[論文レビュー] Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects

Hyunseung Kang, Guido W. Imbens|arXiv (Cornell University)|Sep 14, 2016

Advanced Causal Inference Techniques参考文献 33被引用数 23

ひとこと要約

本稿は、部分的干渉と非遵守を伴うネットワーク設定における因果推論のための新しい実験枠組み「ピア励起設計」を導入する。個人に合わせた励起とインストルメンタル変数を活用することで、従来の二段階ラウンドランダム化が非遵守の下で失敗する場合でも、局所的平均ネットワーク効果の点推定を可能にする。

ABSTRACT

In non-network settings, encouragement designs have been widely used to analyze causal effects of a treatment, policy, or intervention on an outcome of interest when randomizing the treatment was considered impractical or when compliance to treatment cannot be perfectly enforced. Unfortunately, such questions related to treatment compliance have received less attention in network settings and the most well-studied experimental design in networks, the two-stage randomization design, requires perfect compliance with treatment. The paper proposes a new experimental design called peer encouragement design to study network treatment effects when enforcing treatment randomization is not feasible. The key idea in peer encouragement design is the idea of personalized encouragement, which allows point-identification of familiar estimands in the encouragement design literature. The paper also defines new causal estimands, local average network effects, that can be identified under the new design and analyzes the effect of non-compliance behavior in randomized experiments on networks.

研究の動機と目的

• 治療のラウンドランダム化と完全な遵守が不実行であるネットワーク設定において、治療効果を研究するための実験的枠組みの不足に対処すること。
• 非ネットワーク設定における励起設計の原則を、部分的干渉を伴うネットワーク環境に拡張すること。
• 非遵守と干渉の下で、新たな因果推定値（局所的平均ネットワーク効果）を定義し同定すること。
• Sobel（2006）が指摘したように、干渉を伴うネットワーク設定では標準的なインストルメンタル変数推定量（例：Wald推定量、TSLS）が機能しない問題を解消すること。
• 個人が治療割り当てに完全に従わない状況においても、因果効果の点推定を保証するフレームワークを提供すること。

提案手法

• 個人が周囲の行動に基づいて治療の採用を励起されるようにランダムに割り当てられるピア励起設計を提案し、間接的なランダム化を可能にする。
• 個人に合わせた励起を用いて治療受容の変動を誘発し、インストルメンタル変数法を用いて因果効果の同定を可能にする。
• 新たな推定値を定義：局所的平均ネットワーク効果（LNT）—これはネットワーク文脈における順応者（compliers）における平均治療効果を捉える。
• 除外制約と単調性仮定を適用し、干渉下でも推定値の有効な同定を保証する。
• ブロックレベルの推定値（例：DITT、PITT、LDT、LPT）を導出し、ネットワークブロック全体の平均化によって同定を示す。
• 潜在的アウトカム枠組みを用い、ネットワーク固有の反実仮想状況を定式化することで、スプライバー効果とピア効果をモデル化する。

実験結果

リサーチクエスチョン

• RQ1 部分的干渉と非遵守を伴うネットワーク設定において、インストルメンタル変数法をどのように適合させれば因果効果を同定できるか。
• RQ2 ネットワークスプライバーと非遵守を考慮したピア励起設計下で、どのような新たな因果推定値を同定できるか。
• RQ3 非遵守がネットワーク実験における意図した治療（ITT）推定値の妥当性にどのように影響するか。
• RQ4 干渉が存在する状況で、局所的平均ネットワーク効果がどのような条件下で点推定可能か。
• RQ5 標準的な二段階ラウンドランダム化が非遵守のため失敗する状況において、個人に合わせた励起が因果効果の同定を可能にするか。

主な発見

• 除外制約、単調性、個人に合わせた励起が成立する限り、ピア励起設計により局所的平均ネットワーク効果（LNT）の点推定が可能である。
• Sobel（2006）が示したように、干渉を伴うネットワーク設定では標準的なWald推定量やTSLSが因果効果を同定できないが、本稿で提案する設計はこの制限を克服する。
• 干渉下では意図した治療（ITT）推定値はもはや有効な因果推定値ではなくなる。Sobel（2006）の定理2および定理4がこれを示しており、本稿では新たな推定値定義によってこれを解決する。
• ブロック平均化と順応者に基づく重み付けにより、DITT（直接的意図した治療）、PITT（潜在的意図した治療）、LDT（局所的直接治療）、LPT（局所的潜在的治療）効果の同定を確立する。
• 片側遵守の下では、制御群の順応者に対するPITT推定量はLPT推定量に簡略化され、非順応者における治療効果の同定が可能になる。
• 同定戦略は、除外制約と単調性に依存しており、励起が治療受容を通じてのみアウトカムに影響し、直接には影響しないことを保証する。