Dal Torrione, E., Arduini, T., & Forastiere, L. (2024). Regression Discontinuity Designs Under Interference. arXiv preprint arXiv:2410.02727.
본 연구는 네트워크 환경에서 간섭 효과가 존재하는 상황에서 회귀 불연속 설계(RDD)를 사용하여 인과 효과를 식별하고 추정하는 것을 목표로 합니다. 특히, 개인의 처치 상태가 네트워크 내 다른 개체들의 처치 상태에 의해 영향을 받는 경우, 기존 RDD 접근 방식을 확장하여 직접 효과, 간접 효과, 그리고 전체 직접 효과를 추정하는 방법을 제시합니다.
본 연구에서는 개인의 처치 상태와 네트워크 이웃의 처치 상태를 결합한 '유효 처치' 개념을 도입하고, 이를 기반으로 다차원 경계를 갖는 다점수 RDD 프레임워크를 제시합니다. 이러한 프레임워크 내에서 인과 효과를 식별하기 위해 일반화된 연속성 가정을 제시하고, 경계 지점 인과 효과와 경계 평균 인과 효과를 정의합니다. 추정을 위해서는 다변량 점수를 경계까지의 단일 변수 거리 측정값으로 변환하고, 이를 지역 선형 회귀 분석에 사용하는 거리 기반 비모수적 추정량을 개발합니다. 또한, 네트워크 상관관계를 고려한 새로운 분산 추정량을 도입하고, 표준 RDD 지역 선형 추정량을 사용하여 경계 전체 직접 효과를 추정합니다.
본 연구의 주요 결과는 다음과 같습니다. 첫째, 간섭 효과가 존재하는 RDD에서 유효 처치 할당은 개인 점수와 네트워크 이웃의 점수 모두에 의해 결정되므로 다차원 경계를 갖는 다점수 RDD로 해석될 수 있습니다. 둘째, 기존 RDD의 연속성 가정을 확장하여 경계 지점 및 경계 평균 인과 효과를 식별할 수 있습니다. 셋째, 네트워크 상관관계를 고려한 거리 기반 비모수적 추정량과 새로운 분산 추정량을 통해 경계 평균 인과 효과를 추정할 수 있습니다. 넷째, 표준 RDD 추정량을 사용하여 경계 전체 직접 효과를 추정할 수 있습니다.
본 연구는 간섭 효과가 존재하는 상황에서 RDD를 사용하여 인과 효과를 식별하고 추정하는 포괄적인 프레임워크를 제시합니다. 이는 네트워크 환경에서 정책 및 프로그램의 효과를 평가하는 데 유용한 도구가 될 수 있습니다.
본 연구는 기존 RDD 방법론을 네트워크 간섭 효과를 고려하도록 확장함으로써 인과 추론 분야에 중요한 기여를 합니다. 특히, 다점수 RDD 프레임워크와 거리 기반 추정 방법은 복잡한 네트워크 환경에서 인과 효과를 추정하는 새로운 방법을 제시합니다.
본 연구는 네트워크 연결이 고정되어 있고 완전히 관찰 가능하며, 간섭 세트의 크기가 동일하다는 가정을 전제로 합니다. 향후 연구에서는 이러한 가정을 완화하고, 시간에 따라 변화하는 네트워크 구조, 불완전한 네트워크 데이터, 그리고 다양한 크기의 간섭 세트를 고려한 확장된 프레임워크를 개발하는 것이 필요합니다.
To Another Language
from source content
arxiv.org
Önemli Bilgiler Şuradan Elde Edildi
by Elena Dal To... : arxiv.org 10-04-2024
https://arxiv.org/pdf/2410.02727.pdfDaha Derin Sorular