[论文解读] Causal Inference Under Interference And Network Uncertainty

Rohit Bhattacharya, Daniel Malinsky+1 more|PubMed|Jun 29, 2019

Bayesian Modeling and Causal Inference参考文献 38被引用 16

一句话总结

本文提出了一种在干扰存在且网络结构不确定时进行因果推断的基于评分的结构学习方法。通过使用伪似然法学习稀疏、数据驱动的依赖网络，并结合自动 g-计算进行效应估计，该方法相比假设完整网络结构，能有效降低偏差和方差，尤其在真实网络结构可恢复时效果更优。

ABSTRACT

Classical causal and statistical inference methods typically assume the observed data consists of independent realizations. However, in many applications this assumption is inappropriate due to a network of dependences between units in the data. Methods for estimating causal effects have been developed in the setting where the structure of dependence between units is known exactly [10, 36, 20], but in practice there is often substantial uncertainty about the precise network structure. This is true, for example, in trial data drawn from vulnerable communities where social ties are difficult to query directly. In this paper we combine techniques from the structure learning and interference literatures in causal inference, proposing a general method for estimating causal effects under data dependence when the structure of this dependence is not known a priori. We demonstrate the utility of our method on synthetic datasets which exhibit network dependence.

研究动机与目标

• 解决在单位间存在干扰且单位间网络结构未知或部分可观测的因果推断问题。
• 通过学习真实潜在网络结构而非假设完整或无信息依赖关系，降低因果效应估计的偏差与方差。
• 将基于评分的模型选择方法从DAG推广至部分干扰下的链图（chain graphs），实现在不确定性下的高效推断。
• 证明所学习的稀疏网络在估计总体平均结果效应（PAOE）方面优于完全无信息的完整图。
• 实现对脆弱或匿名化人群真实世界数据中难以重建社会关系的实用因果推断。

提出的方法

• 使用基于伪似然的评分函数，学习在干扰条件下单位间依赖网络的结构。
• 应用局部搜索算法探索链图（CG）模型的空间，偏好在拟合度与复杂度之间取得平衡的稀疏结构。
• 采用异质性程序建模各区块内特定的网络结构，同时使用同质性程序捕捉区块间共享的网络模式。
• 将学习到的网络结构与自动 g-计算结合用于因果效应估计，利用吉布斯抽样进行后验推断。
• 通过自助法（1000次或8次运行）评估在多个网络实现下效应估计的偏差与方差。
• 使用精确率与召回率指标评估在已知真实网络拓扑的合成数据上的结构学习性能。

实验结果

研究问题

• RQ1 在存在干扰的情况下，通过学习潜在网络结构而非假设完整图，能否改善因果效应估计？
• RQ2 网络结构的不确定性如何影响总体平均结果效应（PAOE）估计中的偏差与方差？
• RQ3 与使用完全无信息的完整图相比，结构学习在多大程度上降低了估计误差？
• RQ4 利用网络结构中的同质性是否能提升因果效应估计的性能？
• RQ5 当网络结构被错误指定（如使用打乱或错误的邻接矩阵）时，所提方法的稳健性如何？

主要发现

• 基于学习网络结构的因果效应估计，其偏差与完整图假设下的估计相当或更低，当真实网络被准确恢复时偏差最小。
• 与完整图基线相比，使用学习到的稀疏网络可一致降低效应估计的方差，尤其在同质性网络假设下效果更显著。
• 在区块大小为4和8时，异质性程序分别实现0.009和0.007的偏差，方差低于1e-4，两项指标均优于完整图。
• 在更大网络中（区块大小为16和32），同质性程序实现最低0.002的偏差（大小为32时）和7.6e-6的方差，显著低于完整图基线。
• 使用错误或打乱的网络结构导致约0.06的偏差，比基于学习或完整图的估计高出一个数量级。
• 结构学习算法在合成实验中实现了高精确率与高召回率，表明能有效恢复真实网络拓扑。