[论文解读] Estimation of Monotone Treatment Effects in Network Experiments

David Choi|arXiv (Cornell University)|Aug 18, 2014

Advanced Causal Inference Techniques参考文献 20被引用 4

一句话总结

本文提出了一种新颖的方法，用于在存在干扰的网络实验中估计可归因处理效应，采用单调性假设，即处理效应非负。通过利用网络结构定义检验统计量，构建反事实均值结果的置信区间，实现无需依赖部分干扰或已知影响机制的稳健、模型无关推断。

ABSTRACT

Randomized experiments on social networks are a trending research topic. Such experiments pose statistical challenges due to the possibility of interference between units. We propose a new method for estimating attributable treatment effects under interference. The method does not require partial interference, but instead uses an identifying assumption that is similar to requiring nonnegative treatment effects. Pre-treatment network observations can be used to customize the test statistic, so as to increase power without making assumptions on the data generating process. The inversion of the test statistic is a combinatorial optimization problem which has a tractable relaxation, yielding conservative estimates of the attributable effect.

研究动机与目标

• 为解决随机网络实验中干扰带来的挑战，即一个单位的处理会影响其他单位，从而破坏标准因果推断方法。
• 开发一种估计可归因处理效应的方法，不依赖部分干扰或社会影响的参数化模型。
• 为无处理条件下的反事实均值结果提供一个单侧置信上限，以实现对总可归因效应的推断。
• 将网络或空间信息融入检验统计量，以在最小假设下提升统计功效。
• 通过仅使用网络数据指导检验统计量设计，而非显式建模干扰机制，确保方法的稳健性。

提出的方法

• 提出单调性假设：对所有单位 i，有 θi ≤ Yi，即处理对任何单位的结果均不会产生负效应。
• 将可归因效应 A 定义为观测结果与反事实结果之差的总和：A = Σ(Yi − θi)。
• 通过基于单调性假设导出的约束条件，对 Σθi 构建单侧置信上限（等价于对 A 的下限）。
• 利用网络数据 G 定义检验统计量（如溢出效应），在不假设特定干扰模型的前提下提升统计功效。
• 通过基于支撑超平面的多面体外逼近 PΛ，对优化问题的可行域进行松弛。
• 通过网格搜索求解所得的低维优化问题，利用已知技术将 f∗(λ) 转化为最小割问题，以实现计算可行性。

实验结果

研究问题

• RQ1 我们能否在不假设部分干扰或已知社会影响模型的前提下，估计网络实验中的总可归因处理效应？
• RQ2 如何利用网络结构在不引入模型误设的前提下提升干扰下因果推断的统计功效？
• RQ3 当存在干扰且未知时，是否存在一种有效且稳健的方法来构建反事实均值结果的置信区间？
• RQ4 能否利用单调性假设（处理效应非负）推导出保守推断，而无需强参数假设？
• RQ5 如何使置信区间优化问题在保持统计有效性的同时具备计算可处理性？

主要发现

• 所提方法在单调性假设下，即使干扰是任意且未知的，仍能提供对可归因效应 A 的有效单侧置信区间。
• 通过利用网络结构定义更敏感的检验统计量，该方法提升了统计功效，且无需对潜在影响机制做任何假设。
• 通过图像去噪中的已知技术，将置信区间优化问题转化为最小割问题，实现了多项式时间计算。
• 使用可行域的多面体松弛 PΛ 确保解保持保守，从而维持第一类错误控制。
• 模拟与数据示例表明，当网络结构具有信息量时，该方法的置信区间比朴素方法更紧致。
• 该方法对模型误设具有鲁棒性：若网络 G 是较差的代理，统计功效可能下降，但有效性得以保持。