On the Impossibility of Specification Testing of Interference Models Based on Exposure Mappings

技術的サマリー：曝露マッピングに基づく干渉モデルの仕様テストの不可能性について

問題の提示
スリルオーバー（干渉）が疑われる無作為化実験において、分析者は因果効果を推定するために干渉モデルを仮定しなければならない。実証研究における支配的なアプローチは、曝露マッピング（Aronow & Samii, 2017）を利用するものであり、これは各単位に対する高次元の処置ベクトルを低次元の要約に縮約する。真のスリルオーバーの性質はめったに知られていないため、研究者は選択した干渉モデルが正しく仕様化されているかどうかを判断するために仕様テストを採用するという、重要な課題が生じる。

既存の文献は、第一種過誤（正しいモデルを棄却すること）を制御する仕様テスト（しばしばフィッシャー型の無作為化テストに基づく）を開発してきたが、これらのテストの第二種過誤（誤ったモデルを採択すること）は未だ十分に理解されていない。本論文が扱う中心的な問いは、特に誤仕様が「よく分離された」場合において、正しく仕様化された曝露マッピングモデルと誤仕様化されたモデルを信頼性を持って区別できる仕様テストを構築可能かどうかである。

方法論と枠組み
著者らは、無作為化実験のためのデザインベースの枠組みを採用する。彼らは以下の構成要素を用いて問題を形式化する。

• モデル: 帰無モデル（$M_0$）と対立モデル（$M_1$）は、潜在的結果関数の集合である。両者は、適切に振る舞う結果を確保するために、一様なモーメントの上限（$\|y\|_\infty \le 1$）によって制限される。
• 曝露モデル: 本論文は、単位 $i$ の潜在的結果が曝露マッピング $h_i(z)$ のみに依存するモデルに焦点を当てる。モデルが正しく仕様化されているとは、曝露 $h_i(z)$ を変化させない処置ベクトル $z$ の変化に対して結果が不変であることを意味する。
• 分離: 検出力を評価するために、著者らは帰無モデルからの潜在的結果関数の偏差を測定する分離汎関数 $g(y)$ を定義する。対立モデルが $\delta$-分離されているとは、$g(y) \ge \delta$ であることをいう。
• 性能指標: 本論文は、総合テスト誤差 $R(D, \phi, \delta)$ を用いてテストを評価する。これは、$\delta$-分離された対立モデルに対する最悪ケースの第一種過誤と最悪ケースの第二種過誤の和として定義される。
• 不可能性の基準: テスト問題が不可能であるとみなされるのは、 minimax テスト誤差 $R^*(\delta) = 1$ である場合である。これは、いかなるテスト手続きも、すべてのデータを破棄し、ランダムに帰無仮説を棄却する単純な手続きよりも優れた性能を発揮できないことを意味する。

主要な貢献と結果

1. 曝露マッピングに対する不可能性定理:
   本論文の主要な結果（定理 3.1）は、強力な不可能性の結果を確立する：曝露マッピングモデルの仕様テストは不可能である。

   • 具体的には、任意の帰無曝露モデル $M_0$ と任意の対立曝露モデル $M_1$（ただし $M_0 \subseteq M_1$）に対して、すべての非自明な分離値 $\delta$ において、minimax テスト誤差は正確に 1 である。
   • この結果は、すべてのサンプルサイズ（$n$）、一様に有界な結果、および帰無モデルから最大限に分離された対立モデルに対して成り立つ。
   • 証明の概要: 著者らは、観測される結果の分布間の総変動距離が任意の処置割り当て $z$ に対してゼロ（$d_{TV}(Q_0(z), Q_1(z)) = 0$）となるような、明示的な混合分布 $\Pi_0$（$M_0$ を支持）と $\Pi_1$（$\delta$-分離された $M_1$ を支持）を構成する。観測データ分布がいかなる実験デザインの下でも区別不可能であるため、いかなるテストもランダムな推測以上の検出力を達成することはできない。

2. 鋭い帰無仮説に関する帰結:
   この不可能性は、「処置効果なし」と「干渉なし（SUTVA）」を区別するなど、特定の一般的なケースにも及ぶ。処置効果が最大限に大きい（モーメントの上限によって分離されている）場合でも、帰無混合分布と対立混合分布の下でのデータ分布は同一であり、モデルは経験的に区別不可能となる。

3. 非曝露対立モデルに対する一貫性テスト:
   著者らは、この不可能性の結果が曝露マッピングモデルのクラスに特有のものであることを示す。対立モデルを曝露マッピングではない構造に制限することで、有益なテストが可能となる。

   • 彼らは、干渉なし（SUTVA）という帰無仮説に対して、ネットワーク線形平均モデル（結果が処置された隣接者の割合に対して線形であるモデル）という対立仮説に対する一貫性テストを構築する。
   • このテストは、ベルヌーイデザイン下での潜在的結果の二次汎関数の一貫推定量を利用する。
   • このテストは、ネットワークの最大次数 $d_{max}$ が $d_{max} = o(n^{1/5})$ を満たす限り、一貫性を有する。

意義と主張
本論文は、実験データのみを用いて曝露マッピングモデルを検証できないことは、方法論的な洗練さの欠如ではなく、根本的な限界であると主張する。

• 認識論的含意: モデル仕様化の問題は、実験データのみでは解決できない。著者らは、研究者がデータに依存して曝露モデルのすべての潜在的な誤仕様を排除することはできないと論じる。
• 実践的指針: 著者らは、仕様テストが有用であるのは、研究者が曝露マッピングの構造的制約を超えた事前の制限を対立モデルに課す場合に限られると主張する。実験者が帰無仮説からのいかなる逸脱も事前に排除することに消極的である場合、唯一妥当な結論は、帰無仮説が誤仕様化されている可能性があるということである。
• 焦点の転換: 本論文は、特定の曝露モデルが「正しい」かどうかを検証しようとする試み（それが不可能であることが示された課題）から離れ、特定の事前指定されたタイプの逸脱（線形平均モデルの例が示すように）を対象としたテストの構築へと、分野の焦点を移すべきであると示唆する。
• 外部データの役割: 著者らは、モデル仕様の解決には外部データや質的アプローチの組み込みが必要かもしれないと指摘するが、これは新たな、おそらく検証不可能な仮説を導入することになる。

要約すると、本論文は、サンプルサイズや分離の大きさに関わらず、いかなる仕様テストもネストされた曝露マッピングモデルを均一に区別できないという形式的証明を提供する。したがって、有益な仕様テストを行うためには、対立仮説の範囲を曝露マッピングのクラスを超えて狭める必要がある。