법은 신뢰할 수 있게 동료 전염 효과를 추정할 수 있는가?

주요 결과

• 협화성을 고려하지 않는 표준 회귀 모델에 비해 제안된 방법은 동료 영향 효과 추정에서 훨씬 낮은 편향을 보였다.
• 노드 임베딩은 잠재적 협화성 특성을 효과적으로 포착하여 비관측 교란 요인의 유효한 프록시 제어 변수로 기능한다.
• 진정한 데이터 생성 과정이 복잡하거나 잘못 지정된 경우 비모수적 접근이 파라미터 모델 대비 뛰어난 성능을 보였다.
• 다양한 네트워크 구조와 임베딩 학습 알고리즘에 걸쳐 일관된 추정 성능 유지를 보였다.
• 실증 결과로, 임베딩 기반 보정은 시뮬레이션 및 실제 네트워크 데이터셋 모두에서 더 정확하고 신뢰할 수 있는 인과추정을 이끌어냈다.
• 이 방법은 네트워크 형성 과정이나 치료 배정 메커니즘을 명시적으로 모델링할 필요 없이 타당한 인과추론을 가능하게 한다.