[论文解读] Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference

M. Usaid Awan, Marco Morucci+4 more|arXiv (Cornell University)|Mar 2, 2020

Advanced Causal Inference Techniques参考文献 23被引用 4

一句话总结

本文提出 FLAME-Networks，一种新颖的匹配方法，用于在存在网络干扰的随机实验中估计直接处理效应。通过几乎精确地匹配每个单位在其邻域图中独特子图的计数（这些计数从训练集中学得），该方法在考虑协变量和未观测到的干扰模式的情况下，相较于现有方法展现出更优的性能和更高的可解释性。

ABSTRACT

We propose a matching method that recovers direct treatment effects from randomized experiments where units are connected in an observed network, and units that share edges can potentially influence each others' outcomes. Traditional treatment effect estimators for randomized experiments are biased and error prone in this setting. Our method matches units almost exactly on counts of unique subgraphs within their neighborhood graphs. The matches that we construct are interpretable and high-quality. Our method can be extended easily to accommodate additional unit-level covariate information. We show empirically that our method performs better than other existing methodologies for this problem, while producing meaningful, interpretable results.

研究动机与目标

• 解决在单位通过网络相互影响的随机实验中，传统处理效应估计器存在的偏差与不准确问题。
• 在因网络交互导致干扰的情况下，开发一种非参数化且可解释的方法来估计直接处理效应。
• 利用观测到的网络结构，基于单位局部邻域图的相似性进行匹配，从而在干扰条件下提升估计性能。
• 确保即使在存在额外的单位层面协变量时，该方法仍保持鲁棒性和可解释性。
• 证明基于子图特征的匹配优于基于标量干扰值或特征向量的匹配，即使真实干扰值已知。

提出的方法

• 基于单位在观测网络中的直接连接，为每个单位构建邻域图。
• 通过计数每个单位邻域图中独特的子图（例如三角形、星形）来提取可解释的高维特征。
• 使用监督学习框架从训练子集中学得一组‘重要’子图，以指导匹配过程。
• 应用几乎完全匹配（AME）框架，将处理组单位与在子图特征向量上几乎完全相同的对照组单位进行匹配。
• 使用邻接矩阵差异的弗罗贝尼乌斯范数（允许顶点重排）来度量并评估邻域子图之间的匹配质量。
• 通过在匹配过程中加权单位层面协变量的影响，将方法扩展至包含协变量，同时保持可解释性和性能。

实验结果

研究问题

• RQ1 与现有方法相比，基于邻域图中子图特征的匹配是否能提升网络干扰下的直接处理效应估计？
• RQ2 当已知真实干扰值时，FLAME-Networks 与基于标量干扰值的匹配方法相比，性能如何？
• RQ3 在存在干扰的情况下，单位层面协变量的引入在多大程度上影响处理效应估计的准确性和可解释性？
• RQ4 该方法在多大程度上保持了匹配单位之间局部网络邻域结构相似性的匹配质量？
• RQ5 随着协变量对结果的影响增强，该方法是否仍保持鲁棒性和优越性能？

主要发现

• 与基线方法相比，FLAME-Networks 显著降低了绝对估计误差，在标准设置下中位数误差为 0.34，优于 Naive（0.61）和 Stratified（4.56）等方法。
• 当协变量影响增强时（β = 20 或 25），FLAME-Networks 的中位数误差分别保持在 0.34 和 0.25，而 First Eigenvector 和 All Eigenvectors 等竞争方法的误差则持续上升。
• FLAME-Networks 生成的匹配对在匹配单位的邻域子图之间具有显著更低的平均图距离，优于 All Eigenvectors 方法和基于真实干扰值的匹配。
• 在 ER(50, 0.07) 网络和加法性干扰的模拟中，FLAME-Networks 的平均图距离低于所有竞争方法，图 11 中的虚线表明其在中位数性能上的优越性。
• 即使使用真实干扰值作为匹配标准，FLAME-Networks 仍优于该基准，因其学习到的更具信息量且可解释的子图特征能更好地捕捉干扰模式。
• 该方法在不同协变量影响水平下均保持鲁棒性和可解释性，性能未出现退化，而依赖不可解释或信息量较少特征的方法则表现不佳。