Modellbasierte Inferenz und Experimentelles Design für Interferenz unter Verwendung von teilweisen Netzwerkdaten

Die Annahme des stabilen Behandlungseinheitswerts besagt, dass das Ergebnis eines Individuums nicht von den Behandlungsstatus anderer beeinflusst wird. In vielen realen Anwendungen können Behandlungen jedoch Auswirkungen auf viele andere über die unmittelbar Behandelten hinaus haben. Interferenz kann allgemein als durch eine bestimmte Netzwerkstruktur vermittelt betrachtet werden. In vielen empirisch relevanten Situationen sind vollständige Netzwerkdaten (die erforderlich sind, um diese Spillover-Effekte anzupassen) jedoch zu kostspielig oder logistisch unpraktisch zu sammeln. Teilweise oder indirekt beobachtete Netzwerkdaten (z.B. Teilerhebungen, aggregierte relationale Daten (ARD), egozentrische Stichproben oder respondentengesteuerte Stichproben) verringern die logistische und finanzielle Belastung beim Sammeln von Netzwerkdaten, aber die statistischen Eigenschaften der Anpassungen der Behandlungseffekte aus diesen Designstrategien werden erst beginnen zu erforschen. In diesem Papier präsentieren wir einen Rahmen für die Schätzung und Inferenz von Anpassungen der Behandlungseffekte unter Verwendung von teilweisen Netzwerkdaten durch die Linse struktureller kausaler Modelle. Wir veranschaulichen auch Verfahren zur Zuweisung von Behandlungen unter Verwendung nur von teilweisen Netzwerkdaten, mit dem Ziel, entweder die Schätzervariation zu minimieren oder optimal zu initialisieren. Wir leiten asymptotische Ergebnisse für ein einzelnes Netzwerk ab, die auf eine Vielzahl von Auswahlmöglichkeiten für ein zugrunde liegendes Graphmodell anwendbar sind. Wir validieren unseren Ansatz anhand von simulierten Experimenten auf beobachteten Graphen mit Anwendungen zur Informationsdiffusion in Indien und Malawi.