Kombination von Rollout-Designs und Clustering für kausale Inferenz unter niedriggradiger Interferenz

Die Schätzung kausaler Effekte unter Interferenz ist in vielen realen Szenarien relevant. Die wahre Interferenznetzwerk kann jedoch dem Praktiker unbekannt sein, was viele bestehende Techniken ausschließt, die diese Informationen nutzen. Eine aktuelle Reihe von Arbeiten mit Modellen der potenziellen Ergebnisse niedriger Ordnung verwendet gestaffelte Rollout-Designs, um unverzerrte Schätzer zu erhalten, die keine Netzwerkinformationen erfordern. Ihre Verwendung der polynomialen Extrapolation kann jedoch zu prohibitiven hohen Varianzen führen. Um dies zu beheben, schlagen wir ein zweistufiges experimentelles Design vor, das die Behandlungsausrollung auf eine Unterpopulation beschränkt. Wir analysieren die Verzerrung und Varianz eines Interpolationsstil-Schätzers unter diesem experimentellen Design. Durch numerische Simulationen untersuchen wir den Kompromiss zwischen dem Fehler, der auf das Subsampling unseres experimentellen Designs zurückzuführen ist, und der Extrapolation des Schätzers. Bei Modellen mit Interaktionen niedriger Ordnung von Grad größer als 1 reduziert das vorgeschlagene Design den Fehler des polynomialen Interpolationsschätzers erheblich, sodass es die Baseline-Schätzer übertrifft, insbesondere wenn die Behandlungswahrscheinlichkeit gering ist.