技術要約：ネットワーク干渉を伴う実験における処置割り当ての最適化

問題提起

現代の疫学、ソーシャルメディア、およびオンラインプラットフォームにおける実験設計は、あるユニットの転帰が自身の処置だけでなく、隣接するユニットに割り当てられた処置にも依存する「ネットワーク干渉」によって、ますます複雑化している。この現象は、潜在的な転帰が他のユニットの処置とは独立であると仮定する古典的な安定単位処置値仮定（SUTVA）を破綻させる。既存の文献では、ネットワーク実験のためのフレームワーク（例：グラフ・クラスター無作為化、再無作為化など）が開発されてきたが、これらのアプローチは主に小規模または簡略化されたネットワーク上で評価されている。その結果、多様なトポロジー（疎性やコミュニティ構造など）を持つ複雑で大規模な実世界のネットワークに対する適用可能性は、十分に確立されていない。核心となる課題は、干渉下での推定効率を向上させるために、割り当てのバランスとネットワーク・トポロジーを同時に最適化する処置割り当て戦略を設計することである。

手法

1. ネットワークモデルと干渉フレームワーク

著者らは、実験設定を $n$ 個のノードを持つ無向グラフ $G = (V, E)$ としてモデル化している。彼らは、ノード $j$ と $\ell$ がそれぞれ処置 $t(j)$ および $t(\ell)$ に割り当てられているとき、その間のエッジの数をカウントする処置間エッジ発生行列 $L$ を導入している。この行列は、ネットワーク干渉の指標として機能する。

ネットワーク構造は、ランダムグラフ・ロジスティックモデルを用いてモデル化されている。ノード $i$ と $k$ の間にエッジが存在する確率は次のように定義される：
$$P(A_{ik} = 1 | X_i, X_k) = \frac{\exp(s_{ik} + \theta L_{t(i)t(k)})}{1 + \exp(s_{ik} + \theta L_{t(i)t(k)})}$$
ここで、$s_{ik}$ は共変量の類似性を表し、$\theta$ は処置の類似性がエッジ形成に与える影響を制御する。

2. 最適性基準

最適な処置割り当てを決定するために、著者らは未知パラメータ $\alpha = (\beta^T, \sigma, \theta)^T$ に対するフィッシャー情報行列 $J(\alpha)$ を導出している。最適性基準は、この行列の行列式 $\tau = \det(J(\alpha))$ として定義される。

Chen and Chang [2023] に従い、解析的な扱いやすさを確保するために（$\theta \to 0$ の極限ケースを考慮して）、行列式は次のように近似される：
$$\tau = \left( \prod_{j=1}^m n_j \right) \left[ \sum_{h=1}^m \binom{n_h}{2} \frac{L_{hh}^2 \exp(1 + \theta L_{hh})}{[1 + \exp(1 + \theta L_{hh})]^2} + \sum_{j=1}^{m-1} \sum_{\ell > j}^m n_j n_\ell \frac{L_{j\ell}^2 \exp(\theta L_{j\ell})}{[1 + \exp(\theta L_{j\ell})]^2} \right]$$
この基準は、以下の2つの要素をバランスさせている：

1. 処置のバランス： 処置数の積 $\prod n_j$ によって促進される。
2. 構造的相互作用： 処置グループ間のエッジ発生数の二乗の加重和によって捉えられ、処置がネットワーク構造に対してどのように分布しているかを反映する。

3. 最適化アルゴリズム

$\tau$ を最大化することは組合せ最適化問題であるため、著者らは局所探索アルゴリズム（Cook and Nachtsheim [1980] および Koutra et al. [2021] からの適応）を提案している。手順は以下の通りである：

1. $R$ 個のランダムな初期処置割り当てを生成する。
2. 単一のノードの処置を別の処置と入れ替える操作を反復的に行う。
3. 入れ替えによって基準値 $\tau$ が増加する場合に、その入れ替えを受け入れる。
4. 各初期化に対して収束するまで繰り返し、全実行の中で最大値 $\tau^*$ を選択する。

4. 因果推論

著者らは、得られた設計の因果的特性を、以下の推定量の推定を通じて評価している：

• 総処置効果 (TTE): 全体的な処置の平均的な影響。
• 平均処置効果 (ATE): 隣接ノードが未処置であると仮定した場合の、あるユニットへの直接的な処置の効果。
• 平均干渉効果 (AIE): あるユニットに対する隣接ノードの処置の影響。
  これら推定量は、近傍曝露確率（$\rho_i$）を考慮した不均一な線形アウトカムモデルに基づいて導出される。

主な貢献と結果

シミュレーション研究

本フレームワークは、4つのランダムグラフモデル（Erdős–Rényi (ER)、Geometric Random (GR)、Preferential Attachment (PA)、およびStochastic Block Models (SBM)（均衡および不均衡の両方））を用いてテストされた。

• 最適性： 提案された局所探索アルゴリズムは、すべてのネットワークタイプにおいて、無作為設計、グラフ・クラスター無作為化、および再無作為化と比較して、一貫して最も高い基準値 ($\tau$) を達成した。
• バランス： 最適化された設計は、処置の割合を0.5に近い状態に維持しており、特に不均衡なSBMで見られる不安定性に対して堅牢であることを示した。
• トポロジーの影響： 最適な割り当ては、ネットワークの幾何学的構造に適応した：
  • ERグラフでは、処置はよく混合されていた。
  • GRグラフでは、空間的なクラスタリングにより、局所的な処置のポケットが生じた。
  • PAモデルでは、高次数のハブはしばしば同じ割り当てを共有した。
  • SBMでは、コミュニティ構造が明確な処置のグルーピングを駆動した。

因果推論のパフォーマンス

• TTE 推定量: 近傍の曝露パターンに依存しないため、すべてのモデルにおいて安定していた。
• ATE および AIE 推定量: 近傍曝露（$\rho_i$）の不均一性によってバイアスが生じた。
  • ERおよびGRグラフでは、大きなバイアスが観察された。これは、曝露がほぼゼロのコントロールノード（AIEに影響）や、処置ノードの曝露の変動性の高さ（ATEに影響）に起因する。
  • PAおよびSBMモデルでは、バイアスは概して小さかった。これは、これらの構造における最適化された割り当てが、より均一な曝露レベルを生成していることを示唆している。

実世界への適用

本フレームワークは、2つの実世界のデータセットに適用された：

1. 大学の寮ネットワーク (278ノード): 最適な設計は、高密度なレジデンスホールのクラスターと、疎で孤立したペアにわたって処置を分散させ、特定のサブグラフにおいて単一の処置が支配的になることを回避した。
2. Ego-Facebook ネットワーク (220ノード): 設計は、高密度のクリーク内では処置を混合させつつ、長く疎な周辺部においては均質性を維持するように処置を割り当てた。

いずれの場合も、最適化された設計は、近傍の接続性を尊重しながら処置の割り当てを成功裏にバランスさせたが、構造的な不均一性に起因するATEおよびAIEの推定量のバイアスは依然として存在した。

意義と主張

本論文は、理論的な最適性基準と実用的な大規模ネットワーク実験との間の溝を埋める、ネットワークを考慮した設計フレームワークを提供すると主張している。フィッシャー情報行列とスケーラブルな局所探索アルゴリズムを統合することで、本手法は、複雑な干渉パターンを考慮した処置割り当てを特定するための計算可能な手法を提供する。

著者らは、ネットワーク・トポロジーが最適な処置割り当てを根本的に形作ることを、本研究が示していると強調している。彼らは、これらの構造的依存性を無視することは、不適切な設計と偏った因果推定につながると主張している。しかし、論文では以下の限界についても控えめなトーンを維持している：

• 最適化はヒューリスティックであり、グローバルな最適解ではなく、準最適解を与えるものである。
• 現在のフレームワークは無向かつ静的なネットワークに限定されており、実世界のネットワークは有向、重み付き、あるいは動的である可能性がある。
• フレームワークを多処置の設定へ拡張することは、バイナリの処置・コントロール・パラダイムに固有の標準的な因果推定量（TTE, ATE, AIE）の定義を複雑にする。

結論として、本研究は、提案された手法が設計の効率性とバランスを大幅に改善する一方で、ネットワーク干渉の固有の複雑さゆえに、因果効果を解釈する際には近傍曝露の不均一性を慎重に考慮する必要があると述べている。