Estimation and inference of average treatment effects under heterogeneous additive treatment effect model
异质加性处理效应模型下平均处理效应的估计与推断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：摘要明确研究随机试验中的平均处理效应与隐藏网络干扰，并区分直接、间接和总体效应，属于因果推断及网络与干扰。
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
异质加性处理效应模型下平均处理效应的估计与推断
- 研究问题
- 在隐藏网络产生干扰的伯努利随机试验中，如何估计直接、间接及总体平均处理效应，并应对稠密网络下传统估计量的不一致？
- 方法与思路
- 作者在异质加性处理效应模型下建立设计型渐近理论，分析 Horvitz–Thompson 估计量，并提出基于特征向量的回归调整。
- 材料陈述的贡献
- 摘要称新估计量可在所研究的稠密网络情形保持一致，具有渐近正态性及保守方差估计，并展示其对多种干扰结构的适用性。
- 阅读关注点
- 应核对网络密度与效应规模的限制、隐藏网络下特征向量如何获得，以及一致性、渐近正态性和方差保守性各自所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未列出完整正则条件，设计型结论仍依赖所设定的加性效应模型。
原文摘要
Randomized experiments are the gold standard for estimating treatment effects, yet network interference challenges the validity of traditional estimators by violating the stable unit treatment value assumption and introducing bias. While cluster randomized experiments mitigate this bias, they encounter limitations in handling network complexity and fail to distinguish between direct and indirect effects. To address these challenges, we develop a design-based asymptotic theory for the existing Horvitz--Thompson estimators of the direct, indirect, and global average treatment effects under Bernoulli trials. We assume the heterogeneous additive treatment effect model with a hidden network that drives interference. Observing that these estimators are inconsistent in dense networks, we introduce novel eigenvector-based regression adjustment estimators to ensure consistency. We establish the asymptotic normality of the proposed estimators and provide conservative variance estimators under the design-based inference framework, offering robust conclusions independent of the underlying stochastic processes of the network and model parameters. Our method's adaptability is demonstrated across various interference structures, including partial interference and local interference in a two-sided marketplace. Numerical studies further illustrate the efficacy of the proposed estimators, offering practical insights into handling network interference.