Causal Inference for Social Network Data
社会网络数据的因果推断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。
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：摘要明确研究观察性社会网络的因果效应，并处理网络传播依赖及连边、结构干预。
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…
社会网络数据的因果推断
- 研究问题
- 如何利用单个社会网络的观察数据估计因果效应，同时处理沿网络传播的依赖及相连节点潜在相似性带来的依赖？
- 方法与思路
- 作者提出半参数估计与推断方法，允许每个观测依赖的其他单位数量随样本增长，并定义针对网络连边及结构的干预效应。
- 材料陈述的贡献
- 摘要称，方法同时容纳两类网络依赖；重分析Framingham肥胖同伴效应后，在考虑网络结构时未发现因果同伴效应证据。
- 阅读关注点
- 应核对网络干预与效应定义、因果识别条件、邻接依赖增长限制，以及潜在相似性的处理方式和重分析的推断设计。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要，不能推断刊本变化；允许潜在相似性依赖不等于解决任意未观测混杂，未发现证据也不等于效应为零。
原文摘要
We describe semiparametric estimation and inference for causal effects using observational data from a single social network. Our asymptotic results are the first to allow for dependence of each observation on a growing number of other units as sample size increases. In addition, while previous methods have implicitly permitted only one of two possible sources of dependence among social network observations, we allow for both dependence due to transmission of information across network ties and for dependence due to latent similarities among nodes sharing ties. We propose new causal effects that are specifically of interest in social network settings, such as interventions on network ties and network structure. We use our methods to reanalyze an influential and controversial study that estimated causal peer effects of obesity using social network data from the Framingham Heart Study; after accounting for network structure we find no evidence for causal peer effects.