Causal Identification under Interference: The Role of Treatment Assignment Independence

Diese Arbeit untersucht die kausale Aussagekraft gängiger Identifikationsformeln (wie Regression Discontinuity oder Difference-in-Differences) unter der Annahme von Interferenzen und zeigt auf, dass diese unter bestimmten Bedingungen Abhängigkeiten zwischen der Behandlungszuweisung als durchschnittliche direkte Effekte (ADEs) identifizieren können.

Das Wesentliche

Das „Party-Effekt“-Problem: Warum Statistik oft mehr ist als nur die Summe der Einzelteile

Stellen Sie sich vor, Sie möchten herausfinden, ob ein neues, gesundes Energy-Drink-Rezept wirklich die Konzentration steigert. In der klassischen Statistik (der sogenannten ITR-Annahme) geht man davon aus, dass jeder Mensch wie eine kleine, isolierte Insel ist. Wenn Person A den Drink trinkt, steigt ihre Konzentration. Was Person B trinkt, hat damit absolut nichts zu tun. Man berechnet den Effekt, schaut sich die Gruppe der „Trinker“ an, die Gruppe der „Nicht-Trinker“ und zieht die Differenz. Fertig.

Aber das Leben ist keine Insel.

In der echten Welt gibt es das, was die Forscher „Interferenz“ nennen. Das ist der „Party-Effekt“.

Die Analogie: Die Party und die Musik

Stellen Sie sich vor, Sie untersuchen, ob eine bestimmte Musikrichtung die Stimmung auf einer Party verbessert.

• Die klassische Sicht (ITR): Sie schauen nur auf Person A. Wenn die Musik läuft, ist sie glücklich. Wenn nicht, ist sie traurig. Der Effekt der Musik ist also „individuell“.
• Die Realität (Interferenz): Wenn die Musik extrem laut und gut ist, fangen alle an zu tanzen. Wenn alle tanzen, wird die Stimmung für Person A automatisch besser – egal, ob sie die Musik selbst gerade aktiv hört oder nicht. Die Stimmung von Person A hängt also nicht nur von ihrem eigenen „Treatment“ (der Musik) ab, sondern davon, was die anderen gerade machen (tanzen oder sitzen).

Das Problem der Forscher

Die Autoren dieser Arbeit (Owusu und Márquez) sagen: Viele Ökonomen und Wissenschaftler nutzen Standard-Formeln, als wären wir alle einsame Inseln. Sie behaupten: „Wir haben bewiesen, dass das Programm X die Arbeitslosigkeit senkt!“ Aber sie ignorieren, dass die Menschen sich gegenseitig beeinflussen (z. B. durch Konkurrenz auf dem Arbeitsmarkt oder durch Informationen, die man sich gegenseitig erzählt).

Wenn man diesen „Party-Effekt“ ignoriert, misst man am Ende oft gar nicht das, was man eigentlich wissen wollte. Man misst eine Mischung aus dem direkten Effekt und einem „Rauschen“, das durch das Verhalten der anderen entsteht.

Die Lösung: Die „Unabhängigkeits-Regel“

Die Forscher haben herausgefunden, dass man die alten, bewährten Rechenmethoden (wie die für Instrumentvariablen oder Differenz-von-Differenzen) trotzdem noch benutzen kann – aber nur unter einer Bedingung.

Diese Bedingung nennen sie „Conditional Assignment Independence“.

Die Metapher dazu:
Stellen Sie sich vor, Sie verteilen die Energy-Drinks auf einer Party. Damit die Statistik funktioniert, darf die Entscheidung, wer einen Drink bekommt, nicht davon abhängen, wer gerade am lautesten tanzt. Wenn die „Party-Leute“ (die Aktiven) alle die Drinks bekommen und die „Sitzer“ keine, dann ist Ihre Statistik kaputt. Sie wissen am Ende nicht: Sind die Leute glücklich, weil der Drink wirkt, oder weil sie sowieso schon die Stimmungsmacher waren?

Die Forscher sagen: Wenn die Zuteilung (wer bekommt was) unabhängig vom Verhalten der anderen Gruppe erfolgt, dann funktionieren die alten Formeln wieder! Sie messen dann nicht mehr den „Gesamteffekt der Party“, sondern den „Direkten Effekt“ – also genau das, was der Drink mit dem Einzelnen macht, ohne das Chaos der Gruppe mit einzurechnen.

Das „Sicherheitsnetz“ (Sensitivitätsanalyse)

Da man in der echten Welt (wie bei der berühmten LaLonde-Studie über Job-Trainings) oft gar nicht genau weiß, wie stark die Leute sich gegenseitig beeinflussen, haben die Autoren ein Werkzeug entwickelt: Eine Sensitivitätsanalyse.

Das ist wie ein „Was-wäre-wenn-Radar“.
Anstatt zu sagen: „Der Effekt ist sicher 10 %“, sagt der Forscher: „Unser Ergebnis ist stabil. Selbst wenn die Leute sich gegenseitig massiv beeinflussen würden (bis zu einem Grad von X), würde unser Ergebnis immer noch stimmen.“ Es ist ein Maß für die Robustheit – wie viel „Wind“ (Interferenz) darf die Theorie vertragen, bevor sie umkippt?

Zusammenfassung für den Stammtisch

Die Forscher sagen uns: „Passt auf! Wenn ihr untersucht, wie eine Maßnahme wirkt, denkt daran, dass Menschen keine Roboter sind, die isoliert voneinander funktionieren. Sie beeinflussen sich gegenseitig. Aber keine Sorge: Wenn ihr sicherstellt, dass die Auswahl der Teilnehmer nicht durch dieses gegenseitige Beeinflussen verzerrt wurde, könnt ihr eure alten Rechenmethoden trotzdem benutzen, um den echten, direkten Effekt zu finden.“

Technische Zusammenfassung

Technische Zusammenfassung: Kausale Identifikation unter Interferenz

1. Problemstellung (The Problem)

In der empirischen Wirtschaftswissenschaft werden Identifikationsstrategien (wie Selection-on-Observables, Instrumental Variables, Difference-in-Differences oder Regression Discontinuity) üblicherweise unter der Annahme der Individualistic Treatment Response (ITR) angewandt. Diese Annahme besagt, dass das potenzielle Ergebnis einer Einheit nur von ihrem eigenen Behandlungsstatus abhängt (keine Interferenz/Spillover-Effekte).

In der Realität verletzen jedoch häufig soziale Interaktionen, Wettbewerb auf Arbeitsmärkten oder Netzwerkeffekte diese Annahme. Wenn Interferenz vorliegt, hängen die Ergebnisse einer Einheit von den Behandlungsstatus anderer Einheiten ab. Die zentrale Forschungsfrage lautet: Was identifizieren die Standard-Formeln der ITR-basierten Kausalanalytik eigentlich, wenn die ITR-Annahme verletzt wird? Bisherige Ansätze versuchen oft, die Interferenzstruktur (z. B. durch Exposure Mappings) explizit zu modellieren, was in der Praxis aufgrund fehlender Daten über soziale Netzwerke oft unmöglich ist.

2. Methodik (Methodology)

Die Autoren verwenden einen Finite-Population-Potential-Outcomes-Framework, in dem die potenziellen Ergebnisse $Y_i(d)$ beliebig von einem Vektor von Behandlungszuweisungen $d \in \{0, 1\}^N$ abhängen können.

Der methodische Kern der Arbeit besteht darin, die Identifikationsformeln der gängigsten Designs zu untersuchen, wenn man die Interferenz nicht modelliert, sondern als "beliebig" betrachtet. Dabei führen sie eine entscheidende neue Bedingung ein: die Conditional Assignment Independence (CAI) (Annahme 3). Diese besagt, dass die Behandlungszuweisung einer Einheit $i$ unter Kontrolle von Kovariaten $W_i$ unabhängig von den Behandlungszuweisungen der anderen Einheiten ($D_{-i}$) sein muss:
$$D_{-i} \perp \! \! \perp D_i \mid W_i$$

3. Zentrale Beiträge (Key Contributions)

Die Arbeit leistet drei wesentliche theoretische und praktische Beiträge:

1. Charakterisierung des kausalen Objekts: Sie zeigen, dass ITR-basierte Formeln bei Vorliegen von Interferenz nicht zwangsläufig "wertlos" sind. Wenn die CAI-Bedingung erfüllt ist, identifizieren diese Formeln den Average Direct Effect (ADE) – also den durchschnittlichen direkten Effekt unter Berücksichtigung der Verteilung der Behandlungen anderer.
2. Identifikation von Bias: Sie zeigen mathematisch auf, dass die Standard-Schätzer (wie IPW oder IV) bei Verletzung der CAI einen systematischen Bias aufweisen. Dieser Bias entsteht, weil die Verteilung der Behandlungen anderer Einheiten mit dem Behandlungsstatus der betrachteten Einheit korreliert ist.
3. Sensitivitätsanalyse-Framework: Da die CAI-Bedingung mit beobachteten Daten nicht direkt testbar ist, entwickeln die Autoren ein neues Verfahren zur Sensitivitätsanalyse. Dieses quantifiziert, wie stark die Behandlungszuweisungen zwischen Einheiten abhängen dürften (gemessen an der Varianz der behandelten Anzahl innerhalb von Strata), bevor die statistische Signifikanz eines Ergebnisses (z. B. eines Wilcoxon-Tests) hinfällig wird.

4. Ergebnisse (Results)

Die theoretischen und simulativen Ergebnisse lassen sich für die verschiedenen Designs wie folgt zusammenfassen:

• Selection on Observables: Ohne CAI liefert der Schätzer eine Mischung aus dem ADE und einem Bias-Term, der von der Diskrepanz in der Verteilung der Behandlungen anderer Einheiten abhängt. Unter CAI identifiziert er exakt den ADE.
• Instrumental Variables (IV): Der Wald-Schätzer identifiziert den Local Average Direct Effect (LADE), sofern die Instrumente über die Einheiten hinweg unabhängig sind (Annahme 6). Bei Abhängigkeit der Instrumente entsteht ein Bias, der durch die Korrelation zwischen dem Instrument der eigenen Einheit und den Instrumenten der anderen verursacht wird.
• Regression Discontinuity (RDD): Die Schätzung am Cutoff identifiziert den ADE, falls die Laufvariable $W$ über die Einheiten hinweg unabhängig ist. Andernfalls führt die Abhängigkeit der Laufvariablen zu Bias-Termen.
• Difference-in-Differences (DiD): Der DiD-Schätzer identifiziert den Average Direct Effect on the Treated (ADTT), wenn die CAI erfüllt ist. Bei Verletzung der CAI führt die unterschiedliche Verteilung der Behandlungen in der Behandlungs- vs. Kontrollgruppe zu einem Bias in den Trends.

Simulation & Anwendung: Die Autoren zeigen mittels Monte-Carlo-Simulationen und einer Anwendung auf den LaLonde-Datensatz, dass die Robustheit der Ergebnisse stark von der Verteilung der Ergebnisse (z. B. Normalverteilung vs. Heavy-Tails) abhängt.

5. Bedeutung (Significance)

Die Arbeit hat weitreichende Bedeutung für die empirische Ökonomie:

• Umdeutung von Ergebnissen: Forscher müssen ihre Ergebnisse nicht unbedingt als "falsch" betrachten, wenn Interferenz vorliegt. Sie können sie als direkte Effekte (ADE/ADTT) interpretieren, sofern sie die Unabhängigkeit der Zuweisung (CAI) plausibel begründen können.
• Methodische Vorsicht: Die Arbeit warnt davor, dass die bloße Kontrolle von Kovariaten ($W_i$) nicht ausreicht, um Interferenz-Bias zu eliminieren, wenn die Zuweisungsmechanismen selbst korreliert sind (z. B. durch soziale Netzwerke oder lokale Kapazitätsbeschränkungen).
• Werkzeug für die Praxis: Durch das bereitgestellte R-Paket caisensitivity erhalten Forscher ein Werkzeug, um die Robustheit ihrer Schlussfolgerungen gegenüber Verletzungen der Zuweisungsunabhängigkeit quantitativ zu bewerten, ähnlich wie Rosenbaum (2002) die Sensitivität gegenüber unbeobachteten Konfoundern bewertet.