[论文解读] Random Graph Asymptotics for Treatment Effect Estimation under Network Interference

Shuangning Li, Stefan Wager|arXiv (Cornell University)|Jul 27, 2020

Advanced Causal Inference Techniques参考文献 31被引用 11

一句话总结

本文通过将暴露图建模为未知图函数（graphon）的实现，为网络干扰下的因果推断发展了随机图渐近理论。相较于以往结果，该方法在更弱的稀疏性假设下建立了直接效应估计量的渐近正态性，并提出了间接效应的一致估计量——此前在基于随机化的推断中尚不可行——从而实现了对随机化实验中干扰效应的实际敏感性分析。

ABSTRACT

The network interference model for causal inference places all experimental units at the vertices of an undirected exposure graph, such that treatment assigned to one unit may affect the outcome of another unit if and only if these two units are connected by an edge. This model has recently gained popularity as means of incorporating interference effects into the Neyman--Rubin potential outcomes framework; and several authors have considered estimation of various causal targets, including the direct and indirect effects of treatment. In this paper, we consider large-sample asymptotics for treatment effect estimation under network interference in a setting where the exposure graph is a random draw from a graphon. When targeting the direct effect, we show that -- in our setting -- popular estimators are considerably more accurate than existing results suggest, and provide a central limit theorem in terms of moments of the graphon. Meanwhile, when targeting the indirect effect, we leverage our generative assumptions to propose a consistent estimator in a setting where no other consistent estimators are currently available. We also show how our results can be used to conduct a practical assessment of the sensitivity of randomized study inference to potential interference effects. Overall, our results highlight the promise of random graph asymptotics in understanding the practicality and limits of causal inference under network interference.

研究动机与目标

• 为解决基于随机化的推断在网络干扰情境下的局限性，即要求在所有图上保持一致有效性，且在典型情况下可能统计功效不足。
• 通过假设干扰图是从图函数中随机抽取的，建立更易处理的渐近框架，从而实现更强的有限样本保证。
• 在目前尚无此类估计量的设定下，提供间接处理效应的一致估计量。
• 利用所提出的渐近框架，实现对随机化研究中干扰效应的实际敏感性分析。

提出的方法

• 将干扰图建模为从未知图函数生成的随机图，假设图函数和潜在结果满足交换性和正则性条件。
• 采用Neyman-Rubin潜在结果框架，并施加暴露约束：结果仅依赖于图中相连单位的处理情况。
• 通过分析图函数的矩，推导出直接效应估计量的中心极限定理，证明在弱于以往结果的稀疏性条件下仍具有渐近正态性。
• 提出一种基于图函数结构的新型间接效应估计量，利用生成模型确保一致性，而现有方法在此类情形下失效。
• 在干扰条件下，证明了Hájek估计量的插补方差估计量的一致性，表明其在正则性条件下收敛于渐近方差。
• 将该框架应用于敏感性分析，使研究者能够评估在潜在干扰结构下推断结果的变化。

实验结果

研究问题

• RQ1 与传统的随机化推断相比，随机图渐近理论是否能提升网络干扰下处理效应估计的准确性和统计功效？
• RQ2 在何种图函数条件下，直接效应估计量具有渐近正态性？该条件如何放宽了先前的稀疏性假设？
• RQ3 在基于随机化的框架中尚无此类估计量的设定下，是否可能在网络干扰下构建间接效应的一致估计量？
• RQ4 如何利用所提出的渐近框架评估随机化研究推断对未观测干扰的敏感性？

主要发现

• 在图函数模型下，即使对于比以往结果所允许更密集的图，直接效应估计量仍具有渐近正态性，其收敛性由图函数的矩决定。
• 所提出的方差估计量对渐近方差具有一致性，在正则性条件下以概率收敛于 π(1−π)V₀ + σ₀²。
• 构建了间接效应的一致估计量，这是在给定模型假设下文献中的首个此类方法。
• 该框架使研究人员能够对随机化实验中的干扰效应进行实际敏感性分析，量化不同干扰结构下推断结果的变化。
• 结果表明，随机图渐近理论在典型干扰设定下，可提供显著强于随机化推断的有限样本保证。