기술 요약: 부분적 간섭 하에서의 고차 스필오버 효과 (Higher-order Spillover Effects Under Partial Interference)

문제 정의

네트워크 환경에서의 인과 추론은 한 단위의 결과가 다른 단위의 처치(treatment)에 의존하는 간섭(interference) 현상으로 인해 복잡해진다. 기존 문헌은 대개 이웃 간섭 가정(간섭을 직접 이웃으로 제한)이나 부분 간섭 가정(간섭을 사전에 정의된 클러스터로 제한)에 의존하지만, 이러한 접근 방식은 다음과 같은 중대한 한계에 직면한다:

1. 제한적인 범위: 결과 확산(예: 질병 전파, 정보 확산)이 발생하는 시나리오에서, 간섭은 종종 직접 이웃을 넘어 고차 네트워크 거리까지 확장된다.
2. 설정 오류 위험(Misspecification Risks): 표준 방법론들은 간섭 집합을 요약하는 노출 매핑 함수(예: 처치된 이웃의 비율과 같은 처치 벡터의 요약)를 지정할 것을 요구한다. 만약 간섭 집합이나 매핑 함수가 잘못 지정되면(예: 2차 효과가 존재함에도 1차 이웃만을 고려하거나, 연속적인 노출에 대해 이진 프록시를 사용하는 경우), 추정량은 편향된다.
3. 고차 분리 능력의 부재: 현재의 방법론들은 강력하고 잠재적으로 부정확한 파라메트릭 간섭 메커니즘 가정에 의존하지 않고는, 특정 네트워크 거리(예: 1차 이웃과 2차 이웃의 구분)에서 기인하는 스필오버 효과를 분리해내는 데 어려움을 겪는다.

방법론

1. 일반화된 간섭 가정

저자들은 일반화된 부분 간섭 가정(가정 4)을 제안한다. 기존의 간섭 가정이 간섭을 직접 이웃이나 전체 클러스터로 제한하는 것과 달리, 이 프레임워크는 보수적인 간섭 집합 $I_{ij}$ 내의 처치에 따라 단위의 잠재적 결과가 달라질 수 있도록 허용한다. 결정적으로, 이 접근 방식은 처치 벡터를 스칼라 또는 저차원 벡터로 축소하기 위한 노출 매핑 함수 $g(\cdot)$를 지정할 필요가 없다. 이는 간섭의 함수 형태를 잘못 지정함으로써 발생하는 편향을 방지한다.

2. 인과적 추정량: $h$-차 스필오버 효과

본 논문은 특정 네트워크 거리 $h$에서의 스필오버 효과를 정량화하기 위해 새로운 인과적 추정량을 정의한다.

• 가설적 할당: 저자들은 다음과 같은 가설적 베르누이 처치 할당을 도입한다:
  • $h$-차 이웃($C^h_{ij}$)에 속한 단위들은 확률 $\alpha_h$로 처치를 할당받는다.
  • 나머지 간섭 집합($C_{i\setminus(j, C^h_{ij})}$)에 속한 단위들은 확률 $\alpha$로 처치를 할당받는다.
• 정의: $h$-차 스필오버 효과 $SE^h(\alpha_h, \alpha'_h; a, \alpha)$는 개인의 처치 $a$와 나머지 간섭 집합의 할당 $\alpha$를 고정한 상태에서, $h$-차 이웃의 할당 확률이 $\alpha'_h$에서 $\alpha_h$로 변할 때의 모집단 평균 잠재 결과의 차이로 정의된다.

3. 추정량

노출 매핑 함수에 의존하지 않고 이러한 효과를 추정하기 위해, 저자들은 2단계 무작위 설계(two-stage randomized design) 하에서 세 가지 비파라메트릭 및 세미 파라메트릭 추정량을 개발하였다:

• 호트-톰슨(Horvitz-Thompson, HT) 추정량: 역확률 가중치를 사용하는 관측된 결과의 가중 평균이다. 편향되지 않으나 극단적인 가중치로 인해 높은 분산을 가질 수 있다.
• 하젉크(Hajek) 추정량: 가중된 결과의 합을 가중치의 가중 합으로 나누어 분산을 안정화하는 비율 추정량(정규화된 HT)이다. 일관성이 있으며 점근적으로 편향되지 않는다.
• 가중 최소제곱(Weighted Least Squares, WLS) 추정량: 결과와 가설적 확률 $\alpha_h$ 사이의 관계를 모델링하는 회귀 기반 접근법이다(예: 선형 구조적 모델). 선택 편향을 교정하기 위해 HT 가중치를 사용하면서도, 결과 구조를 모델링함으로써 효율성을 얻는다.

4. 설정 오류의 편향 분석

논문은 간섭 집합이 잘못 지정되거나 노출 매핑 함수가 잘못 지정된 추정량에 대한 이론적 편향 공식을 도출한다(Proposition 2 및 Corollaries 1 & 2).

• 잘못된 간섭 집합을 사용하거나(예: 2차 간섭이 존재함에도 1차 이웃으로 제한하는 경우) 잘못된 매핑 함수를 사용하는 것이 실제 인과 효과가 아닌, 실제 구조 하에서의 가중 평균을 식별하게 됨을 입증한다.
• 구체적으로, 서로 다른 네트워크 거리에서의 노출 지표 간 상관관계로 인해 회귀(OLS)에서 고차 항을 누락하면 누락 변수 편향(omitted variable bias)이 발생하며, 이는 2단계 무작위 설계(심슨의 역설)에 의해 더욱 악화될 수 있다.

주요 결과

시뮬레이션 연구

저자들은 네 가지 시나리오(간섭 없음, 1차 간섭, 2차 간섭, 상호작용이 있는 2차 간섭)와 다양한 네트워크 구조(Erdős–Rényi 및 정규 그래프)에 걸쳐 몬테카를로 시뮬레이션을 수행하였다.

• 편향: 제안된 HT, Hajek, WLS 추정량은 고차 간섭 및 상호작용이 존재하는 모든 시나리오에서도 편향되지 않은 것으로 나타났다. 반면, 제한적인 간섭 집합(예: $OLS(G_1)$)이나 잘못 지정된 노출 매핑에 의존하는 표준 OLS 추정량은 상당한 편향을 보였다.
• 분산: HT 추정량은 간섭 집합이 클 때 특히 높은 분산을 보였다. Hajek과 WLS 추정량은 더 낮은 분산을 보였으며, 모델 지정이 적절하다면 WLS가 일반적으로 가장 효율적이었다.
• 네트워크 밀도: Hajek 추정량의 분산은 네트워크 밀도($p$)에 민래했다. 1차 효과의 경우 밀도가 높아질수록 분산이 증가하였고, 2차 효과의 경우 중간 밀도에서 분산이 정점에 달했다가 네트워크가 포화됨에 따라 감소하였다.

실증 적용: 온두라스 모자 보건 시험

이 방법론은 176개 마을을 대상으로 한 온두라스의 2단계 무작위 통제 시험(모자 보건 개입)에 적용되었다.

• 1차 스필오버: 처치받은 개인의 경우, 1차 스필오버 효과는 중간 정도의 처치 포화도($\alpha \approx 0.5$)에서 정점을 찍고 높은 포화도에서 감소하는 역 U자형을 보였다(정보 포화 암시). 처치받지 않은 개인의 경우 스필오버 효과는 미미했다.
• 2차 스필오버: 2차 효과는 처치가 부족할 때(낮은 $\alpha$) 가장 강했으며, 처치가 널리 퍼짐에 따라 감소하였다. 이는 직접 이웃이 정보 격차를 메우는 대체 메커니즘을 시사한다.
• 이질성: 처치받은 개인은 처치받지 않은 개인보다 동료 스필오버로부터 유의미하게 더 많은 혜el을 얻었으며, 이는 높은 흡수 능력과 기초 준비도에 기인한 것으로 분석되었다.

의의 및 주장

본 논문은 간섭 메커니즘의 제한적인 가정이나 노출의 특정 함수 형태에 의존하지 않고 고차 스필오버 효과를 추정하기 위한 견고한 프레임워크를 제공한다고 주장한다.

• 설정 오류에 대한 강건성: 노출 매핑 함수를 피함으로써, 제안된 추정량들은 "나이브(naive)"한 접근 방식이 범하기 쉬운, 즉 간섭의 범위나 메커니즘을 잘못 지정하여 발생하는 편향을 방지한다.
• 유연성: 이 프레임워크를 통해 연구자들은 간섭 집합을 보수적으로 정의(예: 유한한 경로를 통해 도달 가능한 모든 단위)하면서도, 특정 네트워크 거리에서의 잘 정의된 인과 효과를 추정할 수 있다.
• 실용적 유용성: 실증 적용 결과, 고차 간로를 무시하거나 제한적인 가정을 사용하는 것은 처치 포화도와 스필오버 크기 사이의 비단조적 관계와 같은 복잡한 패턴을 은폐할 수 있음을 보여준다.
• 트레이드오프(Trade-off): 저자들은 보수적인 접근 방식이 강건성을 보장하지만, 간섭 구조를 정확히 지정하는 방법론에 비해 효율성(더 넓은 신뢰 구간)을 희생할 수 있음을 인정한다. 사회적 과정의 복잡성으로 인해 제한적인 노출 매핑을 확정하기 어려운 경우 이 접근 방식을 사용할 것을 권장한다.