Covariate Adjustment Cannot Hurt: Treatment Effect Estimation under Interference with Low-Order Outcome Interactions
低阶结局交互干扰下的协变量调整与处理效应估计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：摘要直接研究随机实验的总处理效应及邻域干扰网络下的调整与推断，支持因果推断和网络与干扰。
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
低阶结局交互干扰下的协变量调整与处理效应估计
- 研究问题
- 随机实验中存在单位间干扰时，如何利用协变量提高总处理效应估计精度，并避免依赖结构使直接回归调整反而增加方差？
- 方法与思路
- 作者在低阶交互的邻域干扰模型下构造协变量调整估计量，利用干扰网络稀疏条件分析其性质，并建立渐近保守的方差估计。
- 材料陈述的贡献
- 摘要称，所提估计量渐近无偏，渐近方差不高于未调整估计量，允许协变量任意依赖；方差估计较既有方法更少保守。
- 阅读关注点
- 应核对低阶交互与网络稀疏条件、总处理效应的定义、调整参数估计方式，以及无损保证和保守方差结论使用的渐近框架。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核验。摘要未列出完整稀疏条件或数值结果，渐近无损保证不能直接理解为每个有限样本都改善。
原文摘要
In randomized experiments, covariates are often used to reduce variance and improve the precision of treatment effect estimates. However, in many real-world settings, interference between units, where one unit's treatment affects another's outcome, complicates causal inference. This raises a key question: how can covariates be effectively used in the presence of interference? Addressing this challenge is nontrivial, as direct covariate adjustment, such as through regression, can increase variance due to dependencies across units. In this paper, we study covariate adjustment for estimating the total treatment effect under interference. We work under a neighborhood interference model with low-order interactions and build on the estimator of Cortez-Rodriguez et al. (2023). We propose a class of covariate-adjusted estimators and show that, under sparsity conditions on the interference network, they are asymptotically unbiased and achieve a no-harm guarantee: their asymptotic variance is no larger than that of the unadjusted estimator. This parallels the classical result of Lin (2013) under no interference, while allowing for arbitrary dependence in the covariates. We further develop a variance estimator for the proposed procedures and show that it is asymptotically conservative, enabling valid inference in the presence of interference. Compared with existing approaches, the proposed variance estimator is less conservative, leading to tighter confidence intervals in finite samples.