[论文解读] Modeling Interference Via Symmetric Treatment Decomposition

Ilya Shpitser, Park, Chan+2 more|arXiv (Cornell University)|Sep 4, 2017

Advanced Causal Inference Techniques参考文献 24被引用 7

一句话总结

本文提出一种对称处理分解方法，用于在传统因果排序缺失的干扰情境中建模溢出效应。通过将Robins和Richardson的中介框架扩展至对称的均衡模型，该方法实现了在成对或网络化系统中对直接效应和间接效应的识别与估计，经模拟验证并应用于家庭数据中教育对抑郁影响的实证研究。

ABSTRACT

Classical causal inference assumes treatments meant for a given unit do not have an effect on other units. This assumption is violated in interference problems, where new types of spillover causal effects arise, and causal inference becomes much more difficult. In addition, interference introduces a unique complication where variables may transmit treatment influences to each other, which is a relationship that has some features of a causal one, but is symmetric. In this paper, we develop a new approach to decomposing the spillover effect into unit-specific components that extends the DAG based treatment decomposition approach to mediation of Robins and Richardson to causal models that admit stable symmetric relationships among variables in a network. We discuss two interpretations of such models: a network structural model interpretation, and an interpretation based on equilibrium of structural equation models discussed in (Lauritzen and Richardson, 2002). We show that both interpretations yield identical identification theory, and give conditions for components of the spillover effect to be identified. We discuss statistical inference for identified components of the spillover effect, including a maximum likelihood estimator, and a doubly robust estimator for the special case of two interacting outcomes. We verify consistency and robustness of our estimators via a simulation study, and illustrate our method by assessing the causal effect of education attainment on depressive symptoms using the data on households from the Wisconsin Longitudinal Study.

研究动机与目标

• 解决在处理影响多个单位、违反稳定单位处理值假设（SUTVA）的干扰情境下的因果推断挑战。
• 克服传统基于DAG的方法的局限性，这些方法要求单位之间存在因果排序，而此类排序在对称干扰情形中通常不存在。
• 开发一种框架，即使结果相互依赖且对称关联，也能将溢出效应分解为单位特定的组成部分（直接效应与间接效应）。
• 利用最大似然估计和双重稳健估计器，实现对这些组成部分的统计推断，尤其适用于存在两个相互作用结果的情境。
• 使用威斯康星州长期调查数据进行实证验证，评估教育对已婚夫妇抑郁症状的因果效应。

提出的方法

• 将中介分析中的处理分解方法（Robins & Richardson, 2010）对称推广至具有均衡反馈的干扰模型。
• 使用结构方程建模干扰，允许结果之间存在稳定的对称依赖关系，通过链图或图模型表示。
• 即使缺乏因果顺序，也定义单位特定的溢出效应组成部分为直接效应（暴露于处理）和间接效应（通过其他单位中介）。
• 在允许对称关系和均衡过程的半参数模型下，推导这些组成部分的识别条件。
• 针对两个相互作用结果的特殊情况（如成对数据），实现最大似然估计器和双重稳健估计器。
• 使用潜在结果和反事实定义因果效应，估计器基于条件预测概率和优势比，以建模给定协变量下结果之间的依赖关系。

实验结果

研究问题

• RQ1 当单位之间不存在自然因果排序时，如何有意义地将溢出效应分解为直接和间接组成部分？
• RQ2 在具有均衡反馈的对称干扰模型中，何种条件可实现单位特定溢出效应组成部分的识别？
• RQ3 能否在具有两个相互作用结果的成对干扰情境中，为直接效应和间接效应构建双重稳健估计器？
• RQ4 所提出的估计器在有限样本中的表现如何？其对模型误设的稳健性如何？
• RQ5 在考虑家庭内部溢出效应的情况下，教育水平对已婚夫妇抑郁症状的因果效应是什么？

主要发现

• 所提出的对称处理分解方法可在无需单位间因果排序的情况下，识别干扰模型中的直接效应与间接效应。
• 该方法在允许结果间对称、基于均衡的依赖关系的半参数模型下，识别出单位特定的溢出效应组成部分。
• 直接效应的双重稳健估计器得到非DR估计值为 -0.049（95% 置信区间：-0.103, -0.002），表明教育对抑郁症状具有微弱但显著的负向直接效应。
• 间接效应估计值为 0.008（95% 置信区间：-0.035, 0.055），表明通过配偶教育产生的间接效应微弱且不显著。
• 模拟研究证实，即使在模型误设情况下，估计器仍保持一致且稳健，尤其在双重稳健方法中表现更优。
• 对威斯康星州长期调查数据的实证应用表明，教育水平对个体抑郁症状具有微弱但有意义的直接降低效应，通过配偶产生的间接溢出效应极小。