Technische Samenvatting: Causale Inferentie onder Netwerkinterferentie

1. Probleemstelling

Traditionele causale inferentie steunt op de Stable Unit Treatment Value Assumption (SUTVA), die stelt dat de potentiële uitkomsten van een eenheid niet worden beïnvloed door de toewijzing van behandelingen aan andere eenheden. Echter, in onderling verbonden populaties — variërend van sociale netwerken tot economische markten — wordt deze aanname frequent geschonden. Het artikel behandelt de uitdaging van het afleiden van causale effecten wanneer interferentie aanwezig is, gedefinieerd als het fenomeen waarbij de toewijzing van een behandeling aan één eenheid de uitkomsten van anderen beïnvloedt.

De auteurs maken onderscheid tussen twee primaire vormen van interferentie:

• Spillover (Overloop): Directe effecten waarbij de uitkomst van een eenheid wordt beïnvloed door de behandelings-toewijzingen van zijn buren (bijv. een tiener die kleding koopt omdat een vriend aan een advertentie is blootgesteld).
• Contagion (Besmetting): Indirecte effecten waarbij de uitkomst van een eenheid wordt beïnvloed door de uitkomsten van anderen, die op hun beurt weer beïnvloed zijn door behandelings-toewijzingen (bijv. een tiener die kleding koopt omdat hij een vriend kleding zag dragen, ongeacht of die vriend direct werd getarget).

Het artikel beoordeelt recente vooruitgang in het detecteren, identificeren en schatten van causale effecten onder deze condities, voortbouwend op causale inferentie, netwerkwetenschap en verwante disciplines.

2. Methodologie en Raamwerk

2.1 Notatie en Potentiële Uitkomsten

De auteurs hanteren het framework van de potentiële uitkomsten van Rubin, en breiden dit uit zodat potentiële uitkomsten $Y_i(x)$ kunnen afhangen van de volledige behandelingsvector $x \in \{0, 1\}^N$. Zij maken onderscheid tussen:

• Vaste Potentiële Uitkomsten ($y(\cdot)$): De uitkomsten worden behandeld als vaste constanten, waarbij de willekeur voortkomt uit de mechanisme van de behandelings-toewijzing.
• Willekeurige Potentiële Uitkomsten ($Y(\cdot)$): De uitkomsten worden behandeld als willekeurige variabelen gegenereerd door een stochastisch proces.

Interferentie wordt gerepresenteerd via interferentiegrafieken (die definiëren welke eenheden anderen kunnen beïnvloeden) en exposure mappings (die de hoogdimensionale behandelingsvector $x$ reduceren tot een laagdimensionale exposure $d$).

2.2 Doelstellingen van Causale Inferentie

Het artikel beoordeelt diverse definities van causale effecten:

• Global Average Treatment Effect (GATE): Het verschil in gemiddelde uitkomsten tussen een scenario waarin alle eenheden behandeld zijn versus een scenario waarin niemand behandeld is ($\tau(1, 0)$).
• Directe en Indirecte Effecten: Decompositie van het totale effect in de impact van de eigen behandeling van een eenheid (direct) en de impact van de behandelingen van anderen (indirect/spillover).
• Exposure-Gebaseerde Effecten: Effecten gedefinieerd door specifieke exposure-niveaus (bijv. het aantal behandelde buren) in plaats van specifieke behandelingsvectoren.

2.3 Identificatie

Identificatie van causale effecten rust op ignorability (behandelings-toewijzing is onafhankelijk van potentiële uitkomsten) of conditionele ignorability (onafhankelijkheid gegeven geobserveerde confounders).

• In experimentele settings met volledige controle zorgt randomisatie voor identificatie.
• In observationele settings vereist identificatie dat de toewijzing van de behandeling onafhankelijk is van de potentiële uitkomsten, gegeven de geobserveerde covariaten en de interferentiegrafiek.

2.4 Schattingsstrategieën

Het artikel categoriseert estimators in twee hoofdklassen:

• Design-Based Estimators: Deze vertrouwen op het randomiseringsmechanisme zonder het uitkomstproces te modelleren. Belangrijke voorbeelden zijn de Horvitz-Thompson en Hájek estimators, die inverse propensity weighting gebruiken om directe effecten of effecten gebaseerd op exposure mappings te schatten.
• Model-Based Estimators: Deze nemen een parametrisch of semi-parametrisch model aan voor de potentiële uitkomsten. Voorbeelden zijn doubly robust estimators, die uitkomstmodellering combineren met propensity score modellering om consistentie te bereiken indien ten minste één van de modellen correct is.

2.5 Detectie van Interferentie

De auteurs beoordelen conditionele randomisatietests (bijv. Aronow [1]) om de aanwezigheid van interferentie te detecteren. Deze tests conditioneren op een subset van focale eenheden om een scherpe nulhypothese te creëren. Het artikel merkt op dat hoewel deze tests effectief zijn voor het detecteren van spillover (buurt-gebaseerde interferentie), ze vaak falen in het detecteren van contagion, aangezien contagion de aannames van buurt-exposure die ten grondslag liggen aan standaard teststatistieken kan schenden.

3. Belangrijkste Resultaten en Bevindingen

3.1 De Verwevenheid van Effecten

Door middel van gesloten vorm expressies afgeleid van lineaire conditionele verwachtingsmodellen (specifiek Gaussian Markov Random Fields), demonstreren de auteurs dat behandelings-, spillover- en contagion-effecten diep verweven zijn. Zelfs in eenvoudige scenario's is het totale causale effect een complexe functie van het directe behandelingseffect, de spillover-coëfficiënt en de contagion-coëfficiënt. Cruciaal is dat contagion het totale effect kan versterken of dempen, maar onder de bestudeerde condities niet het teken kan omdraaien.

3.2 Beperkingen van Neighborhood Exposure Aannames

Het artikel wijst op een kritieke beperking in de huidige methodologie: veel estimators en tests gaan uit van neighborhood exposure (uitkomsten hangen alleen af van de eigen behandeling van een eenheid en de behandelingen van zijn buren).

• Contagion Schending: Contagion staat toe dat de behandelings-toewijzingen van niet-buren indirect de uitkomsten beïnvloeden.
• Simulatiebewijs: Simulaties tonen aan dat terwijl standaard tests succesvol spillover detecteren, ze falen in het detecteren van interferentie die puur door contagion wordt gedreven. Dit komt omdat de teststatistieken steunen op buurtstructuren die door contagion worden omzeild.

3.3 Reikwijdte van Causale Conclusies: Vaste vs. Willekeurige Grafieken

Een aanzienlijk deel van het artikel analyseert de reikwijdte van causale conclusies op basis van de vraag of de interferentiegrafiek als vast of willekeurig wordt beschouwd.

• Vaste Grafieken: Conditioneren op een specifieke interferentiegrafiek beperkt de reikwijdte van de conclusies. Als de grafiek significant varieert (bijv. de aanwezigheid of afwezigheid van "influencers" of supersterren), kunnen conclusies afgeleid uit één grafiek niet generaliseren naar een andere.
• Willekeurige Grafieken: Het behandelen van de grafiek als willekeurig staat toe dat conclusies generaliseren over verschillende netwerkstructuren (bijv. van ijle naar dichte grafieken), mits het grafiek-genererende proces correct is gespecificeerd.
• Simulatie op Variabiliteit: Simulaties met "supersterren" (knooppunten met een hoge connectiviteit) laten zien dat een hoge variabiliteit in interferentiegrafieken leidt tot multimodale distributies van potentiële uitkomsten. Conditioneren op een grafiek zonder supersterren levert andere gemiddelde uitkomsten op dan conditioneren op een grafiek mét supersterren, wat illustreert dat causale conclusies zeer gevoelig zijn voor de netwerkstructuur.

3.4 Externe Validiteit

Het artikel identificeert externe validiteit (generaliseerbaarheid en transporteerbaarheid) als een groot openstaand probleem. Huidige methoden hebben moeite om bevindingen van een steekproef naar een populatie te generaliseren wanneer interferentie aanwezig is, vooral omdat de uitkomsten van gesamplede eenheden beïnvloed kunnen worden door niet-gesamplede eenheden (contagion).

4. Betekenis en Openstaande Problemen

Het artikel positioneert zichzelf als een uitgebreide review van de stand van zaken in de causale inferentie onder interferentie, waarbij het de kloof overbrugt tussen theoretische causale inferentie, netwerkwetenschap en toegepaste velden zoals volksgezondheid en economie.

Betekenis:

• Het verheldert het onderscheid tussen spillover en contagion, en laat zien dat standaardmethoden de laatste vaak verwarren met de eerste of volledig missen.
• Het demonstreert dat de keuze tussen vaste of willekeurige potentiële uitkomsten, en vaste versus willekeurige interferentiegrafieken, de reikwijdte en validiteit van causale conclusies fundamenteel verandert.
• Het biedt een rigoureus raamwerk om te begrijpen hoe netwerkstructuur (bijv. de aanwezigheid van influencers) fungeert als een confounder of effect-modifier in causale analyse.

Geïdentificeerde Openstaande Problemen:

1. Detectie van Contagion: Het ontwikkelen van tests die niet afhankelijk zijn van neighborhood exposure-aannames om interferentie te detecteren die voortvloeit uit contagion.
2. Effecten van Netwerkstructuur: Het begrijpen van hoe specifieke hoogdimensionale kenmerken van netwerken (voorbij eenvoudige graad-tellingen, zoals gemeenschapstructuur of "brug"-knooppunten) causale effecten beïnvloeden.
3. Tijds-geïndexeerde Data: Het uitbreiden van causale inferentie naar settings met herhaalde observaties waarbij behandeling en uitkomsten in de loop van de tijd evolueren.
4. Ruimte- en Tijds-geïndexeerde Data: Het adresseren van ruimtelijke interferentie waarbij verbindingen worden gewogen door afstand.
5. Voorbij Gemiddelden: Het verder gaan dan de schatting van gemiddelde potentiële uitkomsten om te begrijpen hoe behandelingen de gehele distributie (variantie, staarten, multimodaliteit) van uitkomsten beïnvloeden, vooral in aanwezigheid van netwerkvariabiliteit.

De auteurs concluderen dat hoewel er aanzienlijke vooruitgang is geboekt in het identificeren en schatten van causale effecten onder interferentie, het veld nog in de kinderschoenen staat wat betre het detecteren van contagion, het generaliseren van resultaten over variërende netwerkstructuren en het omgaan met temporele en ruimtelijke afhankelijkheden.