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

技術要約：ネットワーク干渉下における不均一な処置効果

問題提起
ネットワーク設定における因果推論は、個人の結果が自身の処置だけでなく、隣接するノードの処置にも依存する「ネットワーク干渉」によって複雑化する。既存の文献は、集団平均的な処置効果（平均処置効果、平均直接効果、平均スピルオーバー効果など）の推定については幅広く扱っているが、これらのアプローチは、局所的なネットワーク構造によって引き起こされる不均一性を覆い隠してしまうことが多い。さらに、ノード固有の反事実的平均を識別することは理論的に困難である。なぜなら、追加の仮定なしには、ネットワークで連結されたユニットの単一の観測からは、特定のノोडおよび特定の近傍介入下における特定のノードの反事実的結果を非パラメトリックに識別するための十分なデータが得られないためである。自己回帰型グラフモデルなどの従来のアプローチは、制約の強いパラメトリックな仮定に依存している。

手法：KECENI
著者らは、ターゲットとなるノード $i^*$ の近傍への仮説的な介入割り当て $t^*_{N_{i^*}}$ の下での期待値を表す、ノード単位の反事実的平均 $\theta_{i^*}(t^*_{N_{i^*}})$ を推定するために設計された非パラメトリック・フレームワークである KECENI (Kernel Estimator of Causal Effect under Network Interference) を提案する。この推定値は、観測されたネットワーク $G$ に条件付けられたものである。

本手法は、主に以下の3つのステップで構成される：

1. 疑似アウトカムの構築: 著者らは、Kennedyら(2017)による疑似アウトカム・アプローチをネットワーク設定に適応させている。彼らは、アウトカム回帰関数 $\mu_i$ と傾向スコア $\pi_i$ を組み合わせた疑似アウトカム $\xi_i$ を定義する。この構成により、アウトカムモデルまたは傾向スコアモデルのいずれかが正しく特定されている限り、疑似アウトカムがノード単位の反事実的平均の不偏推定量となる**二重の頑健性（ダブル・ロバスト性）**が確保される。
2. カーネル平滑化: 「限定的な重複（limited overlap）」問題（観測データにおいて、ターゲットとなるノードの近傍構成と完全に一致する事例が稀であること）に対処するため、KECENIは類似した近傍構成を持つノードから情報を集約する。類似性は、ユーザー指定の非類似度指標 $\Delta$（例：曝露マッピングやグロモフ・ワッサースタイン距離に基づくもの）によって定量化される。本推定量は、これらの類似したユニットの疑似アウトカムに対してカーネル平滑化を適用する。
3. 推論: 本論文では、ネットワーク・データに固有の依存構造を扱うために、新しい経験過程理論を開発している。この理論は、同じデータが妨害パラメータ（nuisance parameters）と因果推定量の両方の推定に使用されることを考慮した上で、KECENI推定量の一致性と漸近正規性を確立する。依存性を調整した経験的サンドイッチ分散推定量が、有効な信頼区間を構築するために提案されている。

主な貢献

• 推定対象の転換: 本論文は、推論の主要な対象を集団平均的な推定量からノード単位の反事実的平均へとシフトさせている。これにより、局所的なネットワーク特徴（例：ノード次数、クラスタリング）によって駆動される不均一性の保存と分析が可能になる。
• 非パラメトリックな識別: 以前の手法がノード単位の効果を識別するためにパラメトリックなモデル（例：自己回帰構造）に依存していたのに対し、KECENIは非パラメトリックなアプローチを提供する。これは、平滑化を用いて類似した近傍構成間で情報を共有することで、ノード単位の推定と用量反応関数の推定との関連性を活用している。
• 干渉下における二重の頑健性: 本手法は、二重の頑健性の特性をネットワーク干渉の設定へと拡張し、アウトカムモデルまたは処置割り当てメカニズムのいずれかのモデル誤設定に対する耐性を備えている。
• 新しい理論的ツールキット: 著者らは、ネットワーク依存性下での重み付き平均のための新しい経験過程理論を開発した。この理論は、ネットワーク依存性とネットワークの複雑さが増大する状況下で確率項を制御するものであり、この設定における有効な漸近的推論を確立するために必要なステップである。
• データ駆動型のチューニング: 本フレームワークは、クロスバリデーションを通じて、非類似度指標、カーネル、およびバンド幅のデータ駆動型の選択を容易にする。これは、類似性指標の選択をモデル選択問題として扱うものである。

結果

• シミュレーション:
  • 一致性と正規性: シミュレーションにより、KECENIの推定量が一致性を持ち、漸近正規であり、信頼区間が公称被覆率を達成することが示された。
  • 二重の頑棒性: モデル誤設定のシナリオにおいて、KECENIは、妨害パラメータ（アウトカムまたは傾向）のいずれかのモデルが正しく特定されている限り、低い平方根平均二乗誤差（RMSE）を維持する。一方、G-computation推定量は、アウトカムモデルが誤設定されている場合に失敗する。
  • 既存手法との比較: 真のデータ生成プロセスに、未知または誤設定された複雑な相互作用（例：AUTOGNETやTMLENETなどのパラメトリックモデル）が含まれる場合、KECENIは非パラメトリックな平滑化と融合グロモフ・ワッサースタイン距離を用いて、治療効果を正常に識別できる。逆に、パラメトリックモデルが正しく特定されている場合、KECENIはこれらの手法と同等の性能を示す。
• 実証的応用（インドのマイクロファイナンス）:
  • バンネルら(2013)によるインド農村部のマイクロファイナンス・データに適用し、貯蓄自助グループ（SHG）への加入が財務リスク許容度に与える影響を推定した。
  • 集団全体の平均スピルオーバー効果（ASpE）は統計的に有意ではないことが示されたが（先行研究と一致）、ノード単位の分析により顕著な不均一性が明らかになった。
  • 具体的には、**接続数が少ない処置済みノード（低次数）**において有意な正のスピルオーバー効果が検出された一方で、高接続のノードではそのような効果は見られなかった。これは、接続性の低い個人が、隣接する者の参加によるスピルオーバー効果の影響を受けやすいことを示唆しており、集団平均的な推定では隠されてしまう微細なニュアンスである。

意義と主張
本論文は、KECENIがネットワークの接続性と共に治療効果がどのように変化するかを理解するための柔軟なフレームワークを提供し、介入ターゲットの選定や政策評価のための粒度の高い洞察を与えるものであると主張している。平均的な効果を超えて検討することで、スピルオーバー効果は一様ではなく、局所的なネットワーク特性に決定的に依存することを本手法は明らかにしている。

著者らは、本アプローチが既存の手法の実用的な限界に対処していることを強調している。それは、曝露マッピングの場当たり的な選択という問題である。KECENIは、クロスバリデーションを通じて類似性指標のデータ駆動型の選択を可能にすることで、ネットワーク干渉下における因果モデル選択への原理的な道筋を提供している。

なお、本論文は、ネットワーク構造に関連する不均一性を識別しているものの、ホモフィリー（選択効果）からネットワーク構造自体の因果効果を分離しているとは主張しておらず、その実現にはより強い仮定や縦断的なネットワークデータが必要であることを述べ、その範囲を限定的に捉えている。理論的保証は、ネットワーク依存性（例：限定された局所依存半径）および基礎となる関数の滑らかさに関する特定の正則条件に依存している。