Effective treatment allocation strategies under partial interference
部分干扰下的有效处理分配策略AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究簇内干扰、网络位置影响及随机处理分配策略的因果效果，对应因果推断与网络干扰。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
部分干扰下的有效处理分配策略
- 研究问题
- 在簇内存在干扰而簇间不存在干扰时，如何保持簇内边际处理概率不变，通过协变量决定分配方式，研究整体效果与干扰异质性？
- 方法与思路
- 作者定义协变量驱动随机分配策略下的新因果目标，在实验环境构造标准化加权估计量，推导渐近分布并检验干扰是否随协变量异质。
- 材料陈述的贡献
- 摘要称，这些目标可揭示有影响力个体的网络及协变量特征；作者给出估计与检验方法，开展模拟，并应用于中国保险信息整群实验。
- 阅读关注点
- 应核对分配策略如何同时保持边际概率并改变协变量依赖、簇内干扰的表示方式，以及实验分配、权重和簇数渐近所需的条件。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收。摘要未列明完整识别条件及应用结果；簇间无干扰假设仍需结合实际环境核对。
原文摘要
Interference occurs when the potential outcomes of a unit depend on the treatment of others. Interference can be highly heterogeneous, where treating certain individuals might have a larger effect on the population's overall outcome. A better understanding of how covariates explain this heterogeneity may lead to more effective interventions. In the presence of clusters of units, we assume that interference occurs within clusters but not across them. We define novel causal estimands under hypothetical, stochastic treatment allocation strategies that fix the marginal treatment probability in a cluster and vary how the treatment probability depends on covariates, such as a unit's network position and characteristics. We illustrate how these causal estimands can shed light on the heterogeneity of interference and on the network and covariate profile of influential individuals. For experimental settings, we develop standardized weighting estimators for our novel estimands and derive their asymptotic distribution. We design an inferential procedure for testing the null hypothesis of interference homogeneity with respect to covariates. We validate the performance of the estimator and inferential procedure through simulations.We then apply the novel estimators to a clustered experiment in China to identify the important characteristics that drive heterogeneity in the effect of providing information sessions on insurance uptake.