Technische Samenvatting: Causale Inferentie in Sequentiële Instellingen onder Interferentie en Latente Confounding

Probleemstelling

Dit werk behandelt de uitdaging van causale inferentie in sequentiële, observationele instellingen waar de Stable Unit Treatment Value Assumption (SUTVA) wordt geschonden door outcome-interferentie en de aanwezigheid van latente confounding.

In veel real-world scenario's, zoals de verspreiding van infectieziekten of de adoptie van vaccins, hangt de uitkomst van een eenheid (bijv. een individu of een county) niet alleen af van de eigen behandeling en kenmerken, maar ook van de uitkomsten, behandelingen en kenmerken van andere eenheden in de populatie. Bovendien zijn deze relaties vaak geobserveerd over de tijd, wat temporele afhankelijkheden introduceert. Bestaande literatuur behandelt interferentie of sequentiële instellingen meestal apart, of gaat ervan uit dat confounders geobserveerd zijn. Dit artikel pakt de complexe instelling aan waarbij:

1. Interferentie: Uitkomsten zijn onderling afhankelijk tussen eenheden (ruimtelijke afhankelijkheid).
2. Sequentialiteit: Uitkomsten evolueren over tijdstappen met afhankelijkheden tussen opeenvolgende tijdstappen.
3. Latente Confounding: Ongeobserveerde variabelen beïnvloeden zowel behandelingen als uitkomsten, gemodelleerd met een low-rank structuur vergelijkbaar met paneldata-factormodellen.
4. Datascarciteit: De beschikbare data is een enkele sample (één realisatie) van deze hoog-dimensionale gezamenlijke distributie van $N$ eenheden over $T$ tijdstappen.

Het doel is om causale grootheden van belang te schatten, specif으로 de Generalized Treatment Effect (GTE), die gemiddelde uitkomsten onder twee willekeurige interventiepatronen vergelijkt, ondanks het feit dat er slechts één geobserveerd traject beschikbaar is.

Methodologie

Modelformulering

De auteurs modelleren het systeem als een Markoviaans proces over $T$ tijdstappen voor $N$ eenheden. De binaire uitkomst $x_i^{(t)} \in \{-1, 1\}$ voor eenheid $i$ op tijdstip $t$ wordt beheerst door een Ising-model voorwaardelijk op de uitkomsten van het vorige tijdstip, de huidige interventies en latente confounders.

De waarschijnlijkheidsverdeling wordt gedefinieerd als:
$$p(x | z) = \prod_{t=1}^T p(x^{(t)} | z^{(t)}, x^{(t-1)})$$
waarbij de voorwaardelijke waarschijnlijkheid proportioneel is aan:
$$\exp\left( \sum_{i=1}^N \alpha_i^{(t)} x_i^{(t)} + \beta \sum_{i=1}^N x_i^{(t)} z_i^{(t)} + \xi \sum_{i \neq j} \gamma_{ij} x_i^{(t)} x_j^{(t)} + \eta \sum_{i=1}^N x_i^{(t)} x_i^{(t-1)} \right)$$

Kernparameters zijn onder meer:

• $\alpha_i^{(t)}$: Latente confounders (extern veld).
• $\beta$: Direct effect van de behandeling.
• $\xi$: Sterkte van ruimtelijke interferentie (interactiematrix $\Gamma$).
• $\eta$: Sterkte van temporele afhankelijkheid.

Belangrijke aannames:

1. Low-Rank Latente Structuur: De matrix van latente confounders $A = \{\alpha_i^{(t)}\}$ heeft een rang $k \ll N, T$, uit te drukken als $A = UV^\top$.
2. Begrensde Interactie: De interactiekracht voldoet aan de Dobrushin uniqueness condition ($\|\xi^* \Gamma\|_\infty < 1$), wat zorgt voor correlatiedecay en efficiënte inferentie.
3. Exciteerbaarheid van Interventies: De interventiematrix $Z$ is niet perfect collineair met de latente confounders, wat de identificeerbaarheid van het behandelingseffect $\beta$ waarborgt.

Leeralgoritme: Sequential MPLE

Om de parameters $\theta = (A, \beta, \xi, \eta)$ te leren uit een enkele sample, stellen de auteurs een Sequential Maximum Pseudo-Likelihood Estimation (MPLE) benadering voor.

• Doelstelling: Minimaliseer de negatieve log-pseudo-likelihood:
  $$\hat{\theta} \in \arg\min_{\theta \in \Theta} -\sum_{t=1}^T \sum_{i=1}^N \log p_\theta(x_i^{(t)} | x_{-i}^{(t)}, z_i^{(t)}, x_i^{(t-1)})$$
• Optimalisatie: De doelstelling is convex in $\theta$ als $A$ vast zou staan, maar de low-rank restrictie op $A$ maakt het probleem niet-convex. De auteurs parametriseren $A = UV^\top$ en gebruiken alternerende minimalisatie (het fixeren van $U$ om $V$ bij te werken, en vice versa) met regularisatie.
• Inferentie: Zodra de parameters zijn geschat, worden causale grootheden (GTE) geschat door te samplen uit het geleerde model met behulp van Sequential Gibbs Sampling. Vanwege de Dobrushin-conditie mixt de sampler snel, wat efficiënte berekening van contrafactuele verwachtingen mogelijk maakt.

Belangrijkste Bijdragen

1. Verenigd Model: Het artikel introduceert een model dat gelijktijdig sequentiële dynamiek, netwerkinterferentie (outcome-interferentie) en low-rank latente confounding vastlegt.
2. Computationeel Efficiënte Schatting: Het biedt een computationeel hanteerbare methode (Sequential MPLE) om hoog-dimensionale modelparameters te leren uit een enkele observatie van de gezamenlijke distributie.
3. Niet-Asymptotische Garanties:
   • Parameterschatting: Theorem 1 stelt niet-asymptotische consistentie vast voor parameterschatting. De foutmarge schaalt als $O\left(\frac{k(N+T)\log T}{T\|\Gamma\|_F^2}\right)$, wat aantoont dat de effectieve steekproefomvang wordt gedreven door de interactiekracht en het aantal tijdstappen.
   • Causale Schatting: Theorem 2 en Corollary 2 tonen aan dat de fout in het schatten van de Generalized Treatment Effect (GTE) begrensd wordt door de parameterschatingsfout. Dit rust op de eigenschappen van correlatiedecay onder de Dobrushin-conditie, wat ervoor zorgt dat lokale schattingsfouten zich niet ruimtelijk of temporeel voortplanten om de globale causale schatting te corrumperen.
4. Empirische Validatie: De methode wordt gevalideerd op synthetische data en een real-world casestudy betreffende COVID-19 vaccinatiegraden en sterftecijfers in Amerikaanse counties.

Resultaten

Synthetische Experimenten

In synthetische settings met $N=500$ en $T=50$, presteert de voorgestelde methode ($\hat{\theta}$) significant beter dan baselines die interferentie negeren ($\hat{\theta}_{\xi=0}$) of latente confounding negeren ($\hat{\theta}_{A=0}$).

• Parameterherstel: De methode herstelt accuraat de behandelingseffect $\beta$, de interactiekracht $\xi$ en de temporele sterkte $\eta$.
• Causale Nauwkeurigheid: De geschatte GTE verbeterde met ongeveer 92% in absolute fout vergeleken met de no-interference baseline en met 91% vergeleken met de no-latent-confounding baseline.
• Robuustheid: De methode slaagde erin parameters te herstellen, zelfs wanneer de theoretische Dobrushin-conditie licht werd geschonden ($|\xi^*| + |\eta^*| > 1$), wat wijst op praktische robuustheid.

Real-World Casestudy: COVID-19

De auteurs pasten het model toe op county-niveau data in de VS (maart 2020 – mei 2022) om het causale effect van vaccinatie op sterftecijfers te schatten.

• Opzet: Uitkomsten waren binaire indicatoren van hoge sterftecijfers; interventies waren binaire indicaties van vaccinatiegraden boven de 30%.
• Hybride Validatie: Om potentiële schendingen van identificeerbaarheidsaannames in de echte data aan te pakken, werden "hybride experimenten" uitgevoerd waarbij het echte interventiepatroon werd gebruikt, maar de uitkomsten door het model werden gegenereerd. De methode identificeerde parameters succesvol in deze setting.
• Testset Herstel: Het model werd getraind op een deel van de data en getest op een uitgesloten testset die de spatio-temporele afhankelijkheden respecteert. Het model behaalde een lage absolute fout (0.015 op de testset), vergelijkbaar met de hybride casus, wat de expressiviteit ervan aantoont.
• Causale Bevindingen:
  • Het modelleren van interferentie leverde een groter geschat causaal effect van vaccinatie op vergeleken met het no-interference model.
  • Onder het "no interventions" contrafactuele scenario voorspelde het model slechtere uitkomsten dan aanvankelijk geobserveerd, terwijl het "all interventions" contrafactuele scenario betere uitkomsten voorspelde, die convergeren naarmate de vaccinatiegraden stijgen.
  • Het interferentie-model legde de "spill-over" effecten vast waarbij vaccinatie in één gebied anderen ten goede komt, een nuance die standaardmodellen missen.

Betekenis en Claims

Het artikel claimt een bewijsbaar framework te bieden voor causale inferentie in een setting waar drie grote complexiteiten gelijktijdig aanwezig zijn: netwerkinterferentie, intertemporele afhankelijkheden en latente confounding.

• Theoretische Bijdrage: Het breidt de literatuur over het leren van hoog-dimensionale distributies uit een enkele sample (voorheen beperkt tot niet-sequentiële of niet-geconfounded settings) uit naar de sequentiële, latente variabele casus. Het biedt de eerste niet-asymptotische garanties voor causale schatting in deze specifieke, zeer complexe regime.
• Praktisch Nut: Door de effectiviteit te demonstreren op een real-world publieke gezondheidsprobleem (COVID-19), beargumenteren de auteurs dat hun methode beleidsbeslissingen kan informeren door meer accurate schattingen van behandelingseffecten te geven in de aanwezigheid van interferentie en ongeobserveerde confounders.
• Beperkingen: De auteurs erkennen bescheiden dat hun theoretische garanties steunen op de Dobrushin uniqueness condition, die mogelijk niet standhoudt in alle real-world scenario's met sterke interferentie. Ze merken op dat hoewel hun methode goed presteerde in experimenten, het begrijpen van de prestaties in regimes die deze conditie schenden, een open gebied blijft.

Samenvattend vormt dit werk een brug tussen theoretische causale inferentie en complexe, real-world sequentiële data, door een methode te bieden die zowel computationeel efficiënt als theoretisch gefundeerd is voor het schatten van causale effecten onder interferentie en latente confounding.