[论文解读] Optimal design of experiments in the presence of network-correlated outcomes.

Guillaume Basse, Edoardo M. Airoldi|arXiv (Cornell University)|Jul 3, 2015

Advanced Causal Inference Techniques参考文献 26被引用 11

一句话总结

本文提出了一种在结果通过预存网络相关联的随机实验中实现最优处理分配的策略。通过在潜在结果框架内对网络引起的相关性进行建模，该方法最小化了平均处理效应估计的综合均方误差，显著优于忽略网络结构的标准设计，这一结论通过解析分解和模拟实验得到验证。

ABSTRACT

We consider the problem of how to assign treatment in a randomized experiment, when the correlation among the outcomes is informed by a network available pre-intervention. Working within the potential outcome causal framework, we develop a class of models that posit such a correlation structure among the outcomes, and a strategy for allocating treatment optimally, for the goal of minimizing the integrated mean squared error of the estimated average treatment effect. We provide insights into features of the optimal designs via an analytical decomposition of the mean squared error used for optimization. We illustrate how the proposed treatment allocation strategy improves on allocations that ignore the network structure, with extensive simulations.

研究动机与目标

• 解决在干预前存在网络结构时，随机实验中结果相关性带来的挑战。
• 开发一种显式纳入潜在结果中网络诱导相关性的因果模型。
• 推导出最小化平均处理效应估计器综合均方误差的最优处理分配策略。
• 通过均方误差的解析分解，提供关于设计效率的理论洞见。
• 通过实证结果表明，考虑网络的实验设计优于忽略网络结构的传统设计。

提出的方法

• 形式化了一类模型，通过网络结构的协方差结构编码潜在结果中的网络相关性。
• 应用潜在结果框架，在网络相关性下定义平均处理效应。
• 通过最小化平均处理效应估计器的综合均方误差，推导出最优处理分配规则。
• 采用均方误差的解析分解，揭示网络结构对设计效率的影响。
• 通过模拟研究将所提出的实验设计与标准随机化及其他基线分配方案进行比较。
• 将网络拓扑（如度分布、聚类）作为优化过程的输入。

实验结果

研究问题

• RQ1 结果之间的网络相关性如何影响随机实验中平均处理效应估计的精度？
• RQ2 当结果相关性由干预前的网络提供信息时，最优处理分配规则是什么？
• RQ3 与忽略网络结构的标准随机化相比，所提出的方法如何减少估计误差？
• RQ4 网络特征（如度和聚类）在决定最优设计效率方面发挥什么作用？
• RQ5 均方误差的解析分解能否揭示在存在网络依赖时实验设计的可操作洞见？

主要发现

• 与标准随机化相比，所提出的最优设计显著降低了平均处理效应估计器的综合均方误差。
• 解析分解表明，网络结构影响方差与偏差的权衡，高阶节点的分配需格外谨慎以最小化误差。
• 模拟结果表明，当处理分配考虑网络相关性时，估计精度持续提升，尤其在聚类性强的网络中表现更优。
• 最优分配规则以平衡相连单元的影响方式分配处理，从而减少由依赖引起的估计低效性。
• 在聚类度高且节点度异质性显著的网络中，设计效率的提升最为明显。
• 忽略网络结构即使在标准随机化下也会导致次优的方差减少和更高的估计误差。