Sintesi Tecnica: Clustering Causale: Progettazione di Esperimenti a Cluster sotto Interferenza di Rete

1. Definizione del Problema

Il documento affronta la progettazione di esperimenti a cluster in contesti in cui le unità interagiscono attraverso una rete nota, portando a effetti di spillover (interferenza). In tali ambienti, la randomizzazione standard a livello individuale (disegni Bernoulli) spesso fallisce nell'identificare l'Effetto Medio Globale del Trattamento (GATE) a causa del bias indotto dall'esposizione tra i cluster. Al contrario, il clustering randomizzato elimina questo bias assegnando interi cluster al trattamento o al controllo, ma introduce varianza dovuta alla correlazione delle assegnazioni all'interno dei cluster e alla potenziale etogeneità nelle dimensioni dei cluster stessi.

La sfida principale è che i cluster amministrativi pre-specificati (ad esempio, villaggi) o gli algoritmi standard di rilevamento delle comunità potrebbero non essere ottimali per l'inferenza causale. Potrebbero essere troppo grossolani (introducendo alta varianza) o troppo fini (non riuscendo a catturare tutti gli spillover rilevanti, introducendo così bias). Gli autori inquadrano la scelta del clustering come un problema di design statistico: selezionare una partizione della rete che minimizzi l'errore quadratico medio (MSE) nel caso peggiore della differenza delle medie del GATE.

2. Metodologia e Framework

2.1 Framework Asintotico Locale

Gli autori formalizzano il problema utilizzando un framework asintotico locale in cui gli effetti di spillover sono "locali allo zero" ma non trascurabili per l'inferenza.

• Assunzione 1 (Interferenza locale di primo ordine): I potenziali esiti dipendono solo dal trattamento di un individuo e dai trattamenti dei suoi vicini immediati.
• Assunzione 2 (Limitatezza e continuità Lipschitz): I potenziali esiti sono uniformemente limitati e l'entità degli spillover è limitata da un parametro $\bar{\phi}_n$. Nello specifico, la variazione dei potenziali esiti è lineare rispetto alla quota di vicini trattati, con una pendenza limitata da $\bar{\phi}_n$.
• Assunzione 3 (Asintotica dello spillover locale): Il prodotto della massima entità dello spillover e del quadrato del grado massimo è limitato ($\limsup \bar{\phi}_n N_{n,max}^2 \leq \epsilon$). Ciò consente scenari in cui gli effetti diretti e gli effetti di spillover sono di magnitudo simile, uno scenario comune nelle piattaforme online dove gli effetti sono piccoli ma economicamente significativi.

2.2 Caratterizzazione di Bias e Varianza

Il documento deriva caratterizzazioni rigorose del caso peggiore per il bias e la varianza dello stimatore della differenza delle medie $\hat{\tau}_n(C_n)$ sotto un dato clustering $C_n$:

• Worst-Case Bias: Il bias è governato dalla "connettività tra i cluster", definita come la frazione media di vicini di un individuo che si trovano al di fuori del proprio cluster assegnato ($b_n(C_n)$). Il bias nel caso peggiore è proporzionale a $\bar{\phi}_n b_n(C_n)$.
• Worst-Case Variance: Sotto il framework asintotico locale, la varianza è asintoticamente guidata dalle correlazioni intra-cluster indotte dal design di clustering. È proporzionale alla somma dei quadrati delle dimensioni dei cluster ($\sum n_k^2$), scalata dal range dell'esito $\bar{\psi}$.
• Worst-Case MSE: Combinando questi elementi, la funzione obiettivo da minimizzare è:
  $$B^*_n(C_n, \lambda) = \bar{\psi} \frac{1}{n^2} \sum_{k=1}^{K_n} n_k^2 + \lambda \bar{\phi}_n^2 b_n(C_n)^2$$
  dove $\lambda$ è un peso specificato dall'utente (tipicamente 1 per l'MSE).

2.3 Algoritmo di Ottimizzazione

Gli autori dimostrano che trovare il clustering ottimale riduce a un nuovo problema di min-cut penalizzato.

• Riformulazione: Il problema viene riformulato come un programma di ottimizzazione della traccia con un vincolo semi-definito.
• Rilassamento Convesso: Poiché il problema esatto è combinatorio, gli autori propongono un rilassamento di Programmazione Semi-Definita (SDP). L'obiettivo prevede la minimizzazione di una somma pesata della traccia della matrice di cluster (componente di varianza) e del quadrato di un cut normalizzato (componente di bias).
• Rounding: Un clustering fattibile viene recuperato applicando il clustering K-means agli autovettori della soluzione SDP.
• Algoritmo 1: La procedura itera su un intervallo di numeri di cluster ($K$) e un parametro di calibrazione $\xi_n = (\lambda \bar{\phi}_n^2 / \bar{\psi})^{-1}$, che bilancia il trade-off tra bias e varianza. L'algoritmo fornisce un certificato di performance provabile (limite di approssimazione) rispetto al clustering ottimale.

3. Contributi Chiave

1. Framework Decision-Theoretic per il Clustering: A differenza della letteratura esistente che tratta il clustering come dato o si concentra sul rilevamento delle comunità, questo articolo deriva il clustering direttamente dall'obiettivo causale di minimizzare l'MSE nel caso peggiore per il GATE.
2. Caratterizzazioni Rigorose del Caso Peggiore: Il documento fornisce limiti espliciti e stretti per bias e varianza sotto interferenza di rete, mostrando che il bias dipende dall'esposizione tra i cluster e la varianza dipende dalla dispersione delle dimensioni dei cluster.
3. Nuovo Problema di Ottimizzazione: Gli autori identificano che il clustering ottimale risolve un problema di min-cut penalizzato che interiorizza sia l'esposizione tra i cluster (bias) che la dispersione delle dimensioni dei cluster (varianza). Ciò differisce dallo standard spectral clustering o dai normalized cuts che non tengono conto della componente di varianza indotta dalle dimensioni dei cluster.
4. Regole di Design Pratiche:
   • Bernoulli vs. Cluster: Viene derivata una regola empirica per determinare quando un design a cluster domina un design Bernoulli basandosi sul rapporto tra l'entità dello spillover e la varianza dell'esito e sul numero di cluster.
   • Spillover Sconosciuti: Il framework viene esteso per gestire l'entità dello spillover sconosciuta utilizzando un approccio minimax regret, ottimizzando per il caso peggiore del rapporto di MSE rispetto a un oracle.
5. Validazione Empirica: Il metodo viene applicato a dati unici della rete Facebook e a un esperimento sul campo nella Cina rurale (Cai et al., 2015).
   • Nei dati di Facebook, il metodo proposto classifica gli algoritmi di clustering esistenti (Louvain, Balanced Partitioning), riscontrando che Louvain con molti cluster spesso performa meglio.
   • Nell'esperimento sul campo, il metodo costruisce partizioni alternative che superano i confini amministrativi dei villaggi e gli algoritmi di clustering standard (Spectral, $\epsilon$-net) attraverso vari rapporti segnale-rumore.

4. Risultati e Significato

Il documento sostiene che il metodo proposto di "Causal Clustering" offre una procedura robusta per la progettazione sperimentale in presenza di interferenza di rete.

• Performance: Nelle simulazioni calibrate sull'esperimento sul campo in Cina, il Causal Clustering raggiunge un regret vicino allo zero (0,0% - 0,2%) in contesti di interferenza di primo ordine, superando significativamente i benchmark come lo Spectral clustering e Louvain, che mostrano un alto regret (fino al 50%+) a seconda del rapporto segnale-rumore.
• Robustezza: Anche sotto modelli di interferenza globale mal specificati (dove gli esiti dipendono dai vicini piuttosto che solo dai trattamenti), il metodo rimane competitivo, evitando il significativo calo di prestazioni osservato in altri metodi.
• Utilità Pratica: Il framework permette ai ricercatori di quantificare esplicitamente il trade-off tra bias e varianza. Fornisce un modo basato sui dati per scegliere il numero e la struttura dei cluster, invece di affidarsi a confini amministrativi o euristiche di rilevamento delle comunità.

Gli autori sottolineano che il loro approccio è particolarmente rilevante per le piattaforme online (ad esempio, Meta/Facebook) e per gli esperimenti sul campo dove gli spillover sono piccoli ma non trascurabili, e dove l'obiettivo è stimare l'effetto totale di una politica su larga scala. Il metodo colma il divario tra la letteratura sul clustering dei grafi e l'inferenza causale, fornendo una soluzione computazionalmente trattabile (tramite SDP) a un complesso problema di design.