Estimating Treatment and Spillover Effects with the Ego-Cluster Experimental Design
自我中心群组实验设计下的处理效应与溢出效应估计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：摘要明确研究网络邻居处理引起的干扰，并通过群组随机化估计处理与溢出效应，直接对应网络与因果推断。
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
自我中心群组实验设计下的处理效应与溢出效应估计
- 研究问题
- 当个体结局受自身及网络邻居处理共同影响时，如何设计群组随机实验，估计总体处理效应与溢出效应并提高推断效率？
- 方法与思路
- 作者将网络划为中心个体及邻居组成的群组，在群组层面随机化，构造模型型估计量，并以降低渐近方差为目标选择群组。
- 材料陈述的贡献
- 摘要称建立估计量的一致性与渐近正态性，方差由群组结构决定；模拟与两项应用支持其推断准确性及相对效率改善。
- 阅读关注点
- 应核对网络干扰模型和两个效应的定义、邻居重叠或遗漏如何处理，以及群组选择算法与渐近推断所需的网络条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未列出模型与网络渐近条件，效率改善只能理解为所报告场景中的结果。
原文摘要
Network interference occurs when a unit's outcome depends not only on its own treatment but also on the treatments received by connected units in the network. Experimental designs and analysis methods that ignore such interference can yield biased estimators of causal effects. In this paper, we develop a new experimental design for the estimation and inference of global treatment effect and spillover effect under a model-based framework and ego-cluster randomization. Under this design, the network is partitioned into a collection of ego-clusters, each consisting of a focal unit (the ego) and its network neighbors (the alters), with randomization conducted at the cluster level. We propose model-based estimators for the global treatment effect and spillover effect and establish their consistency and asymptotic normality, with asymptotic variances determined by the ego-cluster structure. Building on these theoretical results, we introduce an ego-clustering algorithm that sequentially selects egos and assigns alters to minimize asymptotic variances. Simulation studies and two empirical applications demonstrate that the proposed procedure yields accurate inference and efficiency improvements over existing network experimental designs.