[论文解读] Estimating Average Causal Effects Under Interference Between Units

Peter M. Aronow, Cyrus Samii|arXiv (Cornell University)|Jan 1, 2015

Advanced Causal Inference Techniques参考文献 51被引用 31

一句话总结

本文提出了一种基于随机化的框架，用于在存在干扰的实验中估计平均因果效应，采用逆概率加权和考虑复杂聚类的方差估计器。在局部依赖假设下，该方法建立了的一致性和渐近正态性，使得在社交网络等单位相互影响的情境下能够进行有效的推断。

ABSTRACT

This paper presents a randomization-based framework for estimating causal effects under interference between units. The framework integrates three components: (i) an experimental design that defines the probability distribution of treatment assignments, (ii) a mapping that relates experimental treatment assignments to exposures received by units in the experiment, and (iii) estimands that make use of the experiment to answer questions of substantive interest. Using this framework, we develop the case of estimating average unit-level causal effects from a randomized experiment with interference of arbitrary but known form. The resulting estimators are based on inverse probability weighting. We provide randomization-based variance estimators that account for the complex clustering that can occur when interference is present. We also establish consistency and asymptotic normality under local dependence assumptions. We discuss refinements including covariate-adjusted effect estimators and ratio estimation. We illustrate and assess empirical performance with a naturalistic simulation using network data from American high schools.

研究动机与目标

• 解决随机化实验中因单位间干扰导致的挑战，即一个单位的处理会影响其他单位的结果。
• 开发一个统一的框架，整合实验设计、暴露映射和因果推断下的 estimands，以应对干扰。
• 提供能够考虑干扰引起的聚类的可靠方差估计器。
• 在局部依赖假设下，确保估计量的一致性和渐近正态性。
• 通过协变量调整和比率估计技术提高估计效率。

提出的方法

• 该框架采用基于随机化的方法定义处理分配概率，确保在已知干扰结构下实现有效的推断。
• 它将处理分配映射到单位实际接收到的暴露，通过已知的暴露映射来考虑干扰。
• 利用逆概率加权构造估计量，以调整在干扰下暴露概率不均等的问题。
• 基于随机化方法推导方差估计器，以考虑由干扰引起的复杂聚类模式。
• 该方法假设局部依赖，即单位的潜在结果仅依赖于有限邻域内的处理。
• 应用协变量调整和比率估计以提高因果效应估计的精度和效率。

实验结果

研究问题

• RQ1 在存在单位间干扰的随机化实验中，如何一致地估计平均因果效应？
• RQ2 干扰对因果估计量的方差结构有何影响，如何正确地加以调整？
• RQ3 在具有已知结构的干扰下，逆概率加权能否产生一致且渐近正态的估计量？
• RQ4 协变量调整和比率估计如何提高在干扰下因果效应估计的效率？
• RQ5 所提出的框架在真实网络场景（如美国高中社交网络）中的表现如何？

主要发现

• 在局部依赖假设下，所提出的估计量具有一致性和渐近正态性，确保了大样本推断的有效性。
• 基于随机化的方差估计器能有效考虑由干扰引起的聚类，从而提高推断的准确性。
• 逆概率加权在干扰存在的情况下成功调整了不均等的暴露概率。
• 协变量调整后的估计量和比率估计显著提高了估计的精确度，降低了均方误差。
• 该框架在使用美国高中社交网络数据进行的自然实验模拟中表现良好，显示出稳健的实证性能。