Causal inference in connected populations with contagion

Sintesi Tecnica: Inferenza Causale in Popolazioni Connesse con Contagio

Enunciato del Problema
L'inferenza causale in popolazioni connesse è complicata dalla dipendenza tra gli esiti indotta da processi reali come lo spillover e il contagio. Mentre la letteratura esistente (ad es., Toulis & Kao, 2013; Ugander et al., 2013; Ogburn et al., 2020) ha sviluppato metodi per stimare gli effetti causali sotto interferenza, esiste una lacuna significativa nella comprensione di come il contagio — il processo per cui un esito $Y_i$ influenza un altro esito $Y_j$ — impatti specificamente gli effetti causali e l'inferenza statistica. A differenza dello spillover, dove un intervento $X_i$ influenza $Y_j$, il contagio riguarda la trasmissione degli esiti stessi. Gli autori osservano che si sa poco su come questo meccanismo alteri l'entità o la direzione degli effetti causali, né su come possa influenzare i classici stimatori.

Metodologia e Framework
Gli autori sviluppano un framework teorico per derivare espressioni in forma chiusa per gli effetti causali in presenza di contagio. Definiscono l'effetto causale totale $\tau_T$ come la somma dell'effetto ego ($\tau_E$), che rappresenta l'impatto diretto di un intervento sull'unità trattata, e dell'effetto alter ($\tau_A$), che rappresenta l'impatto di un intervento su altre unità.

L'analisi si basa su due condizioni primarie:

1. Ignorabilità (Condizione 1): Assunzioni standard riguardanti l'indipendenza degli interventi e dei potenziali esiti data la struttura della rete.
2. Linear-in-Means con Contagio (Condizione 2): Un processo generatore di dati in cui l'aspettativa condizionata di un esito $Y_i$ dipende da:
   • L'intervento proprio dell'unità ($\beta_i x_i$).
   • Gli interventi dei vicini (spillover, $\gamma_i$).
   • Gli esiti dei vicini (contagio, $\delta_i$).
   • Costanti di scala $c_{N,i}(\mathbf{z})$.

A differenza dei modelli standard linear-in-means, questo framework permette residui dipendenti a causa del contagio e non restringe le costanti di scala a $1/N_i$. Gli autori utilizzano l'algebra matriciale coinvolgendo la matrice di adiacenza $\mathbf{Z}$ e la matrice $\mathbf{M}(\delta, \mathbf{Z}) = (\mathbf{I}_N - \delta \mathbf{C}_N(\mathbf{Z}) \mathbf{Z})^{-1}$ per derivare questi effetti.

Contributi Chiave e Risultati

1. Espressioni in Forma Chiusa:
   Il paper fornisce le prime espressioni in forma chiusa per $\tau_E$, $\tau_A$ e $\tau_T$ in presenza di sia spillover che contagio (Teoremi 1 e 2). Queste espressioni rivelano che gli effetti degli interventi ($\beta$), dello spillover ($\gamma$) e del contagio ($\delta$) sono intrecciati, anche in contesti semplici.

   • Il Teorema 1 stabilisce l'identificazione di questi effetti utilizzando la traccia e le proprietà spettrali di $\mathbf{M}(\delta, \mathbf{Z})$.
   • Il Teorema 2 fornisce espressioni semplificate quando la struttura di rete attesa $\mathbf{P} = E(\mathbf{Z})$ approssima la rete realizzata.

2. Impatto del Contagio sugli Effetti Causali:
   Attraverso esempi specifici, gli autori dimostrano che il contagio può sia diminuire che aumentare gli effetti causali, sfidando l'assunto che l'interferenza sia puramente additiva o trascurabile.

   • Contagio Restretto (Nuclei Familiari): In un modello in cui le connessioni sono limitate a nuclei familiari di dimensione 2, l'effetto ego $\tau_E$ diventa una combinazione convessa del diretto effetto $\beta$ e di un termine che coinvolge $\beta, \gamma$ e $\delta$. Nello specifico, $\tau_E = (1-\chi)\beta + \chi \frac{\beta + \gamma\delta}{1-\delta^2}$. Ciò mostra che il contagio ($\delta$) modifica l'effetto diretto, potendo amplificarlo o attenuarlo a seconda del segno e dell'entità di $\delta$.
   • Contagio Non Restretto (Grafi Casuali): In grafi di interferenza sparsi e densi (inclusi i modelli a blocchi stocastici), gli autori mostrano che, sebbene l'effetto ego $\tau_E$ possa rimanere $\beta$ sotto certe condizioni di crescita, l'effetto totale $\tau_T$ è scalato da un fattore dipendente da $\delta$. Fondamentalmente, il contagio non può cancellare o invertire il segno dell'effetto totale se l'effetto base ($\beta + \gamma$) è diverso da zero, ma può alterarne significativamente l'entità.
   • Dimensione della Comunità: Nei modelli a blocchi con correzione del grado, gli autori riscontrano che comunità più grandi contribuiscono maggiormente all'effetto causale totale rispetto a quelle più piccole.

3. Implicazioni Statistiche e Bias:
   Il paper analizza le conseguenze dell'ignorare il contagio nella stima:

   • Stimatori Basati sul Modello: Gli stimatori dei Minimi Quadrati Ordinari (OLS) che ignorano la dipendenza degli esiti (impostando $\delta=0$) soffrono di bias asintotico. Gli autori dimostrano che il valore atteso di questi stimatori converge a una funzione complessa di $\beta, \gamma, \delta$ e della struttura della rete, piuttosto che ai veri parametri causali.
   • Stimatori Basati sul Design: Sebbene gli stimatori basati sul design (ad es., Horvitz-Thompson) evitino l'errata specificazione del modello, essi si basano su assunzioni di "esposizione del vicinato". Gli autori dimostrano che il contagio non ristretto viola queste assunzioni perché un intervento può influenzare un esito attraverso una catena di contagio anche se le unità non sono vicini diretti (Figura 3). Di conseguenza, gli esistenti stimatori basati sul design (come lo stimatore di bilanciamento PC) possono presentare un bias non nullo in presenza di contagio non ristretto.

Significatività e Rivendicazioni
Gli autori affermano che il loro lavoro fornisce un'intuizione teorica critica su come il contagio alteri fondamentalmente l'inferenza causale. La principale significatività risiede nel dimostrare che:

• Interventi, spillover e contagio sono inestricabilmente legati; non è possibile isolare l'effetto di un intervento senza tenere conto di come gli esiti si propagano.
• Ignorare il contagio porta a un'inferenza distorta, sia utilizzando approcci basati sul modello (a causa della dipendenza non modellata) sia approcci basati sul design (a causa delle assunzioni di esposizione violate).
• Il contagio non è meramente un parametro di disturbo; può attivamente amplificare o attenuare gli effetti degli interventi.

Il paper conclude che, sebbene il contagio ponga sfide per l'inferenza causale standard, esso offre anche opportunità. Ad esempio, se il contagio esiste, i decisori politici potrebbero potenzialmente reclutare influencer o incentivare la creazione di comunità per amplificare gli effetti degli interventi. Tuttavia, gli autori rimangono modesti riguardo alle soluzioni pratiche, notando che i rimedi per i bias identificati (come la restrizione del contagio o lo sviluppo di nuovi metodi di riduzione bias-varianza) sono aree necessarie per il lavoro futuro.