Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework

Sintesi Tecnica: Inferenza Causale su Reti sotto Mappatura di Esposizione Misspecificata

1. Enunciato del Problema

Stimare gli effetti del trattamento in contesti di rete è fondamentalmente complesso perché l'esito di un'unità dipende non solo dal proprio trattamento, ma anche dai trattamenti delle unità connesse (interferenza). Ciò viola l'Assunzione di Variabile di Trattamento di Unità Stabile (SUTVA). Per gestire la complessità esponenziale del condizionamento su tutte le possibili assegnazioni di trattamento in una rete di dimensione $N$, i metodi esistenti impiegano tipicamente una mappatura di esposizione ($g$). Questa funzione comprime le assegnazioni di trattamento ad alta dimensionalità dei vicini di un'unità in un riepilogo a bassa dimensionalità (ad esempio, la proporzione di vicini trattati).

Tuttavia, questi metodi si basano sull'assunto che la mappatura di esposizione sia specificata correttamente sulla base della conoscenza del dominio. Nella pratica, il meccanismo di propagazione dello spillover è spesso solo parzialmente compreso, portando a una misspecificazione di $g$. Quando la mappatura assunta $g$ differisce dalla vera mappatura sottostante $g^*$, gli stimatori standard per gli effetti diretti e di spillover diventano severamente distorti. La letteratura attuale manca di un framework generale per delimitare i potenziali esiti e gli effetti del trattamento in presenza di misspecificazione della mappatura di esposizione, in particolare sia per dati sperimentali che osservazionali.

2. Metodologia

Gli autori propongono un framework di identificazione parziale che valuta la robustezza delle stime causali sotto misspecificazione della mappatura di esposizione. Invece di tentare di identificare puntualmente l'effetto del trattamento sotto un modello potenzialmente errato, il framework deriva limiti superiori e inferiori netti sui potenziali esiti e sugli effetti del trattamento.

Componenti Core:

• Modello di Sensibilità tramite Limiti di Propensione: Il framework modella la misspecificazione come uno shift di distribuzione tra la propensione della mappatura assunta $g$ e la vera mappatura $g^*$. Introduce limiti specificati dall'utente $b^-(z, x)$ e $b^+(z, x)$ tali che il rapporto tra la vera propensione e la propensione assunta sia limitato:
  $$b^-(z, x) \leq \frac{p(g^*(t_N) = z \mid x)}{p(g(t_N) = z \mid x)} \leq b^+(z, x)$$
  Questo approccio viene istanziato per tre setting di esposizione canonici:

  1. Medie Pesate: Permettendo ai pesi dei trattamenti dei vicini di deviare da una media uniforme di una certa ampiezza $\epsilon$.
  2. Soglia (Thresholding): Permettendo alla soglia $c$ utilizzata per definire l'esposizione (ad esempio, "più della metà trattati") di variare nell'intervallo $[c \pm \epsilon]$.
  3. Spillover di Ordine Superiore: Tenendo conto dell'interferenza da parte dei vicini oltre il vicinato immediato (confondimento non osservato), utilizzando i limiti di sensibilità della letteratura sul confondimento non osservato.

• Derivazione di Limiti Netti (Sharp Bounds): Utilizzando concetti di analisi di sensibilità causale, gli autori derivano espressioni in forma chiusa per i limiti superiori e inferiori netti del Potenziale Esito Medio Condizionale (CAPO), $\mu^\pm(t, z, x)$. Questi limiti sono costruiti ottimizzando l'esito atteso su un insieme di distribuzioni coerenti con i dati osservati e i limiti di propensione. La soluzione implica un valore di cutoff $Q^\pm$ (un quantile condizionale) e funzioni di momento condizionali, garantendo che i limiti siano gli intervalli più stretti possibili che contengono il vero esito dato il livello di misspecificazione.

• Stima Ortogonale: Per stimare questi limiti dai dati, gli autori sviluppano uno stimatore ortogonale basato sulla teoria dell'apprendimento statistico.

  • Parametri di Disturbo (Nuisance Parameters): La stima richiede la stima di funzioni di disturbo: i punteggi di propensione ($\pi_t, \pi_g$), i cutoff ($Q^\pm$) e le funzioni di momento condizionali ($\gamma^\pm_u, \gamma^\pm_l$).
  • Costruzione del Pseudo-Esito: Costruiscono uno pseudo-esito ortogonale $\phi^\pm_{t,z}$ che è del primo ordine insensibile agli errori nei modelli di disturbo. Ciò consente l'uso di modelli di machine learning flessibili per le funzioni di disturbo senza introdurre bias significativo nelle stime dei limiti finali.
  • Procedura in Due Fasi: Il metodo impiega il $K$-fold cross-fitting. In primo luogo, le funzioni di disturbo vengono apprese sui fold di training. In secondo luogo, gli pseudo-esiti vengono calcolati sui fold di test e regrediti sulle covariate $X$ per ottenere le stime finali dei limiti.

3. Contributi Chiave

1. Framework di Identificazione Parziale: L'articolo introduce un nuovo framework per l'inferenza causale sulle reti che fornisce limiti netti e validi sugli effetti del trattamento sotto misspecificazione della mappatura di esposizione, colmando una lacuna dove precedentemente non esisteva un framework generale.
2. Garanzie Teoriche: Si dimostra che i limiti derivati sono netti (gli intervalli più stretti possibili) e validi (contenenti il vero effetto) sotto gli assunti di sensibilità specificati.
3. Stimatore Ortogonale: Gli autori propongono uno stimatore ortogonale model-agnostic che raggiunge tassi di convergenza quasi-oracle. Ciò significa che l'errore dello stimatore dipende solo dal prodotto degli errori di stima di disturbo (secondo ordine), permettendogli di rimanere robusto anche se i modelli di disturbo sono misspecificati o convergono lentamente.
4. Istanziazione per Setting Canonici: Il framework è esplicitamente formulato per tre mappature di esposizione comunemente usate: medie del vicinato pesate, mappature basate su soglia e scenari che coinvolgono spillover di ordine superiore.

4. Risultati Sperimentali

Gli autori valutano il framework su dataset sintetici con diverse dimensioni di rete ($N=1000$ e $N=6000$) e dimensioni di covariate.

• Validità: Le visualizzazioni confermano che quando il fattore di sensibilità (il grado di misspecificazione consentita) è impostato sufficientemente alto (fattore $\geq 1$), i limiti stimati contengono con successo i potenziali esiti e gli effetti del trattamento. Sotto assunti di sensibilità insufficienti, i limiti non coprono la verità, come previsto.
• Convergenza: I confronti tra il proposto stimatore ortogonale e uno stimatore "plug-in" standard mostrano che lo stimatore ortogonale converge più velocemente e mantiene una copertura valida anche con campioni più piccoli. Lo stimatore plug-in soffre di una sostanziale distorsione in campioni finiti dovuta agli errori di stima dei parametri di disturbo.
• Informatività: Si dimostra che i limiti sono informativi. Per i fattori di sensibilità correttamente specificati, la larghezza media degli intervalli dell'Effetto Diretto Medio (ADE) è circa l'8,71% dell'intervallo totale dell'esito. Inoltre, i limiti identificano correttamente la direzione dell'effetto del trattamento (strettamente positivo o negativo), evitando il caso banale in cui i limiti attraversano lo zero.

5. Significato e Rivendicazioni

L'articolo sostiene di far avanzare il campo dell'inferenza causale sulle reti fornendo un'alternativa robusta ai metodi standard che si affidano a mappature di esposizione potenzialmente errate. Passando dall'identificazione puntuale all'identificazione parziale, il framework permette ai ricercatori di valutare la sensibilità delle loro conclusioni rispetto alla misspecificazione del modello.

Gli autori sottolineano che il loro framework è model-agnostic e robusto agli errori di stima di disturbo, rendendolo applicabile anche quando vengono utilizzati modelli complessi e non parametrici per stimare le propensioni di rete e gli esiti sottostanti. Il lavoro non pretende di eliminare la necessità di conoscenza del dominio, quanto piuttosto di fornire uno strumento matematico rigoroso per quantificare l'incertezza introdotta quando tale conoscenza è imperfetta. Gli esperimenti dimostrano che i limiti risultanti rimangono abbastanza stretti da supportare decisioni affidabili, anche in presenza di misspecificazione della mappatura di esposizione.