[论文解读] Propensity score methodology in the presence of network entanglement between treatments

Panos Toulis, Alexander Volfovsky+1 more|arXiv (Cornell University)|Jan 22, 2018

Advanced Causal Inference Techniques参考文献 18被引用 9

一句话总结

本文提出了一种新颖的因果推断框架，用于处理具有纠缠处理的观察性研究——即个体单位的处理依赖于网络层面的变化。研究证明，经典倾向得分方法因忽略处理纠缠而产生严重偏差。作者提出了一种校正后的倾向得分估计方法，通过在网络演化上进行边缘化，显著降低了因果效应估计中的偏差。

ABSTRACT

In experimental design and causal inference, it may happen that the treatment is not defined on individual experimental units, but rather on pairs or, more generally, on groups of units. For example, teachers may choose pairs of students who do not know each other to teach a new curriculum; regulators might allow or disallow merging of firms, and biologists may introduce or inhibit interactions between genes or proteins. In this paper, we formalize this experimental setting, and we refer to the individual treatments in such setting as entangled treatments. We then consider the special case where individual treatments depend on a common population quantity, and develop theory and methodology to deal with this case. In our target applications, the common population quantity is a network, and the individual treatments are defined as functions of the change in the network between two specific time points. Our focus is on estimating the causal effect of entangled treatments in observational studies where entangled treatments are endogenous and cannot be directly manipulated. When treatment cannot be manipulated, be it entangled or not, it is necessary to account for the treatment assignment mechanism to avoid selection bias, commonly through a propensity score methodology. In this paper, we quantify the extent to which classical propensity score methodology ignores treatment entanglement, and characterize the bias in the estimated causal effects. To characterize such bias we introduce a novel similarity function between propensity score models, and a practical approximation of it, which we use to quantify model misspecification of propensity scores due to entanglement. One solution to avoid the bias in the presence of entangled treatments is to model the change in the network, directly, and calculate an individual unit's propensity score by averaging treatment assignments over this change.

研究动机与目标

• 解决由于时间点之间网络变化导致处理纠缠时，因果推断缺乏方法论工具的问题。
• 识别并量化经典倾向得分方法在忽略处理纠缠时引入的偏差。
• 开发一种新的倾向得分模型之间相似性的度量方法，以评估因纠缠导致的模型误设。
• 提出一种模块化、具备网络感知能力的倾向得分方法论，通过考虑网络演化以实现无偏的因果估计。
• 区分处理纠缠与干扰，明确指出纠缠影响的是处理分配，而不仅仅是结果。

提出的方法

• 将纠缠处理定义为在两个时间点之间依赖于网络变化的个体处理。
• 引入一种新颖的倾向得分模型之间相似性的函数，以量化因纠缠导致的模型误设。
• 提出该相似性函数的实用近似方法，以在实践中评估模型误设。
• 开发一种通过在处理期间网络变化分布上进行边缘化来计算个体单位倾向得分的方法。
• 在标准倾向得分框架（例如，分层法）中应用该方法，而无需改变下游分析步骤。
• 使用内积模型和二元网络模型来形式化网络演化，并推导所提方法的理论性质。

实验结果

研究问题

• RQ1 当由于网络变化导致处理纠缠时，经典倾向得分方法在何处失效？
• RQ2 在标准倾向得分方法下，处理纠缠在多大程度上导致因果效应估计的偏差？
• RQ3 倾向得分模型之间的相似性度量能否有效量化因纠缠导致的误设？
• RQ4 在模拟环境中，所提出的网络感知倾向得分方法相比经典方法如何显著降低偏差？
• RQ5 所提方法在不同网络结构和纠缠机制下的理论与实证表现如何？

主要发现

• 理论分析与模拟结果表明，当忽略处理纠缠时，经典倾向得分方法会产生严重偏差的因果估计。
• 真实倾向得分模型与经典倾向得分模型之间的相似性可能极差，尤其是在网络变化方差较大时，导致推断无效。
• 在具有概率性纠缠的模拟中，误设模型的均方误差从 57.01（σ=2.0）降至 0.51（σ=0.0312），而真实模型保持稳定，表明模型误设随网络不确定性增加而恶化。
• 当网络变化对称且方差较低（σ²→0）时，误设模型的表现几乎与真实模型相当，证实纠缠是偏差的主要来源。
• 所提方法通过在网络演化上进行边缘化，显著降低了偏差，并在所有模拟设置中提高了估计精度。
• 该方法具有模块化特性，可适应多种网络模型和处理纠缠的定义，因此在基于网络的因果推断问题中具有广泛适用性。