Treatment Effect Estimation with Observational Network Data using Machine Learning
利用机器学习估计观测网络数据中的处理效应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：摘要研究单一观测社交网络中存在溢出和依赖的处理效应估计。
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…
利用机器学习估计观测网络数据中的处理效应
- 研究问题
- 单一观测网络存在溢出时，如何估计单位自身处理对结局的平均因果影响，并对其他单位处理带来的溢出进行边际化？
- 方法与思路
- 作者为期望平均处理效应构造增广逆概率加权估计，结合机器学习交叉拟合，并基于依赖图建立渐近理论。
- 材料陈述的贡献
- 摘要称估计量达到参数速率且渐近高斯，依赖图允许超出直接邻居的溢出；学生社交网络应用考察学习时长的效果。
- 阅读关注点
- 应核对 EATE 与整体处理效应的区别、网络因果识别要求、依赖图增长限制，以及交叉拟合如何处理单位间依赖。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明识别和依赖条件，也未报告学习时长效应的数值。
原文摘要
Causal inference methods for treatment effect estimation usually assume independent units. However, this assumption is often questionable because units may interact, resulting in spillover effects between them. We develop augmented inverse probability weighting (AIPW) for estimation and inference of the expected average treatment effect (EATE) with observational data from a single (social) network with spillover effects. In contrast to overall effects such as the global average treatment effect (GATE), the EATE measures, in expectation and on average over all units, how the outcome of a unit is causally affected by its own treatment, marginalizing over the spillover effects from other units. We develop cross-fitting theory with plugin machine learning to obtain a semiparametric treatment effect estimator that converges at the parametric rate and asymptotically follows a Gaussian distribution. The asymptotics are developed using the dependency graph rather than the network graph, which makes explicit that we allow for spillover effects beyond immediate neighbors in the network. We apply our AIPW method to the Swiss StudentLife Study data to investigate the effect of hours spent studying on exam performance accounting for the students' social network.