[论文解读] Exact P-values for Network Interference

Susan Athey, Dean Eckles+1 more|arXiv (Cornell University)|Jun 5, 2015

Advanced Causal Inference Techniques参考文献 21被引用 4

一句话总结

本文通过构建一个使原假设变为精确的虚拟实验，为网络干扰实验中的非精确零假设开发了精确的p值，从而实现了有效的随机化推断。该方法提供了针对基于距离、边类别或同伴效应异质性的溢出限制的精确p值，纠正了先前研究中存在缺陷的渐近近似方法。

ABSTRACT

We study the calculation of exact p-values for a large class of non-sharp null hypotheses about treatment effects in a setting with data from experiments involving members of a single connected network. The class includes null hypotheses that limit the effect of one unit's treatment status on another according to the distance between units; for example, the hypothesis might specify that the treatment status of immediate neighbors has no effect, or that units more than two edges away have no effect. We also consider hypotheses concerning the validity of sparsification of a network (for example based on the strength of ties) and hypotheses restricting heterogeneity in peer effects (so that, for example, only the number or fraction treated among neighboring units matters). Our general approach is to define an artificial experiment, such that the null hypothesis that was not sharp for the original experiment is sharp for the artificial experiment, and such that the randomization analysis for the artificial experiment is validated by the design of the original experiment.

研究动机与目标

• 解决在处理溢出依赖于网络距离或边结构的网络干扰实验中，缺乏针对非精确零假设的精确p值的问题。
• 纠正低估第一类错误率的有缺陷的渐近推断方法，例如Bond等人（2012）中错误的方差假设。
• 在仅将溢出限制于特定距离内的邻居、特定边类别或同质同伴效应的假设下，实现有效的随机化推断。
• 将随机化推断推广至复杂的干扰结构，而无需依赖大样本近似或强参数假设。

提出的方法

• 构建一个虚拟实验，使原始的非精确零假设变为精确假设，同时保持原始设计在随机化推断中的有效性。
• 在虚拟实验下定义潜在结果的随机化分布，确保其与原始实验的设计一致。
• 使用潜在结果框架通过网络结构建模干扰，其中边可被分类（如强/弱）或加权。
• 通过计算在虚拟实验下产生与观察值同样极端检验统计量的随机化比例，推导出精确p值。
• 将该方法应用于三类零假设：基于距离的溢出、边类别限制和同伴效应异质性。
• 基于零假设下残差与预期受 treatment 的邻居数量之间的协方差，推导出得分检验统计量，确保在虚拟设计下具有精确性。

实验结果

研究问题

• RQ1 能否为单个连通网络中关于处理溢出的非精确零假设计算精确p值？
• RQ2 在仅邻近邻居（或k步内邻居）影响结果的假设下，正确的随机化分布是什么？
• RQ3 如何检验网络稀疏化（例如，移除弱连接）是否会使‘超出阈值无溢出’的假设失效？
• RQ4 在将同伴效应限制为受 treatment 的邻居数量或比例的假设下，正确的检验统计量和抽样分布是什么？
• RQ5 为何标准渐近方法（如Bond等人（2012）中的方法）在网络干扰设置中会导致第一类错误率膨胀？

主要发现

• Bond等人（2012）中错误的方差假设（将检验统计量的方差视为0.5）导致在零假设下第一类错误率为0.157，而非名义上的0.05。
• 模拟研究证实了这一错误率膨胀，拒绝率为0.153（95%置信区间：0.144–0.163），与理论值高度吻合。
• 所提出的方法通过构建使零假设变为精确的虚拟实验，生成了精确p值，确保了有效随机化推断。
• 得分检验统计量与零假设下残差和受 treatment 邻居数量之间的协方差成正比，为同伴效应提供了稳健且精确的检验。
• 该方法可普遍应用于基于距离、边类别或同伴效应异质性限制干扰的假设，无需依赖大样本近似。
• 该方法纠正了先前渐近方法中的偏差，特别是在存在强网络依赖性和不可忽略溢出的场景中。