Heterogeneous Treatment Effects under Network Interference: A Nonparametric Approach Based on Node Connectivity

Sintesi Tecnica: Effetti del Trattamento Eterogenei sotto Interferenza di Rete

Definizione del Problema
L'inferenza causale in contesti di rete è complicata dall'interferenza di rete, in cui l'esito di un individuo dipende non solo dal proprio trattamento, ma anche dai trattamenti ricevuti dai propri vicini. Sebbene la letteratura esistente affronti ampiamente la stima degli effetti mediamente popolazionali (come gli Effetti Medi del Trattamento, gli Effetti Diretti Medi e gli Effetti di Spillover Medi), tali approcci spesso oscurano l'eterogeneità indotta dalle strutture di rete locali. Inoltre, identificare le medie controfattuali specifiche per ogni nodo è teoricamente complesso perché, senza assunzioni aggiuntive, una singola osservazione di unità collegate in rete non fornisce dati sufficienti per identificare non parametricamente l'esito controfattuale per un nodo specifico sotto un particolare intervento di vicinato. I tentativi precedenti per affrontare questo problema, come i modelli a grafo a catena autoregressivi, si basano su assunzioni parametriche restrittive.

Metodologia: KECENI
Gli autori propongono KECENI (Kernel Estimator of Causal Effect under Network Interference), un framework non parametrico progettato per stimare le medie controfattuali per nodo, denotate come $\theta_{i^*}(t^*_{N_{i^*}})$. Questo estimando rappresenta l'esito atteso per un nodo target $i^*$ sotto un ipotetico assegnamento di intervento $t^*_{N_{i^*}}$ al suo vicinato, condizionato dalla rete osservata $G$.

La metodologia procede in tre fasi principali:

1. Costruzione dei Pseudo-Outcome: Gli autori adattano l'approccio degli pseudo-outcome di Kennedy et al. (2017) al contesto di rete. Definiscono uno pseudo-outcome $\xi_i$ che combina una funzione di regressione dell'esito $\mu_i$ e un punteggio di propensione $\pi_i$. Questa costruzione garantisce la doppia robustezza: lo pseudo-outcome è uno stimatore non distorto della media controfattuale per nodo se il modello dell'esito o il modello del punteggio di propensione è correttamente specificato.
2. Smoothing Kernel: Per affrontare il problema del "sovrapposizione limitata" (limited overlap) — in cui le corrispondenze esatte per la configurazione del vicinato di un nodo target sono rare nei dati osservati — KECENI aggrega le informazioni dai nodi con configurazioni di vicinato simili. La somiglianza è quantificata da una metrica di dissimilarità $\Delta$ specificata dall'utente (ad esempio, basata su mappature di esposizione o distanze di Gromov-Wasserstein). Lo stimatore applica lo smoothing kernel agli pseudo-outcome di queste unità simili.
3. Inferenza: Il documento sviluppa una nuova teoria dei processi empirici per gestire la struttura di dipendenza inerente ai dati di rete. Questa teoria stabilisce la consistenza e la normalità asintotica dello stimatore KECENI, tenendo conto del fatto che gli stessi dati vengono utilizzati per stimare sia i parametri di disturbo che l'estimando causale. Viene proposto uno stimatore della varianza sandwich empirica aggiustato per la dipendenza per costruire intervalli di confidenza validi.

Contributi Chiave

• Cambio di Estimandi: Il paper sposta l'attenzione dagli estimandi mediamente popolazionali alle medie controfattuali per nodo come obiettivi primari di inferenza. Ciò consente la preservazione e l'analisi dell'eterogeneità guidata dalle caratteristiche locali della rete (ad esempio, grado del nodo, clustering).
• Identificazione Non Parametrica: A differenza dei metodi precedenti che si affidano a modelli parametrici (ad esempio, strutture autoregressive) per identificare gli effetti per nodo, KECENI offre un approccio non parametrico. Sfrutta la connessione tra la stima per nodo e la stima della funzione dose-risposta, utilizzando lo smoothing per mutuare forza tra configurazioni di vicinato simili.
• Doppia Robustezza sotto Interferenza: Il metodo estende la proprietà di doppia robustezza ai contesti di interferenza di rete, proteggendo contro l'errata specificazione sia nel modello dell'esito che nel meccanismo di assegnazione del trattamento.
• Nuovo Toolkit Teorico: Gli autori sviluppano una nuova teoria dei processi empirici per medie pesate sotto dipendenza di rete. Questa teoria controlla i termini stocastici in presenza di dipendenza di rete e crescente complessità della rete, un passo necessario per stabilire un'inferenza asintotica valida in questo contesto.
• Tuning Guidato dai Dati: Il framework facilita la selezione guidata dai dati della metrica di dissimilarità, del kernel e della larghezza di banda tramite cross-validazione, trattando la scelta della metrica di somiglianza come un problema di selezione del modello.

Risultati

• Simulazioni:
  • Consistenza e Normalità: Le simulazioni dimostrano che gli stimatori KECENI sono consistenti e asintoticamente normali, con intervalli di confidenza che raggiungono i tassi di copertura nominale.
  • Doppia Robustezza: Negli scenari di errata specificazione, KECNI mantiene un basso errore quadratico medio (RMSE) finché uno dei modelli di disturbo (esito o propensione) è correttamente specificato, mentre gli stimatori di G-computation falliscono se il modello dell'esito è erroneamente specificato.
  • Confronto con Metodi Esistenti: Quando il vero processo generatore di dati comporta interazioni complesse che sono sconosciute o erroneamente specificate nei modelli parametrici (ad esempio, AUTOGNET e TMLENET), KECNI identifica con successo gli effetti del trattamento utilizzando lo smoothing non parametrico e le distanze di Gromov-Wasserstein fuse. Al contrario, quando i modelli parametrici sono correttamente specificati, KECNI si comporta in modo comparabile a questi metodi.
• Applicazione Empirica (Microfinanza Indiana):
  • Applicato ai dati sulla microfinanza in India rurale (Banerjee et al., 2013), il metodo ha stimato l'impatto dell'adesione ai gruppi di auto-aiuto per il risparmio (SHG) sulla tolleranza al rischio finanziario.
  • Mentre l'effetto di spillover medio (ASpE) sull'intera popolazione è risultato statisticamente non significativo (in linea con studi precedenti), l'analisi per nodo ha rivelato una significativa eterogeneità.
  • Nello specifico, è stato rilevato un significativo effetto di spillover positivo per i nodi trattati con poche connessioni (basso grado), mentre i nodi altamente connessi non mostravano tale effetto. Ciò suggerisce che gli individui meno connessi sono più suscettibili agli effetti di spillover dalla partecipazione dei loro vicini, una sfumatura che le stime medie della popolazione tendono a mascherare.

Significatività e Rivendicazioni
Il paper sostiene che KECENI fornisca un framework flessibile per comprendere come gli effetti del trattamento varino con la connettività di rete, offrendo approfondimenti granulari per il targeting degli interventi e la valutazione delle politiche. Passando oltre gli effetti medi, il metodo rivela che gli effetti di spillover non sono uniformi ma dipendono criticamente dalle caratteristiche locali della rete.

Gli autori sottolineano che il loro approccio affronta un limite pratico dei metodi esistenti: la selezione ad hoc delle mappature di esposizione. Consentendo la selezione guidata dai dati delle metriche di somiglianza tramite cross-validazione, KECNI offre un percorso rigoroso verso la selezione del modello causale sotto interferenza di rete.

Il paper è modesto nella sua portata, osservando che, sebbene identifichi l'eterogeneità associata alla struttura di rete, non pretende di distinguere gli effetti causali della struttura di rete stessa dall'omofilia (effetti di selezione), il che richiederebbe assunzioni più forti o dati di rete longitudinali. Le garanzie teoriche si basano su specifiche condizioni di regolarità riguardanti la dipendenza di rete (ad esempio, raggio di dipendenza locale limitato) e la fluidità delle funzioni sottostanti.