Experimental Design under Network Interference

기술 요약: 네트워크 간섭 하에서의 실험 설계

문제 정의
본 논문은 네트워크 간섭(스필오버)이 존재하는 상황에서 처치 효과를 추정하기 위한 2단계(two-wave) 실험을 설계하는 과제를 다룬다. 독립적인 클러스터를 가정하는 표준적인 클러스터링 또는 포화 설계(saturation designs)와 달리, 이 설정은 단일한 연결된 네트워크를 포함하며 간섭은 국지적(단위들이 주로 이웃과 상호작용함)이다. 핵심적인 어려움은 최적의 실험 설계가 알려지지 않은, 그리고 네트워크 구조와 처치 할당에 의존하는 결과 변수의 분산 및 공분산에 대한 지식을 필요로 한다는 점이다. 또한, 간섭과 이분산성이 존재할 때 표준 무작위 배정은 부정확한 추정치를 산출할 수 있다. 본 논문은 파일럿 연구를 활용하여 이러한 분산 성분을 추정하고, 이후 메인 실험의 참가자 선택 및 처치 할당을 최적화하여 사전 지정된 선형 추정량의 분산을 최소화하는 프로토콜을 개발하고자 한다.

방법론
"국지적 간섭 하의 실험(Experiment under Local Interference, ELI)"이라 명명된 제안된 프레임워크는 두 단계로 작동한다:

1. 파일럿 연구 (1단계):

   • 선택: 파일럿 단위의 부분 집합이 선택된다. 결정적으로, 선택 알고리즘(Algorithm 1)은 파일럿 단위와 비파일럿 단위 사이의 에지(edge) 수를 최소화하는 것(min-cut 최적화)을 목표로 한다. 이는 파일럿 단위와 그들의 즉각적인 이웃을 메인 실험에서 제외하도록 보장한다.
   • 근거: 파일럿 단위와 그들의 이웃을 제외함으로써, 메인 실험의 설계가 파일럿의 관찰되지 않은 변수(unobservables)에 통계적으로 의존하게 되는 것을 방지하여 메인 실험 추정량의 비혼란성(unconfoundedness)을 보존한다.
   • 추정: 처치는 파일럿 내에서 무작위로 할당된다. 파일럿 데이터는 처치 상태, 노출 매핑(예: 처치된 이웃의 수), 그리고 공변수의 함수로서 조건부 결과 분산($\sigma^2$)과 이웃 공분산($\eta$)을 추정하는 데 사용된다.

2. 메인 실험 (2단계):

   • 설계 최적화: 파일лот으로부터 얻은 분산 및 공분산 추정치를 사용하여, 연구자는 메인 실험을 위한 참가자($R$)를 선택하고 처치($D$)를 할당하는 최적화 문제(Algorithm 2)를 해결한다.
   • 목표: 이 설계는 타겟 추정량(예: 차이-평균, 회귀 조정 추정량)에 대한 조건부 분산의 플러그인(plug-in) 추정치를 최소화한다. 대상은 직접 효과(direct effects), 스필오버 효과(spillover effects), 또는 전체 효과(overall effects)이다.
   • 제약 조건: 최적화는 예산 제약(최대 표본 크기)과 파일럿으로부터 유도된 제외 제약(파일럿 단위나 그들의 이웃은 참여할 수 없음)을 따른다.

3. 확장:

   • 무작위 배정: 프레임워크는 재무작위화(re-randomization) 단계를 포함하도록 수정될 수 있다(부록 A.1). 이를 통해 모델 기반 추론을 위한 높은 정밀도를 유지하면서도, 날카로운 귀무가설(sharp null hypotheses)에 대한 설계 기반 추론을 가능하게 하며, 약간의 분산을 대가로 무작위성을 높인다.
   • 부분적 네트워크 정보: 전체 네트워크가 관찰되지 않는 설정으로 확장되며(부록 A.4), 파일럿이 연결되지 않은 구성 요소에서 추출되었다는 가정하에 누락된 에지에 대한 임퓨테이션(imputation)을 활용한다.
   • 고차 의존성: 프레임워크는 즉각적인 이웃을 넘어선 의존성(최대 차수 $M$까지)을 수용하며, 이를 위해 메인 실험에서 $M$차 이웃까지 제외한다.

주요 이론적 결과

• 불편성(Unbiasedness): 본 논문은 메인 실험이 모델 기반 추정량의 불편 추정량을 생성하기 위한 충분 조건(Proposition 3.1)을 확립한다. 이는 파일럿 단위와 그들의 이웃을 메인 실험에서 제외하는 것에 기초한다.
• 후회 보장(Regret Guarantees): 정리 4.1은 제안된 2단계 설계의 분산과 "오라클(oracle)" 설계(진정한 분산/공분산 함수를 알고 있으며 파일럿으로 인한 제약이 없는 설계) 사이의 차이를 특징짓는 후회 경계(regret bound)를 제공한다. 후회는 파일럿 크기($\bar{m}$)와 메인 실험 크기의 비율에 의해 결정되는 속도로 0으로 수렴한다.
• 파일럿 크기 조건: 근사 최적 정밀도를 달성하기 위한 파일럿 크기의 충분 조건을 도출한다. 구체적으로, 희소 네트워크(sparse networks)의 경우, 파일럿 크기가 $\bar{m} \gtrsim \bar{n}^{2/3}$로 스케일링되는 것이 후개를 무시할 수 있게 만드는 데 충분함을 보여준다(Corollary 4.2).
• 점근적 추론: 정리 4.3은 실현된 할당 메커니즘에 조건화된 추정량의 점근적 정규성을 확립하여, 메인 실험 데이터로부터 도출된 일관된 분산 추정량을 사용하여 유효한 신뢰 구간을 사용할 수 있게 한다.

실증 결과
실제 마을 우정 네트워크(Cai et al., 2015)와 시뮬레이션된 Erdős–Rényi 및 Barabási–Albert 네트워크를 사용한 수치 연구는 ELI 방법의 효능을 입증한다:

• 성능: 제안된 방법은 그래프 클러스터링(3-$\epsilon$ net), 포화 설계, 단순 무작위 할당을 포함한 최신 경쟁 방법들보다 일관되게 낮은 샘플링 분산을 달이트한다.
• 이분산성: ELI 설계의 이점은 이분산성과 0이 아닌 공분산이 존재할 때 가장 두드러지며, 이 경우 표준 무작위 배정이나 클러스터링은 특정 분산 구조를 고려하지 못한다.
• 부분적 관찰: 네트워크가 부분적으로 관찰되는 경우에도 ELI 방법은 무작위 할당보다 우수한 성능을 보인다.
• 표본 크기 효율성: 이 방법은 최적의 경쟁 방법과 동일한 분산을 달성하기 위해 총 필요한 단위 수를 최대 40%까지 줄일 수 있다.

의의 및 주장
본 논문은 네트워크 간섭 하에서 분산 최적의 2단계 실험 설계를 위한 최초의 통계적 프레임워크를 제공한다고 주장한다. 주요 기여는 분산 및 공분산 구조를 추정하기 위해 파일럿 연구를 통합하는 것이 처치 효과 추정의 정밀도를 (정보를 활용하지 않는 설계에 비해) 실질적으로 향러할 수 있음을 입증하는 것이다. 본 연구는 실험 설계와 네트워크 환경에서의 인과 추론 사이의 간극을 메우며, (min-cut 파일럿 선택 및 분산 최소화 최적화라는) 실용적인 프로토콜을 이론적으로 뒷받침하고 경험적으로 검증된 방식으로 제시한다. 저자들은 이 방법이 국지적 간섭과 희소 네트워크를 가정하지만, 간섭이 사회 프로그램이나 온라인 플랫폼을 포함한 현장 실험에서 자연스러운 특징인 환경에 대해 견고한 접근법을 제공한다고 밝히고 있다.