Causal inference with misspecified network interference structure
网络干扰结构误设下的因果推断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。
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：摘要直接讨论单位间处理干扰、网络误设及因果效应估计，并通过多候选网络处理干扰结构的不确定性。
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
网络干扰结构误设下的因果推断
- 研究问题
- 当一个单位的处理影响其他单位，而研究者使用的关系网络存在误设时，因果效应估计会产生多大偏差，能否获得稳健估计？
- 方法与思路
- 作者通过真实与假定网络诱导的暴露概率差异刻画偏差界，并提出同时使用多个候选网络、其中至少一个正确时无偏的估计量。
- 材料陈述的贡献
- 摘要称偏差随网络差异增大，并给出无需知道哪个候选网络正确的稳健估计方法，以模拟和社会网络田野实验展示其性质。
- 阅读关注点
- 应核对暴露概率与网络差异的定义、偏差界所需条件，以及多网络估计量的构造、可计算性、方差和实验设计要求。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明无偏结论的完整条件，也未保证所有候选网络均错误时仍稳健。
原文摘要
Under interference, the treatment of one unit may affect the outcomes of other units. Such interference patterns between units are typically represented by a network. Correctly specifying this network requires identifying which units can affect others -- an inherently challenging task. Nevertheless, most existing approaches assume that a known and accurate network specification is given. In this paper, we study the consequences of such misspecification. We derive bounds on the bias arising from estimating causal effects using a misspecified network, showing that the estimation bias grows with the divergence between the assumed and true networks, quantified through their induced exposure probabilities. To address this challenge, we propose a novel estimator that leverages multiple networks simultaneously and remains unbiased if at least one of the networks is correct, even when we do not know which one. Therefore, the proposed estimator provides robustness to network specification. We illustrate key properties and demonstrate the utility of our proposed estimator through simulations and analysis of a social network field experiment.