[論文レビュー] Design-Based Inference for Spatial Experiments under Unknown Interference

Ye Wang, Cyrus Samii+2 more|arXiv (Cornell University)|Oct 26, 2020

Advanced Causal Inference Techniques参考文献 21被引用数 7

ひとこと要約

この論文は、未知の干渉が存在する空間実験における設計ベースの推論手法を開発し、治療効果の空間的伝播を推定するための平均マージナライズド効果（AME）を導入する。漸近的分布を確立し、標本理論的およびパーミュテーションベースの推論を提案し、森林保護および健康分野のシミュレーションと現実世界のフィールド実験を通じてその頑健性を示す。

ABSTRACT

We consider design-based causal inference for spatial experiments in which treatments may have effects that bleed out and feed back in complex ways. Such spatial spillover effects violate the standard ``no interference'' assumption for standard causal inference methods. The complexity of spatial spillover effects also raises the risk of misspecification and bias in model-based analyses. We offer an approach for robust inference in such settings without having to specify a parametric outcome model. We define a spatial ``average marginalized effect'' (AME) that characterizes how, in expectation, units of observation that are a specified distance from an intervention location are affected by treatment at that location, averaging over effects emanating from other intervention nodes. We show that randomization is sufficient for non-parametric identification of the AME even if the nature of interference is unknown. Under mild restrictions on the extent of interference, we establish asymptotic distributions of estimators and provide methods for both sample-theoretic and randomization-based inference. We show conditions under which the AME recovers a structural effect. We illustrate our approach with a simulation study. Then we re-analyze a randomized field experiment and a quasi-experiment on forest conservation, showing how our approach offers robust inference on policy-relevant spillover effects.

研究の動機と目的

• 治療効果が空間的に拡散するが、標準的な「干渉なし」の仮定が破られる空間実験における因果推論を扱う。
• パrametricモデルを必要とせず、複雑で重複する空間的干渉を考慮する設計ベースのフレームワークを構築する。
• 介入ノードからの距離に応じた治療効果の期待値を捉える平均マージナライズド効果（AME）を定義し、推定する。
• 未知の干渉下での漸近理論および推論手順（標本理論的およびパーミュテーションベース）を確立する。
• シミュレーションおよび森林保護と健康分野の現実世界のフィールド実験を通じて、手法の妥当性と頑健性を示す。

提案手法

• 政策的関連性の高い推定量として、平均マージナライズド効果（AME）を提案する。これは、介入ノードからの距離区間における期待される結果の差を定義し、他の介入ノードからの効果を平均化する。
• ランダマイゼーション機構に基づく設計ベースの推論を用いて、未知の干渉下での推定量の漸近的分布を導出する。
• ベルヌーイ分布および完全ランダム化設計下でのバイアス補正を含めた、ホルヴィッツ＝トムプソン推定量およびハイエック推定量を用いてAMEの推定を実装する。
• 空間的依存性を考慮するため、空間的不均一分散および自己相関（HAC）頑健な信頼区間を適用する。
• 非線形な距離依存効果をモデル化するため、カーネル回帰推定量を用い、交差検証によるバンド幅選択を実施する。
• 分布の仮定なしに有意性を評価するため、きつい帰無仮説下でパーミュテーションベースの推論を実施する。

実験結果

リサーチクエスチョン

• RQ1 干渉が存在し、かつ未知である空間実験において、どのような因果推定量を定義できるか？
• RQ2 未知の干渉および複雑な空間的依存性下でのAME推定量の漸近的性質は何か？
• RQ3 さまざまな干渉構造下で、標本理論的およびパーミュテーションベースの推論手法は有限標本でどのように性能を発揮するか？
• RQ4 空間的干渉が無視された場合、標準的推定量（例：差の平均）がどの程度バイアスを生じるか？
• RQ5 現実的な空間的効果関数下で、バイアス、平均二乗誤差、信頼区間のカバレッジの観点から、さまざまな推定手法（ハイエック、カーネル、ホルヴィッツ＝トムプソン）はどのように比較されるか？

主な発見

• AMEは、非加法的かつ複雑な干渉が存在する状況下でも、介入ノードからの距離に応じた治療効果の平均的影響を捉える、頑健で解釈可能な推定量を提供する。
• シミュレーションにおいて、ホルヴィッツ＝トムプソン推定量およびハイエック推定量は低バイアスを示し、特に完全ランダム化下で顕著である。ハイエック推定量は有限標本下での性能が向上している。
• 空間的HAC信頼区間は、さまざまな標本サイズおよび効果関数下で適切なカバレッジ率を維持し、空間的依存性が存在する状況ではナーブな信頼区間を上回る性能を示す。
• カーネル回帰推定量は、非単調的かつ相互作用的な空間的効果を効果的に捉えることができ、標本サイズが増加するにつれて平均二乗誤差が減少する。
• きつい帰無仮説下でのパーミュテーションベースの推論は、有効なp値および信頼区間を提供し、シミュレーションのあらゆるシナリオで名目水準に近いカバレッジ率を示す。
• 森林保護応用において、村を多角形ではなく点として扱うことで、顕著な空間的スプライバー効果が明らかになった。AME推定値は、介入ノードからの距離が4〜8 kmの地点でピークを示す非単調な効果を示した。