Quasi-randomization tests for network interference: a random graph approach

기술 요약: 네트워크 간섭에 대한 준-무작위화 검정 (Quasi-randomization Tests for Network Interference)

문제 정의
네트워크 간섭은 한 단위의 처치 상태가 다른 단위의 잠재적 결과에 영향을 미쳐, 안정적 단위 처치 가치 가정(SUTVA)을 위반하는 파급 효과(spillover effects)를 발생시키는 현상을 의미한다. 피셔 무작위화 검정(Fisher Randomization Test, FRT)은 날카로운 귀무가설(sharp null hypotheses, 처치 효과가 없음)을 테스트하는 표준적인 방법이지만, 파급 효과의 부재를 테스트하는 것은 "비날카로운(non-sharp)" 귀무가설 문제를 제기한다. 파급 효과가 없다는 귀무가설 하에서는 네트워크 구조 자체가 노출에 영향을 미치기 때문에, 다양한 처치 할당에 따른 반사실적 결과(counterfactual outcomes)를 추정할 수 없다.

기존 문헌은 특정 "초점 단위(focal units)"에 주의를 집중하고 이들의 처치 할당에 조건화하는 방식(Aronow, 2012; Athey et al., 2018; Basse et al., 2019; Puelz et al., 2022)으로 이 문제를 다룬다. 그러나 이러한 조건부 무작위화 검정은 두 가지 결정적인 한계에 직면한다:

1. 낮은 검정력(Low Power): 특히 처치 할당 공간이 제한된 클러스터 무작위 설계(cluster-randomized trials)에서 통계적 검정력이 저하되는 경우가 많다.
2. 퇴화(Degeneracy): 클러스터 무작위 설계에서 초점 단위에 조건화하면 귀무 분포가 퇴화(분포의 지지집합이 붕괴됨)하여 유효한 추론이 불가능해질 수 있다.

방법론
저자들은 네트워크 $G$를 고정된 양이 아니라 특정 과정에 의해 생성된 확률 변수로 취급하는 **준-무작위화 검정(quasi-randomization test)**을 제안한다. 이 접근 방식은 추론의 대상을 실현된 네트워크에 조건화된 진술에서, 동일한 과정을 통해 생성된 가상의 네트워크들에 대해 평균화된 진술로 전환한다.

핵심 방법론은 다음과 같다:

1. 무작위 그래프 프레임워크: 네트워크를 지수 무작위 그래프 모델(ERGM) 또는 임의의 차수 분포를 가진 무작위 그래프로 모델링한다. 파급 효과가 없다는 귀무가설은 직접적인 처치 할당 및 그래프 공변량을 조건으로 할 때 결과가 네트워크 구조에 불변하도록 정의된다.
2. 네트워크 무작위화를 통한 추정 가능성(Imputability): 관찰된 처치 할당 $Z_{obs}$를 고정하고 네트워크 생성 과정 $P(G|Z, G_X)$에 대해 무작위화함으로써, 검정 통계량은 귀무가설 하에서 추정 가능해진다. 이는 고정된 네트워크 방식에서 발생하는 추정 불가능성 문제를 해결한다.
3. 순열 검정(Permutation Tests): 전체 네트워크 분포 $P(G)$를 추정하는 계산적 난해함을 피하기 위해, 저자들은 충분 통계량에 기반한 조건부 순열 검정을 개발한다:
   • 절차 3 (차수 시퀀스): 임의의 차수 분포를 가진 무작�위 그래프의 경우, 검정은 관찰된 차수 시퀀스를 조건으로 한다. 이는 해당 차수 시퀀스를 공유하는 그래프들의 동치 클래스(equivalence class) 내에서 그래프를 샘플링하며, 모든 그래프가 등확률을 가진다고 가정한다.
   • 절차 4 (블록 동형성): 클러스터 무작위 실험 및 일반적인 ERGM을 위해, 검정은 차수 시퀀스와 처치 집단 및 통제 집단에 의해 유도된 부분 그래프의 동형 클래스(isomorphism classes)를 조건으로 한다. 이는 순열이 실험 설계 제약(예: 클러스터 구조)을 존중하면서도 비퇴화적인 귀무 분포를 생성하도록 보장한다.

주요 기여
본 논문은 세 가지 주요 기여를 한다:

1. 이론적 결합: 무작위 그래프 모델을 위한 날카로운 및 비날카로운 귀무가설을 정의하고, 제안된 검정의 유한 표본 타당성을 확립함으로써 무작위 그래프 간섭 모델을 잠재적 결과 프레임워크 내에 통합한다.
2. 기술적 한계 해결: 이 방법은 비추정 가능성 문제와 클러스터 무작위 실험에서의 퇴화 문제를 해결한다. 처치 할당이 아닌 네트워크 분포에 대해 무작위화를 수행함으로써, 기존의 초점 단위 방식이 실패하는 원인인 제한된 지지집합 문제를 피한다.
3. 계산 효율성: 제안된 순열 검정은 고정된 차수 시퀀스를 가진 그래프를 샘플링하기 위해 빠른 다항 시간 알고리즘(예: Viger and Latapy, 2005; Fosdick et al., 2018)을 활용하여 대규모 네트워크에서도 확장 가능하도록 설계되었다.

결과
저자들은 광범한 몬테카를로 시뮬레이션과 실증적 적용을 통해 방법을 검증한다:

• 시뮬레이션 연구:
  • 제1종 오류(Type I Error): 제안된 검정은 스몰 월드(small-world) 및 확률적 블록 네트워크 모델 모두에서 완전 무작위 설계 및 클러스터 무작위 설계 하에 올바른 제1종 오류율( $\alpha = 0.05$로 제어됨)을 유지한다.
  • 검정력(Power): 준-무작위화 검정은 기존의 조건부 초점 검정(Athey et al., 2018)에 비해 실질적으로 향상된 검정력을 보여준다. 이러한 이득은 특히 기존 방법들이 검정력 손실이나 퇴화를 겪는 클러스터 무작위 실험 및 높은 클러스터링(예: 확률적 블록 모델) 환경에서 두드러진다.
  • 강건성(Robustness): 본 방법은 잠재적 결과 함수에 그래프 의존적 공변량(예: 차수 효과)이 포함되어도 검정력을 유지한다.
• 실증적 적용:
  • 저자들은 중국 농촌 지역의 날씨 보험 채택 실험(Cai et al., 2015)을 재분석한다.
  • 433 가구를 대상으로 블록 동형성 순열 검정(절차 4)을 적용한 결과, 정보 파급 효과에 대한 유의미한 증거($p = 0.0126$)를 발견했다.
  • 이 결과는 집중적인 정보 세션을 받은 가구가 이웃에게 지식을 전달한다는 것을 시사하며, 만약 간섭을 무시했다면 이러한 발견은 가려지거나 편향되었을 것이다.

의의 및 주장
본 논문은 네트워크를 확률 변수로 취하는 것이 고정된 네트워크 추론에 대한 계산적으로 용이하고 통계적으로 강력한 대안을 제공한다고 주장한다. 저자들은 자신들의 접근 방식이 네트워크 생성 과정(예: ERGM 또는 차수 분포)에 대한 가정을 바탕으로 "유한 표본에서 정확하게 유효하다"고 주장한다.

이 연구의 의의는 제한된 부분 집합이 아닌 모든 단위에 대해 간섭을 테스트할 수 있는 능력과, 기존의 최첨단 방법들이 퇴화로 인해 실패하기 쉬운 클러스터 무작위 실험에서도 효과적으로 작동할 수 있는 능력에 있다. 저자들은 이러한 검정력의 이득이 네트워크 생성 과정(예: ERGM 또는 차수 분포)에 대한 가정에 따른 비용을 수반함을 인정하며, 이를 모델 오설정 편향(model misspecification bias)과 향상된 추론 능력 사이의 절충(trade-off)으로 제시한다. 그들은 관찰된 네트워크가 진행 중인 사회적 과정의 실현이라는 점에서, 이러한 절충이 많은 실제 상황에서 합리적이라고 위치시킨다.