Resumen Técnico: Optimización de la Asignación de Tratamientos en Experimentos con Interferencia de Red

Planteamiento del Problema

El diseño experimental en la epidemiología moderna, las redes sociales y las plataformas en línea se ve cada vez más complicado por la interferencia de red, donde el resultado de una unidad depende no solo de su propio tratamiento, sino también de los tratamientos asignados a sus vecinos. Este fenómeno viola el clásico Supuesto de Valor de Unidad de Tratamiento Estable (SUTVA), que postula que los resultados potenciales son independientes de los tratamientos de otras unidades. Aunque la literatura existente ha desarrollado marcos para experimentos de red (por ejemplo, aleatorización de clústeres de grafos, reredistribución), estos enfoques se evalúan predominantemente en redes pequeñas o simplificadas. En consecuencia, su aplicabilidad a redes del mundo real complejas y a gran escala con topologías variables (por ejemplo, dispersión, estructura de comunidades) sigue sin estar suficientemente establecida. El desafío central es diseñar estrategias de asignación de tratamientos que optimicen conjuntamente la balance de la asignación y la topología de la red para mejorar la eficiencia de la estimación bajo interferencia.

Metodología

1. Modelo de Red y Marco de Interferencia

Los autores modelan el entorno experimental como una red no dirigida $G = (V, E)$ con $n$ nodos. Introducen una matriz de incidencia de tratamiento-tratamiento $L$, donde la entrada $L_{j\ell}$ cuenta el número de aristas que conectan nodos asignados al tratamiento $t(j)$ y $t(\ell)$. Esta matriz sirve como una métrica de la interferencia de red.

La estructura de la red se modela mediante un modelo logístico de grafo aleatorio. La probabilidad de que exista una arista entre los nodos $i$ y $k$ se define como:
$$P(A_{ik} = 1 | X_i, X_k) = \frac{\exp(s_{ik} + \theta L_{t(i)t(k)})}{1 + \exp(s_{ik} + \theta L_{t(i)t(k)})}$$
donde $s_{ik}$ representa la similitud de covariables y $\theta$ controla la influencia de la similitud de tratamiento en la formación de aristas.

2. Criterio de Optimalidad

Para determinar la asignación óptima de tratamientos, los autores derivan la matriz de información de Fisher $J(\alpha)$ para los parámetros desconocidos $\alpha = (\beta^T, \sigma, \theta)^T$. El criterio de optimalidad se define como el determinante de esta matriz, $\tau = \det(J(\alpha))$.

Siguiendo a Chen y Chang [2023], el determinante se aproxima (considerando el caso límite donde $\theta \to 0$ para asegurar la tractabilidad analítica) como:
$$\tau = \left( \prod_{j=1}^m n_j \right) \left[ \sum_{h=1}^m \binom{n_h}{2} \frac{L_{hh}^2 \exp(1 + \theta L_{hh})}{[1 + \exp(1 + \theta L_{hh})]^2} + \sum_{j=1}^{m-1} \sum_{\ell > j}^m n_j n_\ell \frac{L_{j\ell}^2 \exp(\theta L_{j\ell})}{[1 + \exp(\theta L_{j\ell})]^2} \right]$$
Este criterio equilibra dos componentes:

1. Balance de Tratamiento: Promovido por el producto de los conteos de tratamiento $\prod n_j$.
2. Interacción Estructural: Capturada por la suma ponderada de las incidencias de aristas al cuadrado entre los grupos de tratamiento, reflejando cómo se distribuyen los tratamientos en relación con la estructura de la red.

3. Algoritmo de Optimización

Dado que maximizar $\tau$ es un problema de optimización combinatoria, los autores proponen un algoritmo de búsqueda local (adaptado de Cook y Nachtsheim [1980] y Koutra et al. [2021]). El procedimiento implica:

1. Generar $R$ asignaciones de tratamiento iniciales aleatorias.
2. Intercambiar iterativamente el tratamiento de un solo nodo con un tratamiento alternativo.
3. Aceptar el intercambio si aumenta el valor del criterio $\tau$.
4. Repetir hasta la convergencia para cada inicialización y seleccionar el máximo global $\tau^*$ a través de todas las ejecuciones.

4. Estimación Causal

El artículo evalúa las propiedades causales de los diseños resultantes estimando:

• Efecto de Tratamiento Total (TTE): El impacto promedio de un tratamiento universal.
• Efecto de Tratamiento Promedio (ATE): El efecto directo del tratamiento en una unidad, asumiendo que los vecinos no están tratados.
• Efecto de Interferencia Promedio (AIE): El efecto de los tratamientos de los vecinos sobre una unidad.
  Los estimadores se derivan basándose en un modelo de resultados lineales heterogéneos, teniendo en cuenta las probabilidades de exposición de vecindad ($\rho_i$).

Contribuciones Clave y Resultados

Estudios de Simulación

El marco fue probado a través de cuatro modelos de grafos aleatorios: Erdős–Rényi (ER), Aleatorio Geométrico (GR), Acoplamiento Preferencial (PA) y Modelos de Bloques Estocásticos (SBM) (tanto equilibrados como desequilibrados).

• Optimalidad: El algoritmo de búsqueda local propuesto alcanzó consistentemente los valores de criterio más altos ($\tau$) en comparación con el Diseño Aleatorio, la Aleatorización de Clústeres de Grafos y la Reredistribución en todos los tipos de red.
• Balance: Los diseños optimizados mantuvieron proporciones de tratamiento cercanas a 0.5, demostrando robustez contra la inestabilidad que se observa a menudo en la aleatorización de clústeres, particularmente en SBMs desequilibrados.
• Influencia de la Topología: Las asignaciones óptimas se adaptaron a la geometría de la red:
  • En grafos ER, los tratamientos estaban bien mezclados.
  • En grafos GR, el agrupamiento espacial llevó a la creación de bolsas de tratamiento localizadas.
  • En modelos PA, los nodos con alto grado (hubs) a menudo compartían la misma asignación.
  • En SBMs, las estructuras de comunidad impulsaron agrupaciones de tratamiento distintas.

Desempeño de la Estimación Causal

• Estimadores de TTE: Se mantuvieron estables en todos los modelos, ya que no dependen de los patrones de exposición de vecindad.
• Estimadores de ATE y AIE: Exhibieron sesgo impulsado por la heterogeneidad de la exposición de vecindad ($\rho_i$).
  • En grafos ER y GR, se observaron sesgos grandes, atribuidos a nodos de control con exposición cercana a cero (que afectan al AIE) o a la alta variabilidad en la exposición de los nodos tratados (que afectan al ATE).
  • En modelos PA y SBM, los sesgos fueron generalmente menores, lo que sugiere que las asignaciones optimizadas en estas estructuras generaron niveles de exposición más uniformes.

Aplicaciones en el Mundo Real

El marco se aplicó a dos conjuntos de datos del mundo real:

1. Red de Vivienda Universitaria (278 nodos): El diseño óptimo distribuyó los tratamientos a través de clústeres de residencias densos y pares aislados dispersos, evitando el dominio de un solo tratamiento en cualquier subgrafo.
2. Red Ego-Facebook (220 nodos): El diseño asignó tratamientos para mezclarse dentro de clics densos mientras mantenía la homogeneidad a lo largo de ramas periféricas largas y dispersas.

En ambos casos, los diseños optimizados lograron equilibrar la asignación de tratamiento respetando la conectividad local, aunque los sesgos de los estimadores para ATE y AIE persistieron debido a la heterogeneidad estructural en la exposición de vecindad.

Significancia y Reivindicaciones

El artículo afirma proporcionar un marco de diseño consciente de la red que cierra eficazmente la brecha entre los criterios de optimalidad teórica y los experimentos de red a gran escala en la práctica. Al integrar la matriz de información de Fisher con un algoritmo de búsqueda local escalable, el enfoque ofrece un método computacionalmente factible para identificar asignaciones de tratamiento que tengan en cuenta los complejos patrones de interferencia.

Los autores enfatizan que su trabajo demuestra cómo la topología de la red moldea fundamentalmente las asignaciones óptimas de tratamiento. Argumentan que ignorar estas dependencias estructurales conduce a diseños subóptimos y estimaciones causales sesgadas. Sin embargo, el artículo mantiene un tono modesto respecto a sus limitaciones:

• La optimización es heurística, produciendo soluciones casi óptimas en lugar de soluciones globalmente óptimas.
• El marco actual está restringido a redes no dirigidas y estáticas, mientras que las redes del mundo real pueden ser dirigidas, ponderadas o dinámicas.
• La extensión del marco a entornos de múltiples tratamientos complica la definición de los estimandos causales estándar (TTE, ATE, AIE), que están intrínsecamente ligados a los paradigios binarios de tratamiento-control.

El estudio concluye que, si bien el método propuesto mejora significativamente la eficiencia del diseño y el balance, la complejidad inherente de la interferencia de red requiere una consideración cuidadosa de la heterogeneidad de la exposición al interpretar los efectos causales.