Experimental Design under Network Interference

Resumen Técnico: Diseño Experimental bajo Interferencia de Red

Planteamiento del Problema
Este artículo aborda el desafío de diseñar experimentos de dos olas para estimar efectos de tratamiento en presencia de interferencia de red (spillovers). A diferencia de los diseños de agrupamiento (clusters) o de saturación estándar que asumen clusters independientes, este escenario involucra una red única y conectada donde la interferencia es local (las unidades interactúan principalmente con sus vecinos). La dificultad central radica en que el diseño experimental óptimo requiere el conocimiento de las varianzas y covarianzas de los resultados, las cuales son típicamente desconocidas y dependen de la estructura de la red y de las asignaciones de tratamiento. Además, la aleatorización estándar puede producir estimaciones imprecisas cuando hay presencia de interferencia y heterocedasticidad. El artículo busca desarrollar un protocolo que utilice un estudio piloto para estimar estos componentes de varianza y, posteriormente, optimizar la selección de participantes y la asignación de tratamientos del experimento principal para minimizar la varianza de un estimador lineal preespecificado.

Metodología
El marco propuesto, denominado "Experimento bajo Interferencia Local" (ELI, por sus siglas en inglés), opera en dos olas:

1. Estudio Piloto (Ola 1):

   • Selección: Se selecciona un subconjunto de unidades como piloto. Crucialmente, el algoritmo de selección (Algoritmo 1) minimiza el número de aristas entre las unidades piloto y las unidades no piloto (una optimización de corte mínimo o min-cut). Esto asegura que las unidades piloto y sus vecinos inmediatos sean excluidos del experimento principal.
   • Racional: Excluir las unidades piloto y sus vecinos evita que el diseño del experimento principal se vuelva estadísticamente dependiente de las variables no observables del piloto, preservando así la no confusión (unconfoundedness) de los estimadores del experimento principal.
   • Estimación: Los tratamientos se aleatorizan dentro del piloto. Los datos del piloto se utilizan para estimar las varianzas condicionales de los resultados ($\sigma^2$) y las covarianzas de los vecinos ($\eta$) como funciones del estado de tratamiento, los mapeos de exposición (por ejemplo, número de vecinos tratados) y las covariables.

2. Experimento Principal (Ola 2):

   • Optimización del Diseño: Utilizando las estimaciones de varianza y covarianza del piloto, el investigador resuelve un problema de optimización (Algoritmo 2) para seleccionar participantes ($R$) y asignar tratamientos ($D$) para el experimento principal.
   • Objetivo: El diseño minimiza la estimación plug-in de la varianza de un estimador lineal especificado por el usuario (por ejemplo, diferencia de medias, estimadores ajustados por regresión) para estimandos objetivo como efectos directos, efectos de desbordamiento (spillover) o efectos generales.
   • Restricciones: La optimización está sujeta a restricciones presupuestarias (tamaño máximo de muestra) y a la restricción de exclusión derivada del piloto (no pueden participar unidades piloto ni sus vecinos).

3. Extensiones:

   • Aleatorización: El marco puede modificarse (Apéndice A.1) para incluir un paso de re-aleatorización. Esto permite la inferencia basada en el diseño sobre hipótesis nulas estrictas (sharp null hypotheses) manteniendo una precisión casi óptima para la inferencia basada en modelos, sacrificando una pequeña cantidad de varianza por un aumento en la aleatorización.
   • Información Parcial de la Red: El método se extiende a escenarios donde la red completa no es observada (Apéndice A.4), utilizando imputación para las aristas faltantes bajo el supuesto de que el piloto es extraído de un componente desconectado.
   • Dependencia de Orden Superior: El marco acomoda la dependencia que se extiende más allá de los vecinos inmediatos (hasta un grado $M$) mediante la exclusión de los vecinos hasta el grado $M$ del experimento principal.

Resultados Teóricos Clave

• Insesgadez: El artículo establece condiciones suficientes (Proposición 3.1) bajo las cuales el experimento principal produce estimadores insesgados de los estimandos basados en modelos. Esto se basa en la exclusión de las unidades piloto y sus vecinos del experimento principal.
• Garantías de Regret (Arrepentimiento): El Teorema 4.1 proporciona un límite de regret que caracteriza la diferencia entre la varianza del diseño propuesto de dos olas y la de un diseño "oráculo" (que conoce las verdaderas funciones de varianza/covarianza y no enfrenta las restricciones inducidas por el piloto). El regret converge a cero a un ritmo gobernado por el tamaño del piloto ($\bar{m}$) y la relación entre el tamaño del piloto y el del experimento principal.
• Condiciones del Tamaño del Piloto: El artículo deriva condiciones suficientes para que el tamaño del piloto logre una precisión casi óptima. Específicamente, para redes dispersas, se demuestra que un tamaño de piloto que escala como $\bar{m} \gtrsim \bar{n}^{2/3}$ es suficiente para que el regret sea insignificante (Corolario 4.2).
• Inferencia Asintótica: El Teorema 4.3 establece la normalidad asintótica del estimador, condicionado al mecanismo de asignación realizado, permitiendo intervalos de confianza válidos utilizando un estimador de varianza consistente derivado de los datos del experimento principal.

Resultados Empíricos
Los estudios numéricos utilizando redes reales de amistad en aldeas (Cai et al., 2015) y redes simuladas de Erdős–Rényi y Barabási–Albert demuestran la eficacia del método ELI:

• Desempeño: El método propuesto alcanza uniformemente una menor varianza de muestreo en comparación con competidores de vanguardia, incluyendo el agrupamiento de grafos (red $3-\epsilon$), diseños de saturación y la asignación aleatoria simple.
• Heterocedasticidad: Las ventajas del diseño ELI son más pronunciadas bajo heterocedasticidad y covarianzas no nulas, donde la aleatorización o el agrupamiento estándar no logran contabilizar la estructura de varianza específica.
• Observación Parcial: Incluso con redes parcialmente observadas, el método ELI supera la asignación aleatoria.
• Eficiencia del Tamaño de la Muestra: El método puede lograr la misma varianza que el mejor competidor con hasta un 40% de reducción en el número total de unidades requeridas.

Significancia y Reivindicaciones
El artículo afirma proporcionar el primer marco estadístico para diseños experimentales de dos olas con varianza óptima bajo interferencia de red. Su contribución principal es demostrar que la incorporación de un estudio piloto para estimar las estructuras de varianza y covarianza puede mejorar sustancialmente la precisión de las estimaciones del efecto de tratamiento en comparación con los diseños que no utilizan dicha información. El trabajo cierra la brecha entre el diseño experimental y la inferencia causal en entornos de red, ofreciando un protocolo práctico (selección de piloto mediante corte mínimo seguido de una optimización de minimización de varianza) que está fundamentado teóricamente y validado empíricamente. Los autores señalan que, si bien el método asume interferencia local y redes dispersas, ofrece un enfoque robusto para entornos donde la interferencia es una característica natural de los datos, como en experimentos de campo que involucran programas sociales o plataformas en línea.