[논문 리뷰] Estimating Causal Effects Under Interference Using Bayesian Generalized Propensity Scores

Laura Forastiere, Fabrizia Mealli외 2명|arXiv (Cornell University)|2018. 07. 29.

Advanced Causal Inference Techniques인용 수 13

한 줄 요약

이 논문은 간섭이 있는 네트워크 시스템에서 직접적 및 스플라버 효과를 추정하기 위해 베이지안 일반화된 추진력 점수 방법을 제안한다. 이는 이웃 간섭 가정과 무편향성 조건을 기반으로 하며, 정규화된 스퍼링 회귀, 커뮤니티 탐지, 세 단계의 베이지안 절차를 결합하여 불확실성과 의존성을 고려한다. 다양한 네트워크 구조에서의 시뮬레이션에서 강력한 성능을 보였다.

ABSTRACT

In most real-world systems units are interconnected and can be represented as networks consisting of nodes and edges. For instance, in social systems individuals can have social ties, family or financial relationships. In settings where some units are exposed to a treatment and its effect spills over connected units, estimating both the direct effect of the treatment and spillover effects presents several challenges. First, assumptions on the way and the extent to which spillover effects occur along the observed network are required. Second, in observational studies, where the treatment assignment is not under the control of the investigator, confounding and homophily are potential threats to the identification and estimation of causal effects on networks. Here, we make two structural assumptions: i) neighborhood interference, which assumes interference operates only through a function of the immediate neighbors' treatments ii) unconfoundedness of the individual and neighborhood treatment, which rules out the presence of unmeasured confounding variables, including those driving homophily. Under these assumptions we develop a new covariate-adjustment estimator for treatment and spillover effects in observational studies on networks. Estimation is based on a generalized propensity score that balances individual and neighborhood covariates across units under different levels of individual treatment and of exposure to neighbors' treatment. Adjustment for propensity score is performed using a penalized spline regression. Inference capitalizes on a three-step Bayesian procedure which allows to take into account the uncertainty in the propensity score estimation and avoiding model feedback. Finally, correlation of interacting units is taken into account using a community detection algorithm and incorporating random effects in the outcome model.

연구 동기 및 목표

• 단위들이 상호 연결되어 있고 치료 효과가 연결된 단위로 확산되는 관찰 연구에서 인과 효과를 추정하는 문제에 대응한다.
• 개인 및 이웃 치료의 무편향성 조건을 가정하여 네트워크 데이터에서의 혼동과 동질성 선택을 극복한다.
• 일반화된 추진력 점수를 사용하여 치료 수준 간에 개인 및 이웃 공변량을 균형 있게 조정하는 방법을 개발한다.
• 결과 모형에서 상호작용 단위 간의 의존성을 커뮤니티 탐지 및 랜덤 효과를 통해 고려한다.
• 추정된 추진력 점수의 불확실성을 통합하고 모형 피드백 문제를 피하는 일관된 베이지안 프레임워크를 제공한다.

제안 방법

• 직접 이웃의 치료만 개인의 결과에 영향을 준다는 이웃 간섭 가정을 도입한다.
• 다양한 치료 및 노출 수준 간의 공변량 균형을 위해 개인 및 이웃 추진력 점수를 정의한다.
• 결과 모형에서 일반화된 추진력 점수 조정을 위해 정규화된 스퍼링 회귀를 사용한다.
• 유한 표본 인과 추정량의 사후 분포를 추정하면서 추진력 점수의 불확실성을 고려한 세 단계의 베이지안 절차를 구현한다.
• 결과 모형에서 상호작용 단위 간의 상관관계를 모형화하기 위해 커뮤니티 탐지를 통한 랜덤 효과를 통합한다.
• 모형 파라미터에 약한 정보 기반 사전분포를 설정하고, 모형 검증을 위해 사후 예측 검증을 수행한다.

실험 결과

연구 질문

• RQ1 간섭이 존재하는 관찰 네트워크 연구에서 직접적 및 스플라버 인과 효과를 일관되게 추정하는 방법은 무엇인가?
• RQ2 제안된 베이지안 일반화된 추진력 점수 방법이 네트워크 데이터에서 혼동과 동질성 선택으로 인한 편향을 어느 정도 줄이는가?
• RQ3 스토케스틱 블록 모형과 실제 사회 네트워크를 포함한 다양한 네트워크 구조에서 이 방법의 인과 효과 추정 성능은 어떠한가?
• RQ4 추정된 추진력 점수의 불확실성이 인과 효과 추정의 정밀도에 어떤 영향을 미치는가?
• RQ5 커뮤니티 탐지와 랜덤 효과의 통합이 연결된 단위 간의 의존성을 얼마나 효과적으로 포착하는가?

주요 결과

• 간섭이 존재할 경우, 기존 방법에 비해 제안된 방법이 직접적 및 스플라버 효과 추정의 편향을 크게 감소시킨다.
• 세 단계의 베이지안 절차는 추진력 점수 추정의 불확실성을 성공적으로 고려하고 모형 피드백 문제를 피한다.
• 정규화된 스퍼링 회귀는 개인 및 이웃 치료 수준의 공변량 불균형을 효과적으로 조정한다.
• 커뮤니티 탐지는 연결된 단위 간의 의존성을 유도하는 잠재적 군집 패턴을 포착하여 모형 적합도를 향상시킨다.
• 시뮬레이션 결과는 스토케스틱 블록 모형과 Add-Health 친구 관계 네트워크를 포함한 다양한 네트워크 유형에서 강력한 성능을 보였다.
• 사후 예측 검증을 통해 모형의 적절한 校정 및 추론 절차의 타당성이 확인되었다.