Treatment Effects with Correlated Spillovers: Bridging Discrete and Continuous Methods
相关溢出下的处理效应：连接离散与连续方法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：摘要直接研究处理效应在地理空间与经济网络中的传播、相关溢出和无溢出检验，支持因果推断及网络与干扰分类。
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
相关溢出下的处理效应：连接离散与连续方法
- 研究问题
- 处理效应同时沿地理空间和经济网络传播时，如何统一离散与连续建模，并在存在或不存在溢出的情形下进行可靠推断？
- 方法与思路
- 作者从异质主体聚合、市场均衡和成本最小化推导连续框架的主方程，以随机路径上的累积政策暴露表示处理效应并连接事件研究。
- 材料陈述的贡献
- 摘要称框架涵盖多类离散模型、将空间网络交互系数联系到互信息，并报告所考察模拟中传统估计偏差为 25%—38%。
- 阅读关注点
- 应重点核对三类经济基础的推导条件、互信息等式的定义与尺度，以及估计量、无溢出检验和模拟中正确推断的具体判据。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未提供完整识别条件，互信息等式及跨配置推断保证均需核对证明。
原文摘要
This paper develops a continuous functional framework for treatment effects propagating through geographic space and economic networks. We derive a master equation from three independent economic foundations -- heterogeneous agent aggregation, market equilibrium, and cost minimization -- establishing that the framework rests on fundamental principles rather than ad hoc specifications. The framework nests conventional econometric models -- autoregressive specifications, spatial autoregressive models, and network treatment effect models -- as special cases, providing a bridge between discrete and continuous methods. A key theoretical result shows that the spatial-network interaction coefficient equals the mutual information between geographic and network coordinates, providing a parameter-free measure of channel complementarity. The Feynman-Kac representation characterizes treatment effects as accumulated policy exposure along stochastic paths representing economic linkages, connecting the continuous framework to event study methodology. The no-spillover case emerges as a testable restriction, creating a one-sided risk profile where correct inference is maintained regardless of whether spillovers exist. Monte Carlo simulations confirm that conventional estimators exhibit 25-38% bias when spillovers are present, while our estimator maintains correct inference across all configurations including the no-spillover case.