Causal Inference with Noncompliance and Unknown Interference¶
作者: Tadao Hoshino, Takahide Yanagi
来源: Journal of the American Statistical Association
主题: 因果推断
相关性: 8/10
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
本子方向研究的是在社会网络干扰（一个体的处理影响其他个体的结果）与非依从性（个体实际接受的处理与分配的处理不一致）同时存在时的因果推断问题。其核心挑战在于：网络干扰的形式通常是未知且复杂的（例如，一个体的结果可能受其所有邻居的处理影响），而非依从性又引入了工具变量（IV）的经典识别问题。当前成熟度较低——大多数现有工作要么只处理干扰（假设完美依从），要么只处理非依从（假设无干扰），而将两者结合的工作非常有限，且通常对干扰形式施加了很强的结构假设（如已知的暴露映射或参数化模型）。
发展脉络（history）¶
- 奠基工作：无干扰下的非依从性。Angrist, Imbens, and Rubin (1996) 建立了工具变量框架下的依从者平均处理效应（CACE）识别理论，核心假设是排他性约束（工具变量仅通过处理影响结果）和单调性（无违者者）。这是本文的基准设定。
- 主要进展：已知形式的网络干扰。Hudgens and Halloran (2008) 提出了部分干扰（partial interference）框架，假设网络可划分为不连通的组，组内干扰但组间无干扰。Manski (2013) 和 Aronow and Samii (2017) 引入了暴露映射（exposure mapping）概念，将复杂的网络溢出效应总结为个体处理状态的某个函数（如“是否至少有一个邻居被处理”），但要求暴露映射是已知且正确指定的。Forastiere et al. (2021) 在部分干扰下结合了非依从性，但暴露映射仍为已知。
- 当前 frontier：未知干扰形式下的推断。本文作者指出，现有工作“通常假设暴露映射是已知的”（原文引用句），而实际中研究者可能不知道干扰如何发生。本文的贡献在于：在暴露映射可能误设的情况下，讨论ITT和CACE的可识别性，并发展非参数估计方法。
- 本文的位置：本文是第一个（据作者声称）在未知干扰形式且存在非依从的设定下，系统研究ITT和CACE识别与估计的工作。它通过引入“工具变量的暴露映射”这一新概念，将未知干扰问题转化为一个有限维统计量的识别问题，从而绕开了对干扰形式的完全建模。
子线索聚类¶
- 部分干扰与已知暴露映射：Hudgens and Halloran (2008), Aronow and Samii (2017), Forastiere et al. (2021)。这一簇假设网络可划分为不连通的组，且暴露映射是已知的（如“组内被处理的比例”）。优点是识别简单，缺点是实际中网络可能不满足部分干扰，且暴露映射的误设会导致偏差。
- 近似邻域干扰（ANI）：Leung (2022), Sävje, Aronow, and Hudgens (2021)。这一簇放松了部分干扰，假设干扰随网络距离衰减（即只有“近邻”的处理影响结果），但通常假设完美依从。本文的渐近理论建立在ANI框架上。
- 工具变量与干扰的结合：本文是这一簇的核心工作。其他相关但更早的工作包括：Kang and Imbens (2016) 讨论了在部分干扰下使用IV，但暴露映射仍为已知；DiTraglia et al. (2020) 在未知干扰下使用IV，但聚焦于检验而非估计。
这个方向在追问的核心问题¶
- 可识别性：在未知干扰下，ITT和CACE是否可识别？需要什么条件？
- 估计方法：如何构造相合且渐近正态的估计量，而不需要对干扰形式做参数化假设？
- 稳健性：当暴露映射被误设时，估计量是否仍然有意义（即，它估计的是什么参数）？
- 效率：在给定暴露映射下，最优估计量是什么？如何达到半参数效率界？
已知瓶颈：未知干扰导致“维数灾难”——每个个体的潜在结果依赖于所有邻居的处理，使得参数空间随网络大小指数增长。现有方法要么通过强结构假设（如已知暴露映射）回避，要么通过近似（如ANI）牺牲精度。
⚠️ 作者的 framing¶
作者将缺口 frame 为：“现有工作通常假设暴露映射是已知的，但实际中研究者可能不知道干扰如何发生。” 因此，本文的“显然的下一步”是：在暴露映射可能误设的情况下，研究ITT和CACE的识别与估计。作者通过引入“工具变量的暴露映射”这一新概念，将未知干扰问题转化为一个有限维统计量的识别问题，从而绕开了对干扰形式的完全建模。
被淡化或回避的竞争路线： - 完全非参数识别：作者没有讨论是否可以在完全不指定暴露映射的情况下识别ITT或CACE（例如，通过假设网络结构是随机的或使用图核方法）。这可能是由于完全非参数识别通常需要更强的假设（如网络是稀疏的或处理分配是随机的）。 - 基于模型的干扰推断：作者回避了使用参数化或半参数模型（如空间自回归模型）来建模干扰的路线。这些模型虽然需要更强的假设，但可能提供更高效的估计。
什么明显该被引/该存在、却没出现在 intro 里？ - Basse and Feller (2018)：讨论了在部分干扰下使用IV的识别问题，但暴露映射仍为已知。本文应引用并说明其与本文的差异（已知 vs. 未知暴露映射）。 - VanderWeele and Tchetgen Tchetgen (2011)：讨论了在干扰存在下使用IV的边界方法。本文未提及，但边界方法可能是处理未知干扰的另一种思路。 - Ogburn et al. (2020)：讨论了在干扰存在下使用IV的敏感性分析。本文未提及，但敏感性分析是处理未知干扰的实用工具。
张力¶
未见明显对立引用。所有被引工作都承认未知干扰是一个困难问题，且本文的贡献在于提供了一个新的解决思路。但有一个潜在的张力：ANI框架假设干扰随距离衰减，而本文的识别结果并不依赖这一假设。这意味着本文的识别部分比估计部分更一般，但估计部分（渐近理论）却依赖于ANI。这可能导致一个“识别-估计”之间的gap：识别条件可能在实际中无法被估计方法所利用（例如，当网络很大且干扰不衰减时）。
二、最核心、最简单的例子 / 数学问题¶
第一步：把符号、模型、可观测数据交代清楚¶
符号： - \( i = 1, \dots, n \)：个体索引。 - \( \mathbf{G} \)：\( n \times n \) 的邻接矩阵，\( G_{ij} = 1 \) 表示 \( j \) 是 \( i \) 的邻居（干扰关系）。可观测。 - \( Z_i \in \{0, 1\} \)：个体 \( i \) 的分配处理（工具变量）。可观测。 - \( D_i \in \{0, 1\} \)：个体 \( i \) 的实际接受处理。可观测。 - \( Y_i \)：个体 \( i \) 的结果。可观测。 - \( \mathbf{Z} = (Z_1, \dots, Z_n) \)：所有个体的分配处理向量。 - \( \mathbf{D} = (D_1, \dots, D_n) \)：所有个体的实际处理向量。 - \( Y_i(\mathbf{z}, \mathbf{d}) \)：个体 \( i \) 的潜在结果，当分配处理向量为 \( \mathbf{z} \)、实际处理向量为 \( \mathbf{d} \) 时。不可观测。 - \( D_i(\mathbf{z}) \)：个体 \( i \) 的潜在实际处理，当分配处理向量为 \( \mathbf{z} \) 时。不可观测。 - \( \mathbf{Z}_{-i} \)：除 \( i \) 外所有个体的分配处理向量。 - \( \mathcal{N}_i \)：个体 \( i \) 的邻居集合（由 \( \mathbf{G} \) 定义）。 - \( \mathbf{Z}_{\mathcal{N}_i} \)：个体 \( i \) 的邻居的分配处理向量。 - \( \mathbf{D}_{\mathcal{N}_i} \)：个体 \( i \) 的邻居的实际处理向量。
模型： - 数据生成机制：个体 \( i \) 的结果 \( Y_i \) 和实际处理 \( D_i \) 可能依赖于所有个体的分配处理 \( \mathbf{Z} \) 和实际处理 \( \mathbf{D} \)。即，存在潜在的全局干扰。 - 工具变量：\( Z_i \) 是 \( D_i \) 的工具变量，满足排他性约束（\( Z_i \) 仅通过 \( D_i \) 影响 \( Y_i \)）和相关性（\( Z_i \) 与 \( D_i \) 相关）。 - 非依从性：\( D_i \) 可能不等于 \( Z_i \)（即，个体可能不依从分配处理）。 - 未知干扰：干扰的形式（即，哪些邻居的处理影响结果）是未知的。
可观测数据： - 研究者实际能观测到的是：\( \{ (Y_i, D_i, Z_i, \mathbf{G}) \}_{i=1}^n \)，即每个个体的结果、实际处理、分配处理，以及整个网络的邻接矩阵。 - 想要但观测不到的是：潜在结果 \( Y_i(\mathbf{z}, \mathbf{d}) \) 和潜在实际处理 \( D_i(\mathbf{z}) \)。这些只能通过假设（如排他性约束、单调性）和工具变量来识别。
第二步：讲最小内核¶
最简特例：假设网络是一个完全二分图，即所有个体被分为两组：处理组（\( Z_i = 1 \)）和对照组（\( Z_i = 0 \)），且组内无干扰，组间有干扰。更具体地，假设： - 网络只有两个个体：\( i = 1, 2 \)。 - 个体1的邻居只有个体2，个体2的邻居只有个体1（即，一个简单的边）。 - 分配处理 \( Z_1, Z_2 \in \{0, 1\} \) 是独立随机分配的（例如，抛硬币）。 - 实际处理 \( D_1, D_2 \in \{0, 1\} \) 可能不依从分配处理（例如，个体1可能拒绝接受处理即使 \( Z_1 = 1 \)）。 - 结果 \( Y_1, Y_2 \) 可能受所有分配处理和实际处理的影响（即，存在全局干扰）。
核心问题：我们想估计意向治疗效应（ITT），即分配处理对结果的平均因果效应，但允许干扰存在。例如，个体1的ITT定义为：
本文的关键想法：引入工具变量的暴露映射 \( \mathbf{h}(\mathbf{Z}) \)，它是一个固定维度的统计量，用于总结 \( \mathbf{Z} \) 中影响个体 \( i \) 结果的部分。例如，对于个体1，我们可以定义暴露映射为：
识别条件：为了识别ITT，我们需要条件独立性：
在这个特例下： - 假设暴露映射 \( h_1(\mathbf{Z}) = (Z_1, Z_2) \) 是正确指定的（即，\( Y_1 \) 确实只依赖于 \( Z_1 \) 和 \( Z_2 \)）。那么，ITT可以识别为：
核心思路：通过将未知干扰总结为工具变量的暴露映射，本文把高维的干扰问题转化为一个有限维的识别问题。然后，通过逆概率加权（IPW）来估计ITT和CACE，其中权重是暴露映射的条件概率。这个思路的本质是：用暴露映射来“控制”干扰，就像在无干扰设定中用倾向得分来控制混杂一样。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题：在社交网络干扰形式未知且存在非依从性的情况下，如何识别和估计意向治疗效应（ITT）和依从者平均处理效应（CACE）。
- 核心工具/方法：引入“工具变量的暴露映射”概念，将未知干扰总结为固定维度的统计量；基于此，在暴露映射可能误设的情况下推导ITT和CACE的识别条件；然后使用逆概率加权（IPW）构造非参数估计量。
- 主要结论：在近似邻域干扰（ANI）框架下，IPW估计量是相合且渐近正态的；暴露映射的误设会导致估计量估计一个“加权平均”的ITT/CACE，但该加权平均仍有因果解释。
关键设定与假设¶
完整设定（在第二节最小记号的基础上补充）： - 潜在结果框架：\( Y_i(\mathbf{z}, \mathbf{d}) \) 和 \( D_i(\mathbf{z}) \) 是潜在结果，其中 \( \mathbf{z}, \mathbf{d} \in \{0, 1\}^n \)。 - SUTVA-like 假设：作者假设排他性约束（\( Z_i \) 仅通过 \( D_i \) 影响 \( Y_i \)）和单调性（\( D_i(1) \geq D_i(0) \)），这是CACE识别的标准假设。 - 暴露映射：定义 \( \mathbf{h}(\mathbf{Z}) = (h_1(\mathbf{Z}), \dots, h_n(\mathbf{Z})) \)，其中 \( h_i(\mathbf{Z}) \) 是 \( \mathbf{Z} \) 的某个固定维度的函数（例如，\( h_i(\mathbf{Z}) = (Z_i, \sum_{j \in \mathcal{N}_i} Z_j) \)）。关键：暴露映射是研究者指定的，可能正确也可能错误。 - 条件独立性：\( Y_i(\mathbf{z}, \mathbf{d}) \perp \mathbf{Z} \mid \mathbf{h}(\mathbf{Z}) \) 和 \( D_i(\mathbf{z}) \perp \mathbf{Z} \mid \mathbf{h}(\mathbf{Z}) \)。这是识别的基础。 - 近似邻域干扰（ANI）：假设干扰随网络距离衰减，即存在一个“邻域半径” \( r \)，使得个体 \( i \) 的结果只依赖于距离 \( \leq r \) 的邻居的处理。这用于渐近理论。
相比已有文献的放宽或强化： - 放宽：相比 Forastiere et al. (2021)，本文不要求暴露映射已知且正确；相比 Hudgens and Halloran (2008)，本文不要求部分干扰。 - 强化：相比 Leung (2022)，本文引入了非依从性，因此需要额外的IV假设（排他性、单调性）。
主要结果¶
定理1（ITT的识别）： - 陈述：在条件独立性假设下，ITT可以识别为：
定理2（CACE的识别）： - 陈述：在排他性约束和单调性下，CACE可以识别为：
定理3（渐近正态性）： - 陈述：在ANI框架下，IPW估计量 \( \widehat{\text{ITT}}_i \) 和 \( \widehat{\text{CACE}}_i \) 是 \( \sqrt{n} \)-相合且渐近正态的。 - 必要条件：网络是稀疏的（每个个体的邻居数有界），且暴露映射的维度固定。 - 解决的技术难点：ANI框架保证了干扰的“局部性”，从而使得估计量的方差可以控制。作者使用了U-统计量理论来推导渐近方差。
证明路线与技术技巧¶
整体路线： 1. 识别部分：在条件独立性假设下，将ITT和CACE表示为IPW形式。关键步骤是证明：
关键跳跃点： - 暴露映射的误设处理：当暴露映射误设时，条件独立性不成立。作者证明，此时IPW估计量仍然估计一个“加权平均”的ITT/CACE，其中权重是真实暴露映射与误设暴露映射的“差异”。这个结果依赖于一个关键引理：误设下的IPW估计量等价于一个“正确指定”的IPW估计量，但权重被重新校准。 - ANI框架下的方差控制：在ANI下，每个个体的结果只依赖于有限个邻居的处理，因此估计量的方差可以分解为“局部”项的和。作者使用Stein's method（或类似技术）来证明渐近正态性。
技术技巧点名： - 逆概率加权（IPW）：用于消除干扰和混杂。 - U-统计量理论：用于处理估计量的方差分解，特别是在ANI框架下。 - 核回归/系列估计：用于非参数估计条件概率。 - Stein's method（可能）：用于证明渐近正态性（作者未明确说明，但这是处理依赖数据的标准工具）。
真实例子与应用¶
数据：反冲突干预学校项目（Anti-Conflict Intervention School Program）的实验数据。这是一个随机对照试验，其中学校被随机分配接受反冲突干预（\( Z_i = 1 \)）或对照（\( Z_i = 0 \)）。学生可能不依从（即，实际参与干预 \( D_i \) 可能不等于分配）。网络由学生之间的友谊关系定义。
方法应用： - 定义暴露映射 \( h_i(\mathbf{Z}) = (Z_i, \sum_{j \in \mathcal{N}_i} Z_j) \)，即个体自己的分配处理和邻居中被处理的数量。 - 使用IPW估计ITT和CACE，其中条件概率 \( \mathbb{P}(Z_i = 1 \mid \mathbf{h}(\mathbf{Z})) \) 通过核回归估计。 - 比较不同暴露映射（如只考虑自己的分配处理）的结果，以展示误设的影响。
结果： - 当暴露映射正确指定时，ITT估计为负（干预减少了冲突），CACE估计为更大的负值（依从者的效应更大）。 - 当暴露映射误设（只考虑自己的分配处理）时，ITT估计偏向零，表明误设导致低估效应。
这个例子想说明什么： - 验证理论：暴露映射的误设确实会导致偏差。 - 展示方法：IPW估计量在实际数据中可行。 - 强调重要性：在存在干扰时，忽略邻居的处理会导致严重的偏差。
🔎 结论是否比证明窄¶
- 窄结论：定理1和2的识别结果依赖于条件独立性假设，但作者在实证例子中并未验证这一假设（例如，通过检验 \( Y_i \perp \mathbf{Z} \mid \mathbf{h}(\mathbf{Z}) \)）。因此，结论的适用范围可能比证明窄——在实际中，条件独立性可能不成立，导致估计量有偏。
- 泛泛 claim：作者声称方法适用于“未知干扰形式”，但渐近理论依赖于ANI框架（干扰随距离衰减）。如果干扰是“长程”的（例如，全局网络效应），则ANI不成立，渐近理论失效。作者在结论中未明确讨论这一限制。
- Conjecture：作者在讨论中推测，暴露映射的误设可以通过“模型平均”或“交叉验证”来缓解，但未提供理论证明。这只是一个conjecture。
四、开放问题¶
- 暴露映射的选择：如何从数据中自动选择暴露映射？作者未提供数据驱动的选择方法。扎根于：论文第3节讨论“暴露映射的误设”，但未给出选择准则。
- 半参数效率：IPW估计量是否达到半参数效率界？作者未推导EIF。扎根于：论文第4节仅给出渐近方差，但未与效率界比较。
- 高维网络：当网络很大且稀疏时，ANI框架是否仍然成立？作者假设邻居数有界，但实际中网络可能更复杂。扎根于：论文第5节的ANI假设。
- 敏感性分析：当条件独立性假设不成立时，如何量化偏差？作者未提供敏感性分析工具。扎根于：论文第6节的“讨论”部分提到“未来工作可考虑放松条件独立性”。
Maintained by 陈星宇 · Homepage · Source on GitHub