[论文解读] Policy Targeting under Network Interference

Davide Viviano|arXiv (Cornell University)|Jun 24, 2019

Advanced Causal Inference Techniques被引用 11

一句话总结

本文提出了一种在存在网络干扰情况下的最优策略靶向方法，其中治疗溢出效应通过社交网络影响结果。该方法利用半参数处理效应估计器，将福利最大化问题建模为混合整数线性规划（MILP），在无需完整网络信息或参数模型假设的前提下，实现了无需完整网络数据或参数模型的福利最大化，并提供了理论上的遗憾保证。

ABSTRACT

This paper studies the problem of optimally allocating treatments in the presence of spillover effects, using information from a (quasi-)experiment. I introduce a method that maximizes the sample analog of average social welfare when spillovers occur. I construct semi-parametric welfare estimators with known and unknown propensity scores and cast the optimization problem into a mixed-integer linear program, which can be solved using off-the-shelf algorithms. I derive a strong set of guarantees on regret, i.e., the difference between the maximum attainable welfare and the welfare evaluated at the estimated policy. The proposed method presents attractive features for applications: (i) it does not require network information of the target population; (ii) it exploits heterogeneity in treatment effects for targeting individuals; (iii) it does not rely on the correct specification of a particular structural model; and (iv) it accommodates constraints on the policy function. An application for targeting information on social networks illustrates the advantages of the method.

研究动机与目标

• 开发一种在社交网络导致溢出效应的情况下实现最优治疗分配的方法。
• 利用有限网络观测的（准）实验数据，最大化平均社会福利。
• 在最小化建模假设的前提下，提供关于遗憾（最优策略与估计策略福利之差）的理论保证。
• 允许对策略函数施加任意约束，例如信息或资源限制。
• 无需依赖完整的群体网络结构，仅依赖采样个体及其邻居的实验数据即可运行。

提出的方法

• 该方法基于（准）实验中观测到的协变量、处理分配以及邻居层面的数据，构建在溢出效应下的潜在结果的半参数估计器。
• 将溢出效应建模为依赖于已处理邻居的数量而非其身份，从而实现对异质处理效应的非参数估计。
• 将福利最大化问题表述为混合整数线性规划（MILP），可使用标准优化算法求解。
• 利用Rademacher复杂度和经验过程理论，推导估计误差的统一界，从而获得遗憾保证。
• 通过双重稳健估计技术处理未知倾向得分，确保在较弱假设下的一致性。
• 该方法对网络不可观测性具有鲁棒性：无需完整的人群网络结构，仅需采样单元及其邻居的数据即可。

实验结果

研究问题

• RQ1 当个体通过网络相互关联且治疗产生溢出效应时，如何最优地靶向治疗？
• RQ2 当完整网络未被观测到时，从实验数据中估计的策略的理论性能保证（遗憾）是什么？
• RQ3 我们能否在不假设溢出效应特定参数模型的前提下，最大化平均社会福利？
• RQ4 如何将实际约束（如预算、信息限制）纳入治疗分配规则？
• RQ5 在存在网络干扰的情况下，所提出的半参数福利估计器在有限样本和渐近性质方面表现如何？

主要发现

• 所提方法实现的遗憾界以 $ O_p(\sqrt{V/n}) $ 的速率衰减，其中 $ V $ 是函数类的复杂度度量，$ n $ 是样本量。
• 该遗憾界在策略空间上一致成立，即使在未观测到总体网络结构的情况下也有效，仅依赖于采样单元及其邻居的实验数据。
• 该方法在无需正确指定溢出效应结构模型的前提下，提供了福利表现的理论保证。
• 它允许对策略函数施加任意约束（如预算限制或信息约束），同时保持遗憾控制。
• 福利的半参数估计器具有双重稳健性，确保在结果模型和倾向得分模型假设较弱时仍具有一致性。
• 该方法计算上是可行的，因为优化问题被表述为可使用现成求解器求解的混合整数线性规划。