A Graphical Approach to Treatment Effect Estimation with Observational Network Data
观测网络数据中治疗效应估计的图方法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：摘要明确研究单一观测网络中的治疗效应、个体间干扰及图调整识别。
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…
观测网络数据中治疗效应估计的图方法
- 研究问题
- 仅有一个社会网络的观测数据，且个体之间存在干扰与已观测混杂时，如何确定调整变量并估计治疗效应？
- 方法与思路
- 作者提出不区分具体个体的通用因果图，在图中寻找有效调整集以识别效应，再构造调整估计量并分析网络依赖下的渐近性质。
- 材料陈述的贡献
- 摘要称，在限制个体间依赖增长的正则条件下，估计量一致且具有参数速率的高斯极限，并用于瑞士严格口罩政策分析。
- 阅读关注点
- 应核对通用图如何表示个体间干扰、有效调整集与目标效应的对应关系，以及依赖增长限制、方差估计和应用中的混杂控制。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明完整识别条件和政策效应数值，也未保证未观测混杂可处理。
原文摘要
We propose an easy-to-use adjustment estimator for the effect of a treatment based on observational data from a single (social) network of units. The approach allows for interactions among units within the network, called interference, and for observed confounding. We define a simplified causal graph that does not differentiate between units, called generic graph. Using valid adjustment sets determined in the generic graph, we can identify the treatment effect and build a corresponding estimator. We establish the estimator's consistency and its convergence to a Gaussian limiting distribution at the parametric rate under certain regularity conditions that restrict the growth of dependencies among units. We empirically verify the theoretical properties of our estimator through a simulation study and apply it to estimate the effect of a strict facial-mask policy on the spread of COVID-19 in Switzerland.