[论文解读] Using Exposure Mappings as Side Information in Experiments with Interference
本文提出了一种在存在干扰的实验中进行稳健因果推断的方法，通过使用暴露映射作为辅助信息，即使在暴露模型严重误设的情况下也能生成有效的置信区间。该方法引入了非负处理效应假设以实现保守推断，并提出了一个较弱的‘可归因于处理的对比’估计量（CAT），该估计量无需对干扰施加结构假设。
Exposure mappings are widely used to model potential outcomes in the presence of interference, where each unit's outcome may depend not only on its own treatment, but also on the treatment of other units as well. However, in practice these models may be only a crude proxy for social dynamics. In this work, we give estimands and estimators that are robust to the misspecification of an exposure model. In the first part, we require the treatment effect to be nonnegative (or "monotone") in both direct effects and spillovers. In the second part, we consider a weaker estimand ("contrasts attributable to treatment") which makes no restrictions on the interference at all.
研究动机与目标
- 解决随机化实验中单位结果依赖于其他单位处理的干扰问题，这违反了标准的不可忽略性假设。
- 克服现有暴露映射方法的局限性，即要求模型正确指定，这在实践中可能不现实。
- 开发在暴露模型误设时仍保持有效的推断程序，确保在实际网络化实验中的稳健性。
- 提出一个新的估计量——‘可归因于处理的对比’（CAT），避免对干扰机制施加结构假设，仅依赖随机化即可实现推断。
- 提供一种在最小假设下实现保守推断的框架，为建模同伴效应高度不确定或存在争议的场景提供备选方案。
提出的方法
- 基于处理与对照下潜在结果之间的对比，提出一个新的估计量 τ^ZCAT，该估计量对暴露模型误设具有稳健性。
- 使用基于随机化的推断方法，为 τ^ZCAT 推导置信区间，而无需正确指定暴露模型。
- 对处理效应（直接效应与溢出效应）引入非负性假设，以在温和正则条件下确保保守推断。
- 利用变换后设计矩阵的最大特征值来界定检验统计量的方差，从而实现有限样本置信区域。
- 将该方法应用于模拟数据和真实世界数据（如 Facebook 投票实验），以证明其经验有效性。
- 采用伯努利随机化分配处理，并在弱依赖假设下推导估计量的渐近集中性边界。
实验结果
研究问题
- RQ1当暴露模型误设时，如何在具有网络结构的实验中实现有效的因果推断？
- RQ2在不假设特定干扰机制的情况下，可使用何种估计量来估计干扰下的处理效应？
- RQ3能否仅基于随机化和暴露映射，构建不依赖于正确暴露模型指定的保守置信区间？
- RQ4在一般干扰结构下，所提出的估计量的有限样本性质如何？
- RQ5与传统的基于暴露模型的方法相比，该方法在稳健性和保守性方面表现如何？
主要发现
- 在 Facebook 投票实验中，所提出的估计量 τ^ZCAT 的 95% 置信区间为 [2.06%, 2.26%]，表明处理效应显著，且无需对干扰机制做任何假设。
- 在非负性假设下，该方法生成的置信区间具有保守性，即使暴露模型误设，其有效性依然成立。
- 即使在复杂的干扰模式下，该方法也能确保真实处理效应落在置信区间内的概率收敛至至少 1−α。
- 设计矩阵的最大特征值在界定检验统计量方差方面起着关键作用，从而支持有限样本推断。
- CAT 估计量允许在不建模完整干扰机制的情况下进行推断，适用于同伴效应未知或异质性较高的场景。
- 当主观建模假设（如暴露模型）存在争议或不可验证时，该方法提供了一种可靠的备选推断策略。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。