Bipartite causal inference with interference, time series data, and a random network
具有干扰、时间序列数据与随机网络的二部因果推断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：摘要以二部网络上的干扰、暴露映射和潜在结果因果效应为核心，直接结合因果推断与网络干扰方法。
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
具有干扰、时间序列数据与随机网络的二部因果推断
- 研究问题
- 干预单位与结果单位通过变化的二部网络相连时，如何利用跨期观察数据识别并估计暴露的即时效应与延续效应？
- 方法与思路
- 作者用暴露映射定义跨期平均的因果效应，从处理分配和随机网络假设推导暴露无混杂性，并对二元情形结合匹配与平衡。
- 材料陈述的贡献
- 摘要称，识别结果适用于多类暴露映射，二元情形的估计偏差具有上界；应用发现野火烟雾减少旧金山骑行的部分证据。
- 阅读关注点
- 应核对处理分配与网络的无混杂假设、即时和历史暴露的映射、跨期目标量定义，以及偏差界和匹配算法的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出完整识别条件和偏差界数值，具体算法仅针对二元映射情形。
原文摘要
In bipartite causal inference with interference, interventional units might receive treatment or control, and they might affect the outcome of outcome units through their connections on a bipartite network. We study bipartite causal inference with interference based on observational data across time and a changing bipartite network. Under an exposure mapping framework, we define the immediate and carryover causal effects for each outcome unit, representing contrasts of potential outcomes under different values of the immediately preceding and past exposures, respectively, averaged over time. We establish unconfoundedness of the exposure received by outcome units based on unconfoundedness assumptions on the interventional units' treatment assignment and the random network, hence respecting the bipartite structure of the problem. Our results hold for binary, continuous, and multivariate exposure mappings. In the special case of binary exposure and carryover mappings, we propose algorithms for the immediate and carryover causal effects that combine matching and covariate balancing. We show that the bias of the resulting estimators is bounded. In our motivating study, we find some evidence that smoke from wildfires has an immediate impact on reducing transportation by bicycle in San Francisco.