Inferring Causal Effects Under Heterogeneous Peer Influence

要約

ネットワークにおける因果推論では、ユニットの結果がピアの治療や結果によって影響を受けるときに発生する干渉を考慮する必要があります。
異種ピア影響 (HPI) は、ユニットの結果が属性や関係に基づいて異なるピアによって異なる影響を受ける場合、または各ユニットがピアの影響に対する感受性が異なる場合に発生します。
干渉下での直接的な因果効果を推定するための既存のソリューションでは、ピアからの均一な影響、または特定の異種影響メカニズム（たとえば、ローカル近隣構造に基づく）のいずれかを考慮しています。
この論文では、影響のメカニズムがアプリオリに知られていない HPI の存在下で、個々の直接的な因果効果を推定するための方法論を紹介します。
我々は、ネットワーク構造、干渉条件、因果関係に関するさまざまな想定を捕捉でき、HPI の存在下での識別可能性についての推論を可能にする、ネットワークの構造的因果モデルを提案します。
私たちは因果モデルを使用して潜在的な異質なコンテキストを発見し、個々の直接的な因果効果を推定するための新しいグラフ ニューラル ネットワーク ベースの推定器を提案します。
我々は、個別の直接効果を推定するための最先端の方法が HPI の存在下で偏った結果を生成すること、および我々の提案する推定量が堅牢であることを示します。

要約(オリジナル)

Causal inference in networks should account for interference, which occurs when a unit’s outcome is influenced by treatments or outcomes of peers. Heterogeneous peer influence (HPI) occurs when a unit’s outcome is influenced differently by different peers based on their attributes and relationships, or when each unit has a different susceptibility to peer influence. Existing solutions to estimating direct causal effects under interference consider either homogeneous influence from peers or specific heterogeneous influence mechanisms (e.g., based on local neighborhood structure). This paper presents a methodology for estimating individual direct causal effects in the presence of HPI where the mechanism of influence is not known a priori. We propose a structural causal model for networks that can capture different possible assumptions about network structure, interference conditions, and causal dependence and enables reasoning about identifiability in the presence of HPI. We find potential heterogeneous contexts using the causal model and propose a novel graph neural network-based estimator to estimate individual direct causal effects. We show that state-of-the-art methods for individual direct effect estimation produce biased results in the presence of HPI, and that our proposed estimator is robust.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google