Low-order Outcomes and Clustered Designs: Combining Design and Analysis for Causal Inference under Network Interference

In settings from public health to advertising, practitioners use randomized experiments to estimate the causal effect of a population-wide rollout of a new treatment. Traditional estimators that account for interference (where the treatment of one individual can affect the outcome of another) often have prohibitively high variance. Recent literature provides two, largely disjoint, techniques to address this: leveraging parametric assumptions on the potential outcomes to design better estimators and leveraging structural assumptions on the interference to choose a smarter experimental design. Combining these approaches, we present a pseudoinverse estimator for the total treatment effect in low-order outcome models when the data are collected under general experimental designs. For cluster randomized designs, we show this estimator is unbiased with variance scaling like the smaller of the variance obtained from a low-order assumption and the variance obtained from cluster randomization.

Résultats d'ordre inférieur et plans en grappes : Combinaison de la conception et de l'analyse pour l'inférence causale en cas d'interférence de réseau

Dans des contextes allant de la santé publique à la publicité, les praticiens ont recours à des expériences randomisées pour estimer l'effet causal du déploiement d'un nouveau traitement à l'échelle de la population. Les estimateurs traditionnels qui tiennent compte de l'interférence (lorsque le traitement d'un individu peut affecter le résultat d'un autre) ont souvent une variance prohibitive. La littérature récente propose deux techniques, en grande partie disjointes, pour résoudre ce problème : tirer parti d'hypothèses paramétriques sur les résultats potentiels pour concevoir de meilleurs estimateurs et tirer parti d'hypothèses structurelles sur l'interférence pour choisir un plan d'expérience plus intelligent. Combinant ces approches, nous présentons un estimateur pseudo-inverse pour l'effet total du traitement dans les modèles de résultats d'ordre inférieur lorsque les données sont collectées dans le cadre de plans expérimentaux généraux. Pour les plans randomisés en grappes, nous montrons que cet estimateur est sans biais avec un échelonnement de la variance comme le plus petit de la variance obtenue à partir d'une hypothèse d'ordre faible et de la variance obtenue à partir de la randomisation en grappes.

Session

Analyse statistique des données de réseau

Date and Time