[论文解读] Elements of estimation theory for causal effects in the presence of network interference

Daniel L. Sussman, Edoardo M. Airoldi|arXiv (Cornell University)|Feb 12, 2017

Distributed Sensor Networks and Detection Algorithms参考文献 3被引用 25

一句话总结

本文针对网络干扰下的因果效应开发了最优估计理论，其中单位的结果取决于其自身及其邻居的处理。通过利用观测到的网络结构并施加排除限制，推导出具有最小综合方差的线性无偏估计量，在模拟中显著提高了标准方法的精度。

ABSTRACT

Randomized experiments in which the treatment of a unit can affect the outcomes of other units are becoming increasingly common in healthcare, economics, and in the social and information sciences. From a causal inference perspective, the typical assumption of no interference becomes untenable in such experiments. In many problems, however, the patterns of interference may be informed by the observation of network connections among the units of analysis. Here, we develop elements of optimal estimation theory for causal effects leveraging an observed network, by assuming that the potential outcomes of an individual depend only on the individual's treatment and on the treatment of the neighbors. We propose a collection of exclusion restrictions on the potential outcomes, and show how subsets of these restrictions lead to various parameterizations. Considering the class of linear unbiased estimators of the average direct treatment effect, we derive conditions on the design that lead to the existence of unbiased estimators, and offer analytical insights on the weights that lead to minimum integrated variance estimators. We illustrate the improved performance of these estimators when compared to more standard biased and unbiased estimators, using simulations.

研究动机与目标

• 解决随机实验中处理效应通过网络传播导致无干扰假设被违反的因果推断挑战。
• 为在已观测网络结构化干扰下估计直接处理效应，构建一个系统化的框架。
• 对潜在结果施加排除限制，以实现对直接效应、间接效应和交互效应的参数化。
• 推导在各种实验设计下，线性无偏估计量存在的条件，用于平均直接处理效应。
• 提出一种新颖的最优性准则——最小综合方差，用于在无偏估计量中进行选择，从而在精度上优于标准方法。

提出的方法

• 假设潜在结果仅依赖于单位自身的处理及其网络邻居的处理，通过网络结构形式化干扰。
• 引入四项结构假设（例如，干扰仅限于邻居，效应可加），并推导这些假设组合下的潜在结果参数化形式。
• 将直接处理效应定义为不同处理分配下潜在结果的对比，其估计量在排除限制下可识别。
• 通过求解基于设计的无偏性条件导出的线性约束系统，推导线性无偏估计量。
• 应用受贝叶斯启发的最小综合方差（MIV）准则，选择无偏估计量的最优权重，以最小化估计量方差。
• 通过模拟研究比较MIVLUE与朴素估计量和标准无偏估计量的性能，证明在干扰条件下均方误差更优。

实验结果

研究问题

• RQ1 在存在网络干扰的情况下，实验设计需满足何种条件，才能使直接处理效应的线性无偏估计量存在？
• RQ2 如何利用潜在结果的排除限制，将因果效应分解为直接效应、间接效应和交互效应？
• RQ3 在存在网络干扰的设定下，最优地加权观测结果以最小化无偏估计量的方差应如何实现？
• RQ4 在有限样本模拟中，所提出的最小综合方差线性无偏估计量（MIVLUE）相较于标准估计量的性能表现如何？
• RQ5 所提出的框架在何种方式下可扩展以处理噪声或不完整的网络观测，或纳入节点或边上的协变量？

主要发现

• 在模拟研究中，所提出的最小综合方差线性无偏估计量（MIVLUE）在存在网络干扰时，其均方误差显著低于标准无偏估计量和朴素有偏估计量。
• 仅在特定设计条件下，无偏估计量才存在，这些条件已作为设计概率空间上的约束被正式推导。
• MIVLUE框架允许选择最优权重，在保持无偏性的同时最小化方差，利用了对处理效应的先验分布。
• 即使网络是真实干扰结构的噪声代理，MIVLUE的表现仍具鲁棒性，但若干扰超出观测网络边的范围，性能会下降。
• 对于大规模网络，可通过重随机化减少设计支持或并行计算协方差矩阵的逆来缓解计算负担。
• 通过按边类型划分处理度或使用结构化先验，可将节点或边协变量纳入框架，尽管这会增加建模复杂度。