Linear models for causal inference under network interference
网络干扰下因果推断的线性模型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：摘要明确研究网络干扰造成的因果识别与估计问题，并区分固定、随机及部分已知网络。
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
网络干扰下因果推断的线性模型
- 研究问题
- 当一个单位的处理影响其他单位的结果，且干扰结构完全或部分已知时，如何利用线性结果模型识别和估计因果效应？
- 方法与思路
- 作者将二元及连续处理的因果效应表示为回归系数，并针对一个或多个固定或随机干扰网络构造点估计与方差估计。
- 材料陈述的贡献
- 摘要称，所构造估计量具有无偏性与一致性，可用标准线性回归软件实现，并结合随机效应或异方差、自相关稳健标准误。
- 阅读关注点
- 应核对处理分配机制、部分已知网络下的识别要求、效应与回归系数的映射，以及方差估计和稳健标准误的有效条件。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或接收。摘要未说明全部模型条件，消除干扰偏差的实验结果依赖具体设定。
原文摘要
In causal inference, interference occurs when the treatment of one unit may affect the outcomes of other units. The goal of this work is to serve as a guide to the use of linear outcome modeling for estimating causal effects in settings where interference may pose a challenge to identification and estimation, such as spatial and network data. We demonstrate that, under a linear model, causal effects of binary and continuous treatments can be identified in terms of regression coefficients under totally and partially known interference structures. Our work constructs unbiased and consistent point and variance estimators for these effects under one or more possible fixed or random interference networks. A chief advantage is that this approach can be implemented using standard linear regression software, and is easily augmented with random effects and heteroscedastic or autocorrelation consistent standard errors. Numerical experiments and an example data analysis demonstrate the efficacy of this approach in eliminating interference bias.