跳转至

Causal inference with misspecified network interference structure

作者: Bar Weinstein, Daniel Nevo
来源: Biometrics
主题: 因果推断
相关性: 8/10
链接: https://doi.org/10.1093/biomtc/ujag023

一、核心问题与贡献

①研究了网络干扰下因果效应估计中网络结构误设带来的后果及鲁棒估计问题。②通过误设与真实网络诱导的暴露概率散度推导了偏差界，并提出了一种利用多个候选网络同时进行估计的新估计量。③证明了估计偏差随暴露概率散度增大而增加，且新估计量在至少一个候选网络正确时保持无偏，从而实现了对网络设定的鲁棒性。

二、基础设定

  • 核心概念与符号：
  • $Y_i(\mathbf{z})$：单元 $i$ 在处理分配向量 $\mathbf{z}$ 下的潜在结果。
  • $g(\cdot)$：暴露映射，将 $(\mathbf{z}, \text{network})$ 映射为单元的暴露值。$g^*$ 为真实暴露映射，$\tilde{g}$ 为假定暴露映射。
  • $\pi_i(g, k)$：单元 $i$ 在映射 $g$ 下暴露值为 $k$ 的概率（暴露概率）。
  • $\hat{\theta}(\tilde{g})$：基于假定映射 $\tilde{g}$ 的 Horvitz-Thompson (HT) 估计量。
  • $\mathcal{G}$：候选网络/暴露映射集合。
  • 关键假设：
  • Network Interference / Exposure Mapping：单元结果仅通过暴露映射受其他单元处理分配影响。相比无干扰假设大幅放宽，但本文进一步挑战了该映射本身需精确已知的强假设。
  • Positivity：$\pi_i(g, k) > 0$ 对所有 $i$ 和可能暴露值 $k$ 成立。这是 HT 估计量的标准假设，但在高维网络暴露下极易破裂。
  • At least one correct network：存在 $g \in \mathcal{G}$ 使得 $g = g^*$。这是多网络估计量无偏性的核心保障，类似于模型选择中的"真实模型包含在候选集中"假设。
  • 问题背景：现有网络干扰下的因果推断方法（如 Aronow & Samii 2017）严重依赖网络结构的正确设定，但现实中网络测量常存在遗漏或虚假边。与最相关文献的区别：Aronow & Samii (2017) 假定网络已知且正确；Leung (2020) 讨论了弱连接下的渐近性质，但未直接处理网络误设的有限样本偏差；本文直接量化误设偏差并构造对误设鲁棒的估计量。

三、主要定理 / 核心结果

  1. 定理：误设网络下的偏差界
  2. 原文陈述：$|\mathbb{E}[\hat{\theta}(\tilde{g})] - \theta(g^)| \le C \cdot \sum_i \sum_{k} |\pi_i(\tilde{g}, k) - \pi_i(g^, k)|$（形式化表述：偏差被暴露概率的 $L_1$ 散度控制）。
  3. 直观解释：如果误设网络导致的"暴露概率分布"偏离真实分布越远，HT 估计量的偏差越大。几何上，误设映射扭曲了样本空间上的测度权重，逆概率加权无法还原真实的期望。
  4. 解决了什么技术难点：将抽象的"图拓扑结构误设"转化为可量化的"概率测度散度"，避免了直接处理图编辑距离与因果效应的非线性耦合。

  5. 适用条件与局限：依赖于暴露映射的具体形式；若误设导致某些真实暴露概率为0而假定概率大于0（或反之），偏差界可能退化为无穷大（即 Positivity 极端违背）。

  6. 命题：多网络估计量的无偏性

  7. 原文陈述：若候选网络集 $\mathcal{G}$ 包含真实网络 $g^$，则多网络估计量 $\hat{\theta}_{MN}$ 的期望等于 $\theta(g^)$。
  8. 直观解释：通过构造包含所有候选网络暴露映射的联合伪总体，只要其中一个映射是正确的，联合 HT 估计就能还原真实期望，类似于在更宽泛的联合空间上做逆概率加权。
  9. 解决了什么技术难点：在不知道哪个网络正确的情况下，避免了模型选择带来的预检验偏差。
  10. 适用条件与局限：方差通常大于使用单一正确网络的估计量（鲁棒性的方差代价）；要求至少一个网络完全正确，若所有网络均误设，只能减小偏差而非消除。

四、证明框架 / 方法设计

  • 识别策略与估计量设计：
  • 识别策略：基于暴露映射的 Horvitz-Thompson (HT) 逆概率加权识别。
  • 多网络估计量设计：将不同候选网络 $g \in \mathcal{G}$ 下的暴露值视为联合暴露向量的一部分。对单元 $i$，计算其在联合映射下的暴露概率 $\pi_i(\mathcal{G}, \mathbf{z})$，并使用广义 HT 估计量。
  • 核心假设的可信度分析：
  • "至少一个网络正确"假设较强，现实中可能难以满足。可通过敏感性分析（若所有网络均误设，偏差如何随散度变化）来验证。
  • Positivity 假设在高维网络暴露下极易破裂，需限制暴露映射的复杂度（如只考虑直接邻居的处理数，而非整个网络结构）。
  • 稳健性检验策略：模拟中比较不同网络误设程度（边遗漏/添加比例）下的 MSE 和偏差；实证分析中对比不同网络构建方式（如不同阈值、不同交互类型）的结果。
  • 计算/实现细节：暴露概率的计算在复杂网络下无解析解，需使用近似方法（如基于网络结构的独立随机化假设下的近似，或蒙特卡洛模拟）。

五、与研究者兴趣的关联

  • 连接子方向：网络干扰下的因果推断敏感性分析。
  • 可借鉴的核心思路或技术工具：
  • 将结构误设转化为概率测度散度来界定偏差的思路，可迁移至其他因果推断设定（如 IV、Proximal CI 中对混淆结构或工具变量有效性的误设敏感性分析）。
  • 多候选结构联合估计以消除预检验偏差的方法，类似于部分识别或模型平均，可应用于高维或半参数设定下的不确定性量化。
  • 值得精读的关键参考文献：
  • Aronow & Samii (2017, JASA): "Estimating average causal effects under general interference" - 奠基性工作，定义了基于暴露映射的 HT 估计，理解本文的必读前置。
  • Leung (2020, JRSS-B): "Causal inference under approximate neighborhood interference" - 讨论了网络干扰下的渐近理论，对理解暴露映射的松弛与假设扰动有帮助。

六、延伸思考与练习

  • 假设扰动：若将"至少一个网络完全正确"放松为"所有候选网络均误设，但存在一个凸组合逼近真实网络"，结论如何变化？技术上可能需要引入部分识别框架，推导真实效应的界而非点估计。
  • 开放问题：如何在多网络估计量中进行最优的方差-偏差权衡（如赋予不同网络自适应权重，而非简单的联合暴露），以降低鲁棒性带来的方差膨胀？
  • 理解检测题：假设真实网络 $g^$ 是一个有向图，但研究者误用无向图 $\tilde{g}$ 作为暴露映射。请构造一个简单场景（如 3 个节点的星型图），计算并比较 $\pi_i(g^, k)$ 和 $\pi_i(\tilde{g}, k)$，说明 HT 估计量偏差的产生机制。

Maintained by 陈星宇 · Homepage · Source on GitHub