[论文解读] Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects

Hyunseung Kang, Guido W. Imbens|arXiv (Cornell University)|Sep 14, 2016

Advanced Causal Inference Techniques参考文献 33被引用 23

一句话总结

本文提出了一种同伴鼓励设计——一种在存在部分干扰和非合规性情况下的网络化环境中进行因果推断的新型实验框架。通过利用个性化鼓励和工具变量，该方法实现了对局部平均网络效应的点识别，克服了在治疗依从性不完美时传统两阶段随机化方法的局限性。

ABSTRACT

In non-network settings, encouragement designs have been widely used to analyze causal effects of a treatment, policy, or intervention on an outcome of interest when randomizing the treatment was considered impractical or when compliance to treatment cannot be perfectly enforced. Unfortunately, such questions related to treatment compliance have received less attention in network settings and the most well-studied experimental design in networks, the two-stage randomization design, requires perfect compliance with treatment. The paper proposes a new experimental design called peer encouragement design to study network treatment effects when enforcing treatment randomization is not feasible. The key idea in peer encouragement design is the idea of personalized encouragement, which allows point-identification of familiar estimands in the encouragement design literature. The paper also defines new causal estimands, local average network effects, that can be identified under the new design and analyzes the effect of non-compliance behavior in randomized experiments on networks.

研究动机与目标

• 解决在治疗随机化和完全依从不可行时，研究网络环境中治疗效应的实验设计缺乏的问题。
• 将非网络环境中鼓励设计的原理扩展到存在部分干扰的网络环境。
• 在非合规性和干扰条件下，定义并识别新的因果 estimands——局部平均网络效应。
• 解决Sobel（2006）所指出的标准工具变量估计器（如Wald、TSLS）在存在干扰的网络环境中失效的问题。
• 提供一种框架，即使个体未完全遵守治疗分配，也能确保因果效应的点识别。

提出的方法

• 提出一种同伴鼓励设计，其中个体根据同伴行为被随机鼓励采用治疗，从而实现间接随机化。
• 使用个性化鼓励以引发治疗接受度的差异，从而通过工具变量方法识别因果效应。
• 定义新的 estimands：局部平均网络效应（LNT），用于捕捉网络环境中遵从者群体的平均治疗效应。
• 应用排除限制和单调性假设，以确保在干扰条件下 estimands 的有效识别。
• 推导出块级 estimands（如DITT、PITT、LDT、LPT），并通过网络块的平均化实现其识别。
• 使用潜在结果框架与特定于网络的反事实模型，以模拟溢出效应和同伴效应。

实验结果

研究问题

• RQ1 能否将工具变量方法适应于在存在部分干扰和非合规性的网络环境中识别因果效应？
• RQ2 在考虑网络溢出效应和非合规性的同伴鼓励设计下，可以识别出哪些新的因果 estimands？
• RQ3 非合规性如何影响网络实验中意向治疗（ITT） estimands 的有效性？
• RQ4 在存在干扰的情况下，局部平均网络效应在何种条件下可实现点识别？
• RQ5 当标准两阶段随机化因非合规性而失效时，个性化鼓励能否实现因果效应的识别？

主要发现

• 同伴鼓励设计在排除限制、单调性和个性化鼓励的条件下，能够实现对局部平均网络效应（LNT）的点识别。
• Sobel（2006）指出，标准Wald估计器和TSLS在存在干扰的网络环境中无法识别因果效应，但所提出的设计克服了这一局限。
• 如Sobel（2006）的定理2和定理4所证明，意向治疗（ITT） estimands 在干扰条件下不再有效，本文通过定义新的 estimands 解决了该问题。
• 通过块平均化和基于依从性的加权，本文建立了对DITT（直接意向治疗）、PITT（潜在意向治疗）、LDT（局部直接治疗）和LPT（局部潜在治疗）效应的识别。
• 在单边依从条件下，控制组遵从者的PITT估计器简化为LPT估计器，从而实现了对非遵从者群体治疗效应的识别。
• 该识别策略依赖于排除限制和单调性，确保鼓励仅通过治疗接受度影响结果，而非直接作用于结果。