[论文解读] Optimal model-assisted design of experiments for network correlated outcomes suggests new notions of network balance

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

Advanced Causal Inference Techniques参考文献 22被引用 4

一句话总结

本文通过利用预存网络对结果相关性进行建模，提出了实验中网络相关结果的最优受限随机化设计。通过分析分解最小化均方误差，提出了一种超越经典协变量平衡的新网络平衡准则，实现了无偏、高效的处理分配，在模拟中优于标准方法。

ABSTRACT

We consider the problem of how to assign treatment in a randomized experiment, in which 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. Then we leverage these models to develop restricted randomization strategies for allocating treatment optimally, by minimizing the mean square error of the estimated average treatment effect. Analytical decompositions of the mean square error, due both to the model and to the randomization distribution, provide insights into aspects of the optimal designs. In particular, the analysis suggests new notions of balance based on specific network quantities, in addition to classical covariate balance. The resulting balanced, optimal restricted randomization strategies are still design unbiased, in situations where the model used to derive them does not hold. We illustrate how the proposed treatment allocation strategies improve on allocations that ignore the network structure, with extensive simulations.

研究动机与目标

• 解决结果通过预存网络相关联的实验中处理分配低效的问题。
• 开发基于模型的随机化策略，以最小化平均处理效应估计量的均方误差。
• 提出新颖的基于网络的平衡准则，超越经典协变量平衡。
• 即使假设模型错误，也确保设计无偏性。
• 通过实证结果表明，网络感知设计在模拟研究中优于标准随机化方法。

提出的方法

• 构建一类显式编码潜在结果中网络诱导相关性的模型。
• 将均方误差分解为基于模型和基于随机化的两部分，推导其解析表达式。
• 通过在这些模型下最小化总均方误差，优化处理分配。
• 引入基于网络中心性与结构属性（如度数、特征值）的新平衡度量，作为设计约束。
• 实施受限随机化策略，强制执行这些基于网络的平衡条件。
• 在模型错误设定下，仍保持平均处理效应估计量的设计无偏性。

实验结果

研究问题

• RQ1 当结果通过已知网络相关联时，如何优化处理分配？
• RQ2 在实验设计中对网络相关性建模后，会涌现出哪些新型平衡准则？
• RQ3 与经典设计相比，网络感知随机化能否提升估计效率？
• RQ4 当假设模型错误时，所提出方法如何保持设计无偏性？
• RQ5 在有限样本中，基于网络的平衡准则在多大程度上降低了均方误差？

主要发现

• 所提方法通过在处理分配中利用网络结构，降低了平均处理效应估计量的均方误差。
• 从均方误差分解中自然涌现出新型基于网络的平衡准则，如度数平衡与谱平衡。
• 即使假设模型错误，最优设计仍保持设计无偏，确保稳健性。
• 模拟结果表明，与忽略网络结构的标准随机化相比，估计效率持续提升。
• 解析分解表明，基于模型和基于随机化的误差来源可明确分离并分别最小化。
• 该方法为在实验设计中系统整合网络数据提供了原则性框架，且无需强参数假设。