[论文解读] Identification and estimation of treatment and interference effects in observational studies on networks

Laura Forastiere, Edoardo M. Airoldi+1 more|arXiv (Cornell University)|Sep 20, 2016

Advanced Causal Inference Techniques被引用 4

一句话总结

本文提出了一种新框架，用于在观测网络研究中识别和估计处理效应与干扰效应，其中个体的结果不仅取决于自身的处理，还取决于其邻居的处理。该研究引入了扩展的无偏性假设和广义倾向得分方法，以调整个体水平和邻里水平的混杂因素，从而在存在干扰的情况下实现有效的因果推断。

ABSTRACT

Causal inference on a population of units connected through a network often presents technical challenges, including how to account for interference. In the presence of local interference, for instance, potential outcomes of a unit depend on its treatment as well as on the treatments of other local units, such as its neighbors according to the network. In observational studies, a further complication is that the typical unconfoundedness assumption must be extended - say, to include the treatment of neighbors, and indi- vidual and neighborhood covariates - to guarantee identification and valid inference. Here, we propose new estimands that define treatment and interference effects. We then derive analytical expressions for the bias of a naive estimator that wrongly assumes away interference. The bias depends on the level of interference but also on the degree of association between individual and neighborhood treatments. We propose an extended unconfoundedness assumption that accounts for interference, and we develop new covariate-adjustment methods that lead to valid estimates of treatment and interference effects in observational studies on networks. Estimation is based on a generalized propensity score that balances individual and neighborhood covariates across units under different levels of individual treatment and of exposure to neighbors' treatment. We carry out simulations, calibrated using friendship networks and covariates in a nationally representative longitudinal study of adolescents in grades 7-12, in the United States, to explore finite-sample performance in different realistic settings.

研究动机与目标

• 解决网络因果推断中的干扰问题，其中个体的结果取决于其自身及其邻居的处理。
• 通过将标准无偏性假设扩展至包含邻居处理，克服观测研究中标准无偏性假设的局限性。
• 提出一个新的 estimand，以在具有网络结构的单位中分离处理效应与干扰效应。
• 提出一种广义倾向得分方法，以在不同处理暴露水平下平衡个体与邻里协变量。
• 通过基于真实青少年友谊网络校准的模拟，实现在现实网络环境下的因果效应有效估计。

提出的方法

• 提出一个新的 estimand，通过区分个体处理与邻居处理暴露，来定义处理效应与干扰效应。
• 提出一种扩展的无偏性假设，包含个体处理、邻里处理以及个体与邻里协变量。
• 推导出忽略干扰的朴素估计量的偏差的解析表达式，显示其对干扰水平和处理关联性的依赖。
• 开发一种广义倾向得分，以在不同个体处理水平和邻居处理暴露水平下平衡个体与邻里协变量。
• 基于广义倾向得分使用逆概率加权法来估计处理效应与干扰效应。
• 使用来自美国全国代表性纵向研究（7–12年级青少年）的实证数据校准模拟，该研究包含真实的友谊网络与协变量。

实验结果

研究问题

• RQ1 如何在观测网络研究中正式定义并识别处理效应与干扰效应？
• RQ2 在具有网络结构的设定下，忽略干扰的标准估计量的偏差是什么？
• RQ3 如何将无偏性假设扩展以在观测网络数据中考虑干扰？
• RQ4 在存在网络依赖的情况下，哪些协变量调整方法对估计处理效应与干扰效应有效？
• RQ5 在具有现实网络结构与协变量结构的有限样本中，所提出的方法表现如何？

主要发现

• 忽略干扰的朴素估计量的偏差取决于干扰水平以及个体处理与邻里处理之间的关联程度。
• 所提出的扩展无偏性假设能够在网络干扰条件下实现处理效应与干扰效应的识别。
• 广义倾向得分方法成功地在不同处理暴露水平下平衡了个体与邻里协变量，从而提高了估计精度。
• 基于真实青少年友谊网络校准的模拟显示，所提出方法在有限样本中降低了偏差并改善了覆盖区间。
• 该方法对纵向调查数据中观察到的真实网络结构与协变量依赖关系具有鲁棒性。
• 该框架使得在具有网络结构的观测研究中对直接处理效应与干扰效应进行有效推断成为可能。