[论文解读] Design-Based Inference for Spatial Experiments under Unknown Interference

Ye Wang, Cyrus Samii+2 more|arXiv (Cornell University)|Oct 26, 2020

Advanced Causal Inference Techniques参考文献 21被引用 7

一句话总结

本文针对未知干扰下的空间实验，发展了基于设计的推断方法，引入了平均边际效应（AME）以估计处理效应在空间中的传播。研究建立了渐近分布，提出了基于样本的推断与基于置换的推断方法，并通过模拟实验和森林保护与健康领域的实地实验验证了方法的稳健性。

ABSTRACT

We consider design-based causal inference for spatial experiments in which treatments may have effects that bleed out and feed back in complex ways. Such spatial spillover effects violate the standard ``no interference'' assumption for standard causal inference methods. The complexity of spatial spillover effects also raises the risk of misspecification and bias in model-based analyses. We offer an approach for robust inference in such settings without having to specify a parametric outcome model. We define a spatial ``average marginalized effect'' (AME) that characterizes how, in expectation, units of observation that are a specified distance from an intervention location are affected by treatment at that location, averaging over effects emanating from other intervention nodes. We show that randomization is sufficient for non-parametric identification of the AME even if the nature of interference is unknown. Under mild restrictions on the extent of interference, we establish asymptotic distributions of estimators and provide methods for both sample-theoretic and randomization-based inference. We show conditions under which the AME recovers a structural effect. We illustrate our approach with a simulation study. Then we re-analyze a randomized field experiment and a quasi-experiment on forest conservation, showing how our approach offers robust inference on policy-relevant spillover effects.

研究动机与目标

• 解决处理效应在空间上溢出、违反标准‘无干扰’假设时的空间实验中的因果推断问题。
• 构建一种基于设计的框架，能够处理复杂且重叠的空间干扰，而无需依赖参数模型。
• 定义并估计平均边际效应（AME），以捕捉干预节点不同距离处的期望处理影响。
• 在未知干扰下建立渐近理论及推断程序（基于样本与基于置换）。
• 通过模拟实验和现实世界中的森林保护与健康领域的实地实验，验证该方法的有效性与稳健性。

提出的方法

• 提出平均边际效应（AME）作为政策相关的可衡量指标，定义为在干预节点周围某一距离区间内，对其他干预节点效应进行平均后的期望结果差异。
• 采用基于设计的推断方法——以随机化机制为基础——推导在未知干扰下估计量的渐近分布。
• 实施Horvitz-Thompson与Hajek估计量以估计AME，并在伯努利设计与完全随机化设计下进行偏差校正。
• 应用空间异方差与自相关（HAC）稳健置信区间，以考虑结果方差中的空间依赖性。
• 使用核回归估计量建模距离相关的非线性效应，通过交叉验证选择带宽。
• 在原假设为精确零效应的条件下，采用基于置换的推断方法评估显著性，无需分布假设。

实验结果

研究问题

• RQ1 当存在且未知干扰时，如何在空间实验中定义有意义的因果可衡量指标？
• RQ2 在未知干扰与复杂空间依赖下，AME估计量的渐近性质如何？
• RQ3 在不同干扰结构下，基于样本与基于置换的推断方法在有限样本中的表现如何？
• RQ4 当忽略空间干扰时，标准估计量（如均值差）在多大程度上会产生偏差？
• RQ5 在现实空间效应函数下，不同估计方法（Hajek、核回归、Horvitz-Thompson）在偏差、均方误差与置信区间覆盖方面的表现如何比较？

主要发现

• AME提供了一种稳健且可解释的可衡量指标，即使在非可加性与复杂干扰下，也能捕捉不同距离处干预节点的平均处理影响。
• 模拟结果显示，Horvitz-Thompson与Hajek估计量偏差较低，尤其在完全随机化设计下表现更优，且Hajek估计量在小样本中性能更佳。
• 空间HAC置信区间在不同样本大小与效应函数下均保持适当的覆盖率，优于在空间依赖下表现不佳的朴素置信区间。
• 核回归估计量能有效捕捉非单调与交互式空间效应，且随着样本量增加，均方误差减小。
• 在精确零假设下基于置换的推断可获得有效的p值与置信区间，且在各类模拟场景下覆盖率接近名义水平。
• 在森林保护应用中，将村庄视为点而非多边形揭示了显著的空间溢出效应，AME估计显示在距离干预节点4–8公里处效应达到峰值，呈现非单调特征。