Sintesi Tecnica: Inferenza Causale sotto Interferenza di Rete

1. Definizione del Problema

L'inferenza causale tradizionale si basa sulla Stable Unit Treatment Value Assumption (SUTVA), la quale postula che i potenziali esiti di un'unità non siano influenzati dalle assegnazioni di trattamento di altre unità. Tuttavia, in popolazioni interconnesse — che spaziano dai social network ai mercati economici — tale assunzione è frequentemente violata. Il documento affronta la sfida di inferire gli effetti causali in presenza di interferenza, definita come il fenomeno per cui l'assegnazione del trattamento di un'unità influenza gli esiti di altre unità.

Gli autori distinguono tra due forme primarie di interferenza:

• Spillover (Effetto di traboccamento): Effetti diretti in cui l'esito di un'unità è influenzato dalle assegnazioni di trattamento dei suoi vicini (ad esempio, un adolescente che acquista abiti perché un amico è stato esposto a una pubblicità).
• Contagion (Contagio): Effetti indiretti in cui l'esito di un'unità è influenzato dagli esiti di altri, i quali a loro volta sono stati influenzati dalle assegnazioni di trattamento (ad esempio, un adolescente che acquista abiti perché ha osservato un amico indossarli, indipendentemente dal fatto che l'amico sia stato direttamente targetizzato).

Il documento esamina i recenti progressi nella rilevazione, identificazione e stima degli effetti causali in queste condizioni, attingendo dall'inferenza causale, dalla scienza delle reti e da discipline correlate.

2. Metodologia e Framework

2.1 Notazione e Potenziali Esiti

Gli autori adottano il framework dei potenziali esiti di Rubin, estendendolo per consentire ai potenziali esiti $Y_i(x)$ di dipendere dall'intero vettore di trattamento $x \in \{0, 1\}^N$. Distinguono tra:

• Potenziali Esiti Fissi ($y(\cdot)$): Gli esiti sono trattati come costanti fisse, con la casualità che deriva esclusivamente dal meccanismo di assegnazione del trattamento.
• Potenziali Esiti Casuali ($Y(\cdot)$): Gli esiti sono trattati come variabili casuali generate da un processo stocastico.

L'interferenza è rappresentata tramite grafi di interferenza (che definiscono quali unità possono influenzare altre) e mappature di esposizione (che riducono l'alto-dimensionale vettore di trattamento $x$ a una bassa-dimensionale esposizione $d$).

2.2 Target dell'Inferenza Causale

Il documento esamina varie definizioni di effetti causali:

• Global Average Treatment Effect (GATE): La differenza tra gli esiti medi in uno scenario in cui tutte le unità sono trattate rispetto a uno in cui nessuna lo è ($\tau(1, 0)$).
• Effetti Diretti e Indiretti: Decomposizioni dell'effetto totale nell'impatto del trattamento della propria unità (diretto) e nell'impatto dei trattamenti altrui (indiretto/spillover).
• Effetti Basati sull'Esposizione: Effetti definiti da specifici livelli di esposizione (ad esempio, numero di vicini trattati) piuttosto che da specifici vettori di trattamento.

2.3 Identificazione

L'identificazione degli effetti causali si basa sull'ignorabilità (l'assegnazione del trattamento è indipendente dai potenziali esiti) o sulla condizionale ignorabilità (indipendenza dati i confonditori osservati).

• In contesti sperimentali con controllo completo, la randomizzazione garantisce l'identificazione.
• In contesti osservazionali, l'identificazione richiede che l'assegnazione del trattamento sia indipendente dai potenziali esiti dati le covariate osservate e il grafo di interferenza.

2.4 Strategie di Stima

Il documento categorizza gli stimatori in due classi principali:

• Stimatori Basati sul Design: Questi si affidano al meccanismo di randomizzazione senza modellare il processo di esito. Esempi chiave includono gli stimatori di Horvitz-Thompson e Hájek, che utilizzano il pesamento per propensione inversa per stimare gli effetti diretti o gli effetti basati sulle mappature di esposizione.
• Stimatori Basati su Modelli: Questi assumono un modello parametrico o semi-parametrico per i potenziali esiti. Esempi includono gli stimatori doppiamente robusti, che combinano la modellazione dell'esito con la modellazione del punteggio di propensione per ottenere la consistenza se almeno uno dei due modelli è corretto.

2.5 Rilevazione dell'Interferenza

Gli autori esaminano i test di randomizzazione condizionale (ad esempio, Aronow [1]) per rilevare la presenza di interferenza. Questi test condizionano su un sottoinsieme di unità focali per creare un'ipotesi nulla netta. Il documento nota che, mentre questi test sono efficaci nel rilevare lo spillover (interferenza basata sui vicini), spesso falliscono nel rilevare il contagio, poiché il contagio può violare le assunzioni di esposizione di vicinato che sottendono agli standard statistici dei test.

3. Risultati Chiave e Conclusioni

3.1 L'Intreccio degli Effetti

Attraverso espressioni in forma chiusa derivate da modelli di aspettativa condizionale lineare (specificamente i Campi Aleatori di Markov Gaussiani), gli autori dimostrano che gli effetti di trattamento, spillover e contagio sono profondamente intrecciati. Anche in scenari semplici, l'effetto causale totale è una funzione complessa dell'effetto diretto del trattamento, del coefficiente di spillover e del coefficiente di contagio. Fondamentalmente, il contagio può amplificare o attenuare l'effetto totale, ma non può invertirne il segno nelle condizioni studiate.

3.2 Limitazioni delle Assunzioni di Esposizione di Vicinato

Il documento evidenzia un limite critico nella metodologia attuale: molti stimatori e test assumono l'esposizione di vicinato (gli esiti dipendono solo dal proprio trattamento e dal trattamento dei propri vicini).

• Violazione del Contagio: Il contagio permette alle assegnazioni di trattamento di unità non vicine di influenzare gli esiti indirettamente.
• Evidenza da Simulazione: Le simulazioni mostrano che, mentre i test standard rilevano con successo lo spillover, essi falliscono nel rilevare l'interferenza guidata puramente dal contagio. Ciò accade perché le statistiche dei test si basano su strutture di vicinato che il contagio bypassa.

3.3 Ambito delle Conclusioni Causali: Grafi Fissi vs. Casuali

Una parte significativa del documento analizza l'ambito delle conclusioni causali in base al fatto che il grafo di interferenza sia trattato come fisso o casuale.

• Grafi Fissi: Condizionare su un grafo di interferenza specifico limita l'ambito delle conclusioni. Se il grafo varia significativamente (ad esempio, la presenza o l'assenza di "influencer" o superstar), le conclusioni derivate da un grafo potrebbero non generalizzarsi ad un altro.
• Grafi Casuali: Trattare il grafo come casuale permette di trarre conclusioni che si generalizzano attraverso diverse strutture di rete (ad esempio, da grafi sparsi a densi), a condizione che il processo generatore del grafo sia correttamente specificato.
• Simulazione sulla Variabilità: Le simulazioni che coinvolgono "superstar" (nodi con alta connettività) dimostrano che l'alta variabilità nei grafi di interferenza porta a distribuzioni multimodali dei potenziali esiti. Condizionare su un grafo senza superstar produce esiti medi differenti rispetto al condizionare su un grafo con loro, illustrando come le conclusioni causali siano altamente sensibili alla struttura della rete.

3.4 Validità Esterna

Il documento identifica la validità esterna (generalizzabilità e trasportabilità) come un importante problema aperto. Gli attuali metodi faticano a generalizzare i risultati da un campione a una popolazione quando esiste interferenza, particolarmente perché gli esiti delle unità campionate possono essere influenzati da unità non campionate (contagio).

4. Significato e Problemi Aperti

Il documento si pone come una revisione completa dello stato dell'arte dell'inferenza causale sotto interferenza, colmando i vuoti tra l'inferenza causale teorica, la scienza delle reti e campi applicati come la sanità pubblica e l'economia.

Significato:

• Chiarisce la distinzione tra spillover e contagio, mostrando come i metodi standard spesso confondano o perdano il secondo.
• Dimostra che la scelta tra potenziali esiti fissi o casuali, e tra grafi di interferenza fissi o casuali, altera fondamentalmente l'ambito e la validità delle conclusioni causali.
• Fornisce un framework rigoroso per comprendere come la struttura della rete (ad esempio, la presenza di influencer) agisca come confonditore o modificatore di effetto nella analisi causale.

Problemi Aperti Identificati:

1. Rilevazione del Contagio: Sviluppare test che non dipendano dalle assunzioni di esposizione di vicinato per rilevare l'interferenza derivante dal contagio.
2. Effetti della Struttura di Rete: Comprendere come specifiche caratteristiche ad alta dimensionalità delle reti (oltre ai semplici conteggi di grado, come la struttura di comunità o i nodi "ponte") influenzino gli effetti causali.
3. Dati Indicizzati nel Tempo: Estendere l'inferenza causale a contesti con osservazioni ripetute dove trattamento ed esiti evolvono nel tempo.
4. Dati Indicizzati nello Spazio e nel Tempo: Affrontare l'interferenza spaziale dove le connessioni sono pesate dalla distanza.
5. Oltre le Medie: Andare oltre la stima dei potenziali esiti medi per comprendere come i trattamenti influenzino l'intera distribuzione (varianza, code, multimodalità) degli esiti, specialmente in presenza di variabilità di rete.

Gli autori concludono che, sebbene siano stati fatti progressi significativi nell'identificazione e stima degli effetti causali sotto interferenza, il campo rimane ai primi passi per quanto riguarda la rilevazione del contagio, la generalizzazione dei risultati attraverso diverse strutture di rete e la gestione delle dipendenze temporali e spaziali.