Technische Samenvatting: Causale Clustering: Ontwerp van Clusterexperimenten onder Netwerkinterferentie

1. Probleemstelling

Het artikel behandelt het ontwerp van clusterexperimenten in omgevingen waar eenheden interageren via een bekend netwerk, wat leidt tot spillover-effecten (interferentie). In dergelijke omgevingen faalt standaard individuele randomisatie (Bernoulli-ontwerpen) vaak om de Global Average Treatment Effect (GATE) te identificeren vanwege de bias veroorzaakt door blootstelling aan andere clusters. Omgekeerd elimineert cluster-randomisatie deze bias door volledige clusters toe te wijzen aan behandeling of controle, maar introduceert het variantie door de correlatie van toewijzingen binnen clusters en potentiële heterogeniteit in clustergroottes.

De kernuitdaging is dat vooraf gespecificeerde administratieve clusters (bijv. dorpen) of standaard algoritmen voor community detectie mogelijk niet optimaal zijn voor causale inferentie. Ze kunnen te grof zijn (wat hoge variantie introduceert) of te fijn (waardoor ze niet alle relevante spillovers opvangen, wat dus bias introduceert). De auteurs formuleren de keuze voor clustering als een statistisch ontwerpprobleem: het selecteren van een partitie van het netwerk die de slechtst denkbare Mean Squared Error (MSE) van de verschil-in-gemiddelden schatter voor de GATE minimaliseert.

2. Methodologie en Raamwerk

2.1 Lokaal Asymptotisch Raamwerk

De auteurs formaliseren het probleem met behulp van een lokaal asymptotisch raamwerk waarbij spillover-effecten "lokaal nul" zijn, maar niet verwaarloosbaar voor inferentie.

• Aanname 1 (Eerste-orde lokale interferentie): Potentiële uitkomsten hangen alleen af van de behandeling van een individu en de behandelingen van hun directe buren.
• Aanname 2 (Begrensdheid en Lipschitz-continuïteit): Potentiële uitkomsten zijn uniform begrensd, en de omvang van spillovers wordt begrensd door een parameter $\bar{\phi}_n$. Specifiek is de verandering in potentiële uitkomsten lineair in het aandeel behandelde buren, met een helling begrensd door $\bar{\phi}_n$.
• Aanname 3 (Spillover lokale asymptotica): Het product van de maximale spillover-omvang en de gekwadrateerde maximale graad is begrensd ($\limsup \bar{\phi}_n N_{n,max}^2 \leq \epsilon$). Dit staat settings toe waarbij directe effecten en spillover-effecten van vergelijkbare grootte zijn, een veelvoorkomend scenario bij online platforms waar effecten klein maar economisch significant zijn.

2.2 Karakterisering van Bias en Variantie

Het artikel leidt scherpe worst-case karakteriseringen af voor de bias en variantie van de verschil-in-gemiddelden schatter $\hat{\tau}_n(C_n)$ onder een gegeven clustering $C_n$:

• Worst-Case Bias: De bias wordt bepaat door de "tussen-cluster verbondenheid", gedefinieerd als het gemiddelde deel van de buren van een individu die buiten hun toegewezen cluster liggen ($b_n(C_n)$). De worst-case bias is evenredig met $\bar{\phi}_n b_n(C_n)$.
• Worst-Case Variantie: Onder het lokale asymptotische raamwerk wordt de variantie asymptotisch gedreven door binnen-cluster correlaties geïnduceerd door het clustering-ontwerp. Het is evenredig met de som van de gekwadrateerde clustergroottes ($\sum n_k^2$), geschaald door de uitkomstrange $\bar{\psi}$.
• Worst-Case MSE: Door deze te combineren, is de objectieffunctie om te minimaliseren:
  $$B^*_n(C_n, \lambda) = \bar{\psi} \frac{1}{n^2} \sum_{k=1}^{K_n} n_k^2 + \lambda \bar{\phi}_n^2 b_n(C_n)^2$$
  waarbij $\lambda$ een door de gebruiker gespecificeerde weging is (meestal 1 voor MSE).

2.3 Optimalisatiealgoritme

De auteurs tonen aan dat het vinden van de optimale clustering neerkomt op een nieuw gepenaliseerd min-cut probleem.

• Herformulering: Het probleem wordt geherformuleerd als een trace-optimalisatieprogramma met een semi-definite beperking.
• Convexe Relaxatie: Omdat het exacte probleem combinatorisch is, stellen de auteurs een Semi-Definite Programming (SDP) relaxatie voor. De objectieffunctie behelst het minimaliseren van een gewogen som van de trace van de clustermatrix (variantiecomponent) en het kwadraat van een genormaliseerde cut (biascomponent).
• Rounding: Een haalbare clustering wordt verkregen door K-means clustering toe te passen op de eigenvectoren van de SDP-oplossing.
• Algoritme 1: De procedure iterereert over een bereik van het aantal clusters ($K$) en een kalibratieparameter $\xi_n = (\lambda \bar{\phi}_n^2 / \bar{\psi})^{-1}$, die de bias-variantie afweging balanceert. Het algoritme biedt een bewijsbaar certificaat van prestatie (benaderingsgrens) ten opzichte van de optimale clustering.

3. Belangrijkste Bijdragen

1. Besluitvormingsraamwerk voor Clustering: In tegenstelling tot bestaande literatuur die clustering als gegeven beschouwt of zich richt op community detectie, leidt dit artikel clustering direct af uit het causale doel van het minimaliseren van de worst-case MSE voor de GATE.
2. Scherpe Worst-Case Karakteriseringen: Het artikel biedt expliciete, scherpe grenzen voor bias en variantie onder netwerkinterferentie, waarbij aantoont dat bias afhankelijk is van cross-cluster blootstelling en variantie van de spreiding in clustergrootte.
3. Nieuw Optimalisatieprobleem: De auteurs identificeren dat optimale clustering een gepenaliseerd min-cut probleem oplost dat zowel cross-cluster blootstelling (bias) als de spreiding in clustergrootte (variantie) internaliseert. Dit verschilt van standaard spectrale clustering of genormaliseerde cuts die geen rekening houden met de variantiecomponent geïnduceerd door clustergroottes.
4. Praktische Ontwerpregels:
   • Bernoulli vs. Cluster: Een vuistregel wordt afgeleid om te bepalen wanneer een clusterontwerp een Bernoulli-ontwerp domineert op basis van de ratio tussen de spillover-omvang en de uitkomstvariantie en het aantal clusters.
   • Onbekende Spillovers: Het artikel breidt het raamwerk uit om het omgaan met onbekende spillover-omvang te behandelen met behulp van een minimax regret benadering, waarbij wordt geoptimaliseerd voor de worst-case ratio van MSE ten opzichte van een oracle.
5. Empirische Validatie: De methode wordt toegepast op unieke Facebook-netwerkdata en een veldexperiment in landelijk China (Cai et al., 2015).
   • In de Facebook-data rangschikt de voorgestelde methode bestaande clustering-algoritmen (Louvain, Balanced Partitioning), waarbij zij vindt dat Louvain met veel clusters vaak het beste presteert.
   • In het veldexperiment construeert de methode alternatieve partities die administratieve dorpsgrenzen en standaard clustering-algoritmen (Spectral, $\epsilon$-net) overtreffen bij diverse signal-to-noise ratio's.

4. Resultaten en Betekenis

Het artikel beweert dat de voorgestelde "Causale Clustering"-methode een robuuste procedure biedt voor experimenteel ontwerp in aanwezigheid van netwerkinterferentie.

• Prestaties: In simulaties gekalibreerd op het China-veldexperiment bereikt Causale Clustering een bijna nul-regret (0,0% - 0,2%) in eerste-orde interferentie settings, waarmee het significant beter presteert dan benchmarks zoals Spectral clustering en Louvain, die een hoge regret vertonen (tot 5+%) afhankelijk van de signal-to-noise ratio.
• Robuustheid: Zelfs onder misgespecificeerde globale interferentiemodellen (waar uitkomsten afhangen van buren's uitkomsten in plaats van enkel hun behandelingen), blijft de methode competitief en vermijdt zij de significante onderprestatie van andere methoden.
• Praktisch Nut: Het raamwerk stelt onderzoekers in staat om de afweging tussen bias en variantie expliciet te kwantificeren. Het biedt een datagedreven manier om het aantal en de structuur van clusters te kiezen, in plaats van te vertrouwen op administratieve grenzen of heuristische community detectie.

De auteurs benadrukken dat hun aanpak bijzonder relevant is voor online platforms (bijv. Meta/Facebook) en veldexperimenten waar spillovers klein maar niet verwaarloosbaar zijn, en waar het doel is om het totale effect van een beleid op schaal te schatten. De methode overbrugt de kloof tussen de grafen-clustering literatuur en causale inferentie, door een computationeel hanteerbare (via SDP) oplossing te bieden voor een complex ontwerpprobleem.