Causal inference in connected populations with contagion

技術要約：伝染を伴う連結集団における因果推論

問題提起
連結集団における因果推論は、スピルオーバーや伝染といった現実世界のプロセスによって誘発される、アウトカム間の依存関係によって複雑化する。既存の文献（例：Toulis & Kao, 2013; Ugander et al., 2013; Ogburn et al., 2020）は、干渉下での因果効果を推定するための手法を開発してきたが、「伝染（contagion）」、すなわちあるアウトカム $Y_i$ が別のアウトカム $Y_j$ に影響を与えるプロセスが、因果効果および統計的推論に具体的にどのような影響を与えるかについての理解には、大きな空白が存在する。介入 $X_i$ が $Y_j$ に影響を与えるスピルオーバーとは異なり、伝染はアウトカムそのものの伝播を伴う。著者らは、このメカニズムが因果効果の大きさをどのように変化させ、あるいは方向性を変えるのか、また標準的な推定量をどのようにバイアスさせるのかについては、ほとんど知られていないと指摘している。

手法およびフレームワーク
著者らは、伝染が存在する場合の因果効果の閉形式（closed-form）の表現を導出するための理論的フレームワークを構築している。彼らは、全因果効果 $\tau_T$ を、介入を受けたユニットへの直接的な影響を表すエゴ効果（$\tau_E$）と、介入が他のユニットに与える影響を表すアルター効果（$\tau_A$）の和として定義する。

この分析は、主に以下の2つの条件に基づいている：

1. 無視可能性（条件1）： ネットワーク構造を条件とした、介入と潜在的アウトカムに関する標準的な仮定。
2. 伝染を伴う平均への線形性（条件2）： ユニット自身の介入（$\beta_i x_i$）、隣接ユニットの介入（スピルオーバー、$\gamma_i$）、および隣接ユニットのアウトカム（伝染、$\delta_i$）に依存する、アウトカム $Y_i$ の条件付き期待値を持つデータ生成プロセス。ここで、$c_{N,i}(\mathbf{z})$ はスケーリング定数である。

標準的な平均への線形モデルとは異なり、このフレームワークは伝染による依存した残差を許容し、スケーリング定数を $1/N_i$ に限定しない。著者らは、隣接行列 $\mathbf{Z}$ と行列 $\mathbf{M}(\delta, \mathbf{Z}) = (\mathbf{I}_N - \delta \mathbf{C}_N(\mathbf{Z}) \mathbf{Z})^{-1}$ を用いた行列代数を利用して、これらの効果を導出している。

主な貢献と結果

1. 閉形式の表現：
   本論文は、スピルオーバーと伝染の両方が存在する状況における $\tau_E$、$\tau_A$、および $\tau_T$ の初の閉形式の表現を提供している（定理1および定理2）。これらの表現は、介入の効果（$\beta$）、スピルオーバー（$\gamma$）、および伝染（$\delta$）が、単純な設定においてさえも密接に絡み合っていることを明らかにしている。

   • 定理1は、$\mathbf{M}(\delta, \mathbf{Z})$ のトレースおよびスペクトル特性を用いた、これらの効果の識別可能性を確立している。
   • 定理2は、期待されるネットワーク構造 $\mathbf{P} = E(\mathbf{Z})$ が実現されたネットワークを近似する場合の簡略化された表現を提供している。

2. 因果効果に対する伝染の影響：
   具体的な例を通じて、著者らは、伝染が因果効果を減少させることも増加させることもできることを示し、干渉は純粋に加算的である、あるいは無視できるという仮定に異を唱えている。

   • 制限された伝染（世帯）： 接続がサイズ2の世帯に制限されているモデルでは、エゴ効果 $\tau_E$ は、直接効果 $\beta$ と、$\beta, \gamma, \delta$ を含む項の凸結合となる。具体的には、$\tau_E = (1-\chi)\beta + \chi \frac{\beta + \gamma\delta}{1-\delta^2}$ である。これは、伝染（$\delta$）が直接効果を修正し、$\delta$ の符号と大きさによっては、それを増幅または減衰させる可能性があることを示している。
   • 無制限の伝染（ランダムグラフ）： 疎および密な干渉グラフ（確率的ブロックモデルを含む）において、著者らは、特定の成長条件の下ではエゴ効果 $\tau_E$ が $\beta$ のままである場合でも、全効果 $\tau_T$ が $\delta$ に依存する因子によってスケールされることを示している。決定的なのは、ベースとなる効果（$\beta + \gamma$）がゼロでない限り、伝染が全効果の符号を打ち消したり反転させたりすることはできないが、その大きさを大幅に変えることはできるという点である。
   • コミュニティのサイズ： 次数補正ブロックモデルにおいて、著者らは、より大きなコミュニティが小さなコミュニティよりも全因果効果に対してより大きく寄与することを見出している。

3. 統計的含意とバイアス：
   論文は、伝染を無視して推定することの結果を分析している：

   • モデルベースの推定量： アウトカムの依存性を無視する（$\delta=0$ とする）最小二乗法（OLS）推定量は、漸近的バイアスを被る。著者らは、これらの推定量の期待値が、真の因果パラメータではなく、$\beta, \gamma, \delta$ およびネットワーク構造の複雑な関数に収束することを証明している。
   • デザインベースの推定量： デザインベースの推定量（例：ホーレス・トンプソン法）はモデルの誤設定を回避するが、「近傍曝露」の仮定に依存している。著者らは、無制限の伝染はこれらの仮定を違反することを示している。なぜなら、介入は直接の隣接ユニットではないユニットに対しても、伝染の連鎖を通じてアウトカムに影響を与える可能性があるからである（図3）。その結果、既存のデザインベースの推定量（PCバランシング推定量など）は、無制限の伝染が存在する場合、消滅しないバイアスを示す可能性がある。

意義と主張
著者らは、自らの研究が、伝染がいかに根本的に因果推論を変えるかについての重要な理論的洞察を提供すると主張している。主な意義は、以下の点にある：

• 介入、スピルオーバー、および伝染は不可分に結びついており、アウトカムがどのように伝播するかを考慮せずに介入の効果を単独で分離することはできない。
• 伝染を無視することは、モデルベースのアプローチ（未モデル化された依存性による）であれ、デザインベースのアプローチ（違反された曝露仮定による）であれ、バイアスのある推論を招く。
• 伝染は単なる妨害パラメータではない。それは介入の効果を能動的に増幅または減衰させることができる。

本論文は、伝染が標準的な因果推論に課題をもたらす一方で、機会も提供すると結論づけている。例えば、伝染が存在する場合、政策立案者はインフルエンサーを勧誘したり、コミュニティ形成を奨励したりすることで、介入効果を増幅させることが可能になるかもしれない。しかし、著者らは、特定されたバイアスの救済策（伝染を制限する、あるいは新しいバイアス・分散低減手法を開発するなど）が必要な今後の課題であることを述べ、実用的な解決策については控えめな姿勢を保っている。