Heterogeneous Treatment Effects under Network Interference: A Nonparametric Approach Based on Node Connectivity

Resumo Técnico: Efeitos de Tratamento Heterogêneos sob Interferência de Rede

Problema
A inferência causal em configurações de rede é complicada pela interferência de rede, onde o resultado de um indivíduo depende não apenas do seu próprio tratamento, mas também dos tratamentos recebidos por seus vizinhos. Embora a literatura existente aborde extensivamente a estimativa de efeitos de tratamento médios populacionais (como Efeitos Médios de Tratamento, Efeitos Diretos Médios e Efeitos de Transbordamento Médios), essas abordagens frequentemente obscurecem a heterogeneidade induzida por estruturas de rede locais. Além disso, identificar médias contrafatuais específicas de nós é teoricamente desafiador porque, sem suposições adicionais, uma única observação de unidades ligadas por rede não fornece dados suficientes para identificar não parametricamente o resultado contrafatual para um nó específico sob uma intervenção de vizinhança específica. Tentativas anteriores para abordar isso, como modelos de grafo de cadeia autorregressivos, dependem de suposições paramétricas restritivas.

Metodologia: KECENI
Os autores propõem o KECENI (Kernel Estimator of Causal Effect under Network Interference - Estimador de Kernel de Efeito Causal sob Interferência de Rede), um framework não paramétrico projetado para estimar médias contrafatuais por nó, denotadas como $\theta_{i^*}(t^*_{N_{i^*}})$. Este estimando representa o resultado esperado para um nó alvo $i^*$ sob uma intervenção hipotética de atribuição $t^*_{N_{i^*}}$ à sua vizinhança, condicionado à rede observada $G$.

A metodologia procede em três etapas principais:

1. Construção de Pseudo-Resultado: Os autores adaptam a abordagem de pseudo-resultado de Kennedy et al. (2017) para o cenário de rede. Eles definem um pseudo-resultado $\xi_i$ que combina uma função de regressão de resultado $\mu_i$ e um escore de propensão $\pi_i$. Esta construção garante robustez dupla: o pseudo-resultado é um estimador não viesado da média contrafatual do nó se tanto o modelo de resultado quanto o modelo de escore de propensão forem corretamente especificados.
2. Suavização por Kernel: Para abordar o problema de "sobreposição limitada" — onde correspondências exatas para a configuração de vizinhança de um nó alvo são raras nos dados observados — o KECENI reúne informações de nós com configurações de vizinhança semelhantes. A semelhança é quantificada por uma métrica de dissimilaridade $\Delta$ especificada pelo usuário (por exemplo, baseada em mapeamentos de exposição ou distâncias de Gromov-Wasserstein). O estimador aplica suavização por kernel aos pseudo-resultados dessas unidades similares.
   3.Inferência: O artigo desenvolve uma nova teoria de processos empíricos para lidar com a estrutura de dependência inerente aos dados de rede. Esta teoria estabelece a consistência e a normalidade assintótica do estimador KECENI, contabilizando o fato de que os mesmos dados são usados para estimar os parâmetros de incômodo (nuisance parameters) e o estimando causal. Um estimador de variância sanduíche ajustado pela dependência é proposto para construir intervalos de confiança válidos.

Principais Contribuições

• Mudança nos Estimandos: O artigo desloca o foco dos estimandos médios populacionais para as médias contrafatuais por nó como alvos primários de inferência. Isso permite a preservação e análise da heterogeneidade impulsionada por características locais da rede (ex: grau do nó, agrupamento/clustering).
• Identificação Não Paramétrica: Diferente de métodos anteriores que dependem de modelos paramétricos (ex: estruturas autorregressivas) para identificar efeitos por nó, o KECENI oferece uma abordagem não paramétrica. Ele aproveita a conexão entre a estimativa por nó e a estimativa da função de resposta à dose, utilizando suavização para emprestar força entre configurações de vizinhança similares.
• Robustez Dupla sob Interferência: O método estende a propriedade de robustez dupla para configurações de interferência de rede, protegendo contra a especificação incorreta tanto no mecanismo de resultado quanto no de atribuição de tratamento.
• Novo Kit Teórico: Os autores desenvolvem uma nova teoria de processos empíricos para médias ponderadas sob dependência de rede. Esta teoria controla termos estocásticos na presença de dependência de rede e aumento da complexidade da rede, um passo necessário para estabelecer inferência assintótica válida neste cenário.
• Ajuste Baseado em Dados: O framework facilita a seleção de dados para a métrica de dissimilaridade, kernel e largura de banda (bandwidth) via validação cruzada, tratando a escolha da métrica de semelhança como um problema de seleção de modelo.

Resultados

• Simulações:
  • Consistência e Normalidade: As simulações demonstram que os estimas do KECENI são consistentes e assintoticamente normais, com intervalos de confiança que atingem taxas de cobertura nominais.
  • Robustez Dupla: Em cenários de especificação incorreta, o KECENI mantém um baixo erro quadrático médio (RMSE) desde que um dos modelos de incômodo (resultado ou propensão) seja corretamente especificado, enquanto estimadores de G-computation falham se o modelo de resultado for mal especificado.
  • Comparação com Métodos Existentes: Quando o processo gerador de dados real envolve interações complexas que são desconhecidas ou mal especificadas em modelos paramétricos (ex: AUTOGNET e TMLENET), o KECPI identifica com sucesso os efeitos de tratamento usando suavização não paramétrica e distâncias de Gromov-Wasserstein fundidas. Por outro outro lado, quando os modelos paramétricos são corretamente especificados, o KECENI apresenta desempenho comparável a esses métodos.
• Aplicação Empírica (Microfinanças na Índia):
  • Aplicado a dados de microfinanças do meio rural da Índia (Banerjee et al., 2013), o método estimou o impacto de ingressar em grupos de autoajuda para poupança (SHGs) na tolerância ao risco financeiro.
  • Embora o efeito de transbordamento médio (ASpE) em toda a população tenha sido encontrado como estatisticamente insignificante (alinhando-se com estudos anteriores), a análise por nó revelou heterogeneidade significativa.
  • Especificamente, um efeito de transbordamento positivo significativo foi detectado para nós tratados com poucas conexões (baixo grau), enquanto nós altamente conectados não mostraram tal efeito. Isso sugere que indivíduos menos conectados são mais suscetíveis aos efeitos de transbordamento da participação de seus vizinhos, uma nuance mascarada por estimativas médias populacionais.

Significância e Alegações
O artigo afirma que o KECENI fornece um framework flexível para entender como os efeitos de tratamento variam com a conectividade de rede, oferecendo insights granulares para o direcionamento de intervenções e avaliação de políticas. Ao ir além dos efeitos médios, o método revela que os efeitos de transbordamento não são uniformes, mas dependem criticamente das características locais da rede.

Os autores enfatizam que sua abordagem aborda uma limitação prática dos métodos existentes: a seleção ad hoc de mapeamentos de exposição. Ao permitir a seleção de métricas de semelhança baseada em dados através de validação cruzada, o KECENI oferece um caminho principiado para a seleção de modelos causais sob interferência de rede.

O artigo é modesto em seu escopo, observando que, embora identifique a heterogeneidade associada à estrutura de rede, não pretende distinguir os efeitos causais da própria estrutura de rede da homofilia (efeitos de seleção), o que exigiria suposições mais fortes ou dados de rede longitudinais. As garantias teóricas dependem de condições de regularidade específicas em relação à dependência da rede (ex: raio de dependência local limitado) e à suavidade das funções subjacentes.