[论文解读] Average Treatment Effects in the Presence of Interference

Yu‐Chen Hu, Shuangning Li+1 more|arXiv (Cornell University)|Apr 8, 2021

Advanced Causal Inference Techniques参考文献 17被引用 7

一句话总结

本文在存在干扰的情况下，提出了一种非参数化的平均间接处理效应定义，类似于标准的直接效应。它建立了一个普遍分解定理，表明直接效应与间接效应之和等于总政策干预效应，提供了一个稳健、模型无关的可估量统计量，适用于常见的参数化干扰模型。

ABSTRACT

We propose a definition for the average indirect effect of a binary treatment in the potential outcomes model for causal inference. Our definition is analogous to the standard definition of the average direct effect, and can be expressed without needing to compare outcomes across multiple randomized experiments. We show that the proposed indirect effect satisfies a universal decomposition theorem, whereby the sum of the average direct and indirect effects always corresponds to the average effect of a policy intervention. We also consider a number of parametric models for interference considered by applied researchers, and find that our (non-parametrically defined) indirect effect remains a natural estimand when re-expressed in the context of these models.

研究动机与目标

• 在单位之间存在干扰的情况下，定义一个有意义的平均间接效应。
• 开发一种无需在多个随机化实验之间进行比较的定义。
• 建立总处理效应到直接与间接分量的普遍分解。
• 确保当在常见的干扰参数模型中表达时，间接效应仍为一个自然的可估量统计量。
• 提供一个理论基础坚实、非参数化的间接效应框架，适用于不同建模假设下的稳健分析。

提出的方法

• 基于干扰下的潜在结果，提出一种新的平均间接效应定义。
• 推导出一个普遍分解定理，表明总平均处理效应等于直接效应与间接效应之和。
• 使用潜在结果框架，定义在不同单位处理配置下的反事实结果。
• 证明当在干扰的参数模型中重新表达时，间接效应仍保持良好定义且可解释。
• 在无需额外实验比较的前提下，确保间接效应定义在各种干扰结构下的一致性。

实验结果

研究问题

• RQ1 在不依赖多个随机化实验的前提下，如何在存在干扰的情况下正式定义平均间接效应？
• RQ2 在存在干扰的情况下，总处理效应是否可普遍分解为直接与间接分量？
• RQ3 当嵌入标准的干扰参数模型时，所提出的间接效应是否为自然且一致的可估量统计量？
• RQ4 在单位相互影响的设定中，间接效应是否可有意义地解释与估计？
• RQ5 在一般干扰机制下，间接效应具有哪些理论性质？

主要发现

• 所提出的平均间接效应为非参数化定义，且无需在多个随机化实验之间进行比较。
• 普遍分解定理成立，确保平均直接效应与间接效应之和等于总平均处理效应。
• 当在常用参数化干扰模型中重新表达时，间接效应仍为有效且可解释的可估量统计量。
• 该框架为在干扰条件下分离直接与间接因果路径提供了理论一致的方法。
• 该方法确保了在各种干扰结构和建模假设下，间接效应定义的一致性。
• 该方法为存在干扰的因果推断提供了统一的基础，增强了可解释性与稳健性。