Random graph asymptotics for treatment effect estimation under network interference
网络干扰下处理效应估计的随机图渐近理论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：摘要明确在网络干扰的潜在结果框架中估计直接与间接处理效应。
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
网络干扰下处理效应估计的随机图渐近理论
- 研究问题
- 当实验单元的处理通过网络边影响其他单元时，随机暴露图的生成假设如何帮助推断直接效应与间接效应？
- 方法与思路
- 作者将无向暴露图设为由 graphon 生成的随机图，在潜在结果框架内研究直接效应的中心极限定理并构造间接效应估计量。
- 材料陈述的贡献
- 摘要称，在该设定中常用直接效应估计量比既有理论暗示的更准确，并在此前缺少一致估计量的情形提出间接效应一致估计。
- 阅读关注点
- 应核对 graphon、网络增长及处理分配条件，明确两类效应的定义，并查看直接效应方差与间接效应一致性的适用边界。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断固定网络、其他生成机制或有限样本表现；准确性和一致性结论依赖作者所述随机图设定。
原文摘要
The network interference model for treatment effect estimation places experimental units at the vertices of an undirected exposure graph, such that treatment assigned to one unit may affect the outcome of another unit if and only if these two units are connected by an edge. This model has recently gained popularity as means of incorporating interference effects into the Neyman–Rubin potential outcomes framework; and several authors have considered estimation of various causal targets, including the direct and indirect effects of treatment. In this paper, we consider large-sample asymptotics for treatment effect estimation under network interference in a setting where the exposure graph is a random draw from a graphon. When targeting the direct effect, we establish a central limit theorem and find that—in our setting—popular estimators are considerably more accurate than existing results suggest. Meanwhile, when targeting the indirect effect, we leverage our generative assumptions to propose a consistent estimator in a setting where no other consistent estimators are currently available. Overall, our results highlight the promise of random graph asymptotics in understanding the practicality and limits of causal inference under network interference.