Design-based edge-level causal inference with machine learning assisted covariate adjustment

技術要約：機械学習による共変量調整を用いた、設計ベースのエッジレベル因果推論

1. 問題提起

本論文は、ダイアディック（二者間）干渉が存在する有向ネットワークにおける、エッジレベルのアウトカムに対する設計ベースの因果推論という課題に取り組んでいる。エッジレベルのアウトカム（例：通信強度、貿易フロー、疾病伝播）は、有向ペア $(i, j)$ 上で定義され、送信者（sender）$Z_i$ と受信者（receiver）$Z_j$ の両方のトリートメント割り当てに依存する。これは、ノードレベルのアウトカム（個々のユニット上に定義される）とは異なる。

この設定は、複雑な依存構造を導入し、ノードレベルのデータに対して開発された標準的な推定および推論手順を無効にする。具体的には以下の通りである：

• 依存性： 共通の端点を持つエッジの観測値は本質的に依存しており、標準的なサンプル分割で使用される独立性の仮定を損なう。
• ノード集計におけるバイアス： エッジのアウトカムをノードレベルに集計すること（例：外向きの相互作用の総和）は、エッジレベルの因果効果を不偏に推定するために必要な、特定の送信者・受信者のトリートメント構成に関する情報を破棄してしまうことが多い。
• 分散推定： コーシー＝シュワルツの不等式に依存する古典的な分散推定量は、潜在的なアウトカムのすべての交差項を観測不能なものとして扱うため、過度に保守的となる。これは、エッジレベルの構造に固有の識別可能な成分を無視している。

2. 手法

A. フレームワークと推定量
著者らは、潜在的なアウトカムとネットワーク構造は固定されており、ランダム性はトリートメント割り当てベクトル $Z$ のみに由来するという、設計ベースのフレームワークを採用している。

• ダイアディック干渉の仮定： 潜在的なアウトカム $Y_{i \to j}$ は $(Z_i, Z_j)$ にのみ依存する。
• 因果推定量（Estimands）： 一般的なエッジレベルの因果効果は $\tau = \sum_{\zeta} \omega(\zeta)\theta(\zeta)$ として定義される。ここで、$\theta(\zeta)$ はトリートメント構成 $\zeta \in \{(0,0), (0,1), (1,0), (1,1)\}$ の下での平均潜在アウトカムである。これにより、送信者効果、受信者効果、全効果といった特定の効果の定義が可能になる。
• ホーブライト・トンプソン（HT）推定量： 著者らは $\theta(\zeta)$ および $\tau$ のためのHT推定量を構築する。彼らは、これらの推定量が不偏であることを確立し、緩やかな正則条件（有界なアウトカム、十分なネットワーク連結性、およびネットワーク密度 $\rho_n$ の特定の成長率）の下で漸近正規性を導出している。

B. 分散推定
古典的な手法の過度な保守性を回避するため、本論文では、特定の交差項の識別可能性を利用した洗練された分散推定量を開発している。

• 識別規則： 交差項 $Y_{i \to j}(z_1, z_2)Y_{i' \to j'}(z_3, z_4)$ は、同一のユニットに対して矛盾するトリートメント割り当てを課さない場合に識別可能である。
• 洗練された境界： 全ての分散行列を対角化する代わりに、互換性のある交差項（例：一貫したトリートメントを持つ逆方向のエッジ $Y_{i \to j}Y_{j \to i}$）を保持し、残りの不適合な項のみを境界付ける。これにより、2つの推定量が得られる：
  • $\widehat{var}_{U1}$：有限標本における上界（保守的）。
  • $\widehat{var}_{U2}$：平均ネットワーク次数が大きい場合に $\widehat{var}_{U1}$ よりも保守的でない、漸近的に保守的なターゲット。

C. 共変量調整と3分割サンプル分割
効率性を向上させるため、機械学習支援型の増強逆確率重み付け（AIPW）を用いて補助的な共変量を組み込んでいる。

• 課題： 標準的な2分割サンプル分割は、エッジがフォールドAのノードとフォールドBのノンドを結ぶ可能性があるため、エッジレベルの設定では失敗する。一方のフォールドでモデルを訓練する場合、条件付き独立性を確保するために、そのエッジの両端点をデータから除外する必要があり、訓練用のデータが残らなくなる可能性がある。
• 解決策： 3分割サンプル分割およびクロスフィッティングスキームを導入する。ノードを3つの互いに素な集合 ($S_1, S_2, S_3$) に分割する。エッジを、その端点のフォールド所属に基づく（フォールド内またはフォールド間）カテゴリーに分類する。モデルは、エッジ $(i, j)$ の訓練データが、そのエッジ自体の端点を共有しないことを保証するように、特定のフォールドの組み合わせに基づいて訓練される。
• 安定性条件： 調整済み推定量の漸近正規性は、適合されたモデルが、ネットワークのサイズと密度に対して十分な速度でオラクル関数に収束するという安定性条件に依存する。
• キャリブレーション： 非線形機械学習モデルに対してキャリブレーションステップを導入し、調整済み推定量が未調整の推定量に対して漸近的な効率性の損失を被らないこと（「害を与えない」特性）を保証する。

3. 主な貢献

1. 理論的基礎： 既存の文献よりも弱いネットワーク仮定の下で、一般的なエッジレベルの因果効果に対するホーブライト・トンプソン推定量の収束率と中心極限定理を確立した。
2. 洗練された分散推定： 識別可能なエッジレベルの依存構造を活用した分散推定量を提供し、古典的なコーシー＝シュワルツに基づくアプローチよりも大幅に保守性の低い境界を実現した。
3. 3分割クロスフィッティング： エッジレベルの依存関係が存在する場合でも、不偏な共変量調整に必要な条件付き独立性を回復させる、カスタマイズされた3分割サンプル分割手順を導入し、柔軟な機械学習手法の使用を可能にした。
4. 高次元および非パラメトリックな妥当性： 線形モデル（共変量次元 $d = o(n)$ を許容）および非パラメトリック機械学習手法の両方に対する安定性条件の検証、ならびに効率性の向上を保証するためのキャリブレーションステップを提示した。

4. 結果

• シミュレーション： 様々なネットワークサイズ、希薄度、およびデータ生成プロセス（線形および非線形）にわたる広範なシミュレーションにより、以下が示された：
  • 提案された推定量は不偏である。
  • 共変量調整済み推定量（線形回帰、B-スプライン、ランダムフォレスト）は、未調整の推定量と比較して、大幅な分散減少（非線形設定において約10%の減少）を達成する。
  • 第2の分散推定量 ($\widehat{var}_{U2}$) は、第1の推定量と比較して、公称の95%レベルに近い被覆確率と短い信頼区間を提供する。
  • キャリブレーションステップは、非線形モデルにおける分散の膨張を効果的に防ぐ。
• 実データへの適用： 数十億のエッジを含むWeChat Channelsの大規模なA/Bテストに手法を適用した。
  • 送信者から受信者への相互作用強度に対する、更新されたランキング式の効果を評価した。
  • ランダムフォレスト調整済みかつ第2の分散推定量を用いた推定は、未調整の推定量（標準誤差0.72%）と比較して、より小さな標準誤差（0.63%）とともに、統計的に有意な正の効果（p値 = 0.049）を検出した。これは実用的な効率性の向上を示している。

5. 意義と主張

本論文は、アウトカムがエッジ上で定義される有向ネットワークにおける因果推論のための、厳密な設計ベースのフレームワークを提供することを主張している。その主な意義は以下の点にある：

• ギャップの解消： 複雑な依存構造のために、標準的なノードレベルの因果推論ツールをエッジレベルのアウトカムに直接拡張できないという、手法上のギャップに対処している。
• 効率性： 提案された3分割分割およびキャリブレーションと組み合わせることで、妥当性を損なうことなく、機械学習を介した共変量の組み込みが推定精度を大幅に向上させられることを示している。
• 堅牢性： 設計ベースのフレームワークはランダム化のみを唯一の不確実性の源として扱うため、アウトカムモデルの正しい特定に依存しない妥当な推論を提供する。
• 実用的な適用可能性： 実世界の、大規模なプラットフォームデータにアプローチを適用することで、これらの理論的進歩が、ネットワーク上の介入を評価するための産業的な環境に展開可能であることを示した。

著者らは、本フレームワークがダイアディック干渉（端点のみに依存する）を仮定していることを認めており、露出マッピング（exposure mappings）を介した高次干渉（例：隣人の隣人）への拡張は今後の課題であるとしている。また、エッジレベルの分析がノードレベルの分析と比較して、データ量と計算量の要件が増大することも指摘している。