HNCI: High-Dimensional Network Causal Inference

要約

治療または政策の有効性を評価するという問題は、ネットワーク干渉下での因果推論アプリケーションで一般的に発生します。
この論文では、治療対象に対する平均直接治療効果 (ADET) に関する有効な信頼区間と、干渉効果の近傍サイズに対する有効な信頼セットの両方を提供する、高次元ネットワーク因果推論 (HNCI) の新しい方法を提案します。
Belloniらのモデル設定を活用します。
(2022) ノード干渉近傍サイズにおける特定のタイプの不均一性を許容します。
我々は、潜在的な結果の線形回帰公式を提案します。回帰係数は、ノードの基礎となる真の干渉関数値に対応し、潜在的な均一構造を示します。
このような定式化により、線形回帰と均一性の追求からの既存の文献を活用して、理論的保証のある有効な統計的推論を行うことができます。
ADET の信頼区間の結果は、推定可能な分散を伴う漸近正規性によって正式に正当化されます。
さらに、再現サンプルアプローチを利用した理論的保証を備えた近傍サイズの信頼セットを提供します。
新しく提案された方法の実際的な有用性が、シミュレーションと実際のデータ例を通じて実証されます。

要約(オリジナル)

The problem of evaluating the effectiveness of a treatment or policy commonly appears in causal inference applications under network interference. In this paper, we suggest the new method of high-dimensional network causal inference (HNCI) that provides both valid confidence interval on the average direct treatment effect on the treated (ADET) and valid confidence set for the neighborhood size for interference effect. We exploit the model setting in Belloni et al. (2022) and allow certain type of heterogeneity in node interference neighborhood sizes. We propose a linear regression formulation of potential outcomes, where the regression coefficients correspond to the underlying true interference function values of nodes and exhibit a latent homogeneous structure. Such a formulation allows us to leverage existing literature from linear regression and homogeneity pursuit to conduct valid statistical inferences with theoretical guarantees. The resulting confidence intervals for the ADET are formally justified through asymptotic normalities with estimable variances. We further provide the confidence set for the neighborhood size with theoretical guarantees exploiting the repro samples approach. The practical utilities of the newly suggested methods are demonstrated through simulation and real data examples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google