Causal inference in network experiments: regression-based analysis and design-based properties
网络实验中的因果推断：回归分析与设计性质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：摘要直接研究网络随机实验的溢出效应、处理干扰及因果效应估计。
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…
关注这篇论文的作者
网络实验中的因果推断：回归分析与设计性质
- 研究问题
- 在网络实验存在处理干扰与溢出效应时，如何构造易实施的回归估计和标准误，并为其提供基于随机化设计的理论保证？
- 方法与思路
- 作者利用曝光概率倒数加权回归与 Hájek 估计量的数值等价关系，研究适配干扰模式的回归及网络稳健协方差，并提出调整方案。
- 材料陈述的贡献
- 摘要称，回归方法可统一实现点估计、标准误和协变量调整，并针对效应非恒定时协方差估计偏乐观的问题改善经验覆盖率。
- 阅读关注点
- 应核对曝光映射与概率计算、干扰范围和设计条件，以及协变量调整的效率结论、协方差修正公式及其理论覆盖保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明完整随机化与网络条件，经验覆盖改善不代表任意干扰下推断有效。
原文摘要
Network experiments are powerful tools for studying spillover effects, which avoid endogeneity by randomly assigning treatments to units over networks. However, it is non-trivial to analyze network experiments properly without imposing strong modeling assumptions. We show that regression-based point estimators and standard errors can have strong theoretical guarantees if the regression functions and robust standard errors are carefully specified to accommodate the interference patterns under network experiments. We first recall a well-known result that the Hájek estimator is numerically identical to the coefficient from the weighted-least-squares fit based on the inverse probability of the exposure mapping. Moreover, we demonstrate that the regression-based approach offers three notable advantages: its ease of implementation, the ability to derive standard errors through the same regression fit, and the potential to integrate covariates into the analysis to improve efficiency. Recognizing that the regression-based network-robust covariance estimator can be anti-conservative under nonconstant effects, we propose an adjusted covariance estimator to improve the empirical coverage rates.