[論文レビュー] Optimal model-assisted design of experiments for network correlated outcomes suggests new notions of network balance

Guillaume Basse, Edoardo M. Airoldi|arXiv (Cornell University)|Jul 3, 2015

Advanced Causal Inference Techniques参考文献 22被引用数 4

ひとこと要約

本稿は、事前に存在するネットワークを介して結果の相関をモデル化することで、ネットワーク相関のある結果を持つ実験における最適な制限付き無作為化設計を提案する。平均二乗誤差を解析的分解により最小化することで、古典的な共変量バランスを越えた新たなネットワークベースのバランス基準を導入し、バイアスのない効率的な処置割り当てを実現し、シミュレーションにおいて標準的手法を上回る性能を示す。

ABSTRACT

We consider the problem of how to assign treatment in a randomized experiment, in which the correlation among the outcomes is informed by a network available pre-intervention. Working within the potential outcome causal framework, we develop a class of models that posit such a correlation structure among the outcomes. Then we leverage these models to develop restricted randomization strategies for allocating treatment optimally, by minimizing the mean square error of the estimated average treatment effect. Analytical decompositions of the mean square error, due both to the model and to the randomization distribution, provide insights into aspects of the optimal designs. In particular, the analysis suggests new notions of balance based on specific network quantities, in addition to classical covariate balance. The resulting balanced, optimal restricted randomization strategies are still design unbiased, in situations where the model used to derive them does not hold. We illustrate how the proposed treatment allocation strategies improve on allocations that ignore the network structure, with extensive simulations.

研究の動機と目的

• 事前に存在するネットワークを通じて結果が相関する実験における、非効率な処置割り当ての課題に対処すること。
• 平均処置効果推定量の平均二乗誤差を最小化するモデル補助型の無作為化戦略を開発すること。
• 古典的な共変量バランスを越えた、新たなネットワークベースのバランス基準を導入すること。
• 仮定モデルが誤っている場合でも、設計の不偏性を保証すること。
• シミュレーション研究において、ネットワークに配慮した設計が標準的無作為化を上回ることを実証すること。

提案手法

• 潜在的結果におけるネットワーク由来の相関を明示的に表現するモデルのクラスを定式化する。
• 平均二乗誤差をモデルベースと無作為化ベースの成分に解析的に分解する。
• これらのモデル下で総平均二乗誤差を最小化することで、処置割り当てを最適化する。
• ネットワーク中心性や構造的性質（例：次数、固有値）に基づく新たなバランス指標を設計制約として導入する。
• これらのネットワークベースのバランス条件を満たす制限付き無作為化戦略を実装する。
• モデル誤り指定の下でも、平均処置効果推定量の設計不偏性を保持する。

実験結果

リサーチクエスチョン

• RQ1 結果が既知のネットワークを通じて相関している場合、どのようにして処置割り当てを最適化できるか？
• RQ2 実験設計におけるネットワーク相関のモデル化から、どのような新たなバランス基準が生じるか？
• RQ3 ネットワークに配慮した無作為化は、古典的設計と比較して推定効率を向上させることができるか？
• RQ4 仮定モデルが誤っている場合、提案手法はどのように設計不偏性を維持するか？
• RQ5 有限標本において、ネットワークベースのバランス基準は平均二乗誤差をどの程度低減するか？

主な発見

• 提案手法は、処置割り当てにおけるネットワーク構造の活用により、平均処置効果推定量の平均二乗誤差を低減する。
• 次数やスペクトルバランスなどの新たなネットワークベースのバランス基準が、平均二乗誤差分解から自然に導かれる。
• 最適設計は、仮定モデルが誤っていても設計不偏性を保ち続けるため、ロバスト性が保証される。
• シミュレーションでは、ネットワーク構造を無視する標準的無作為化と比較して、推定効率が一貫して向上することが示された。
• 解析的分解により、モデルベースと無作為化ベースの誤差源を明示的に分離し、それぞれを最小化できることが明らかになった。
• 本手法は、強いパラメトリック仮定を必要とせず、ネットワークデータを実験設計に統合するための整合的フレームワークを提供する。