High-Dimensional Detection of Spatial Interference Effects
空间干扰效应的高维检测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：摘要明确研究处理效应中的空间干扰结构，并检测干扰是否存在及哪些单位受到影响。
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…
空间干扰效应的高维检测
- 研究问题
- 在高维且依赖结构复杂的环境中，如何识别处理干扰的存在与受影响单位，减少对显式、同质干扰形式的依赖？
- 方法与思路
- 作者提出低秩与稀疏处理效应模型，使用剖面算法估计系数，并分别构建干扰存在性的全局检验和受影响单位的局部检测。
- 材料陈述的贡献
- 摘要称，论文给出估计的非渐近误差界及基于 Jaccard 指数的检测准确性保证，数值实验展示其捕捉复杂干扰模式的能力。
- 阅读关注点
- 核对低秩与稀疏结构如何对应干扰关系、处理效应的识别依据，以及全局检验和局部检测各自的误差控制条件。
- 阅读边界
- 仅据所给 OpenAlex 摘要，具体设计、识别条件和检测阈值未说明；减少参数化限制不意味着无需低秩或稀疏结构约束。
原文摘要
Modeling interference effects in high-dimensional settings presents significant challenges due to the complexity of underlying dependence structures. Existing approaches often rely on explicit and homogeneous assumptions, limiting their applicability in real-world scenarios. In this paper, we introduce a novel low-rank and sparse treatment effect model that leverages high-dimensional techniques to identify interference structures without restrictive parametric assumptions. We propose an efficient profiling algorithm for estimating model coefficients and develop statistical methodologies for both global testing of interference existence and local detection of interference-affected units. Theoretical guarantees are established, including non-asymptotic error bounds for estimation and accuracy guarantees for detection based on the Jaccard index. Through numerical experiments, we demonstrate the effectiveness of our method in high-dimensional settings, highlighting its advantages in capturing complex interference patterns.