Random Graph Asymptotics for Treatment Effect Estimation under Network Interference
网络干扰下处理效应估计的随机图渐近理论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：摘要明确研究随机暴露网络中的直接和间接处理效应及试验推断，文本直接支持因果推断与网络干扰两个细分方向。
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
网络干扰下处理效应估计的随机图渐近理论
- 研究问题
- 当干扰网络由 graphon 随机生成时，如何刻画直接效应估计的渐近精度、构造间接效应估计量，并评估试验推断对干扰的敏感性？
- 方法与思路
- 作者将实验单位置于无向暴露图上，利用 graphon 生成假设研究大样本性质，为直接效应建立中心极限定理并提出间接效应估计量。
- 材料陈述的贡献
- 摘要称其设定下常用直接效应估计量比已有结论所示更准确，并在所研究情形提出一致的间接效应估计方法及干扰敏感性评估。
- 阅读关注点
- 应核对 graphon 与网络密度条件、直接和间接效应的定义、中心极限定理中的矩，以及生成假设如何支持估计和敏感性评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收状态未核实；摘要未说明完整随机图条件、收敛速率或对实际非随机网络的适用范围。
原文摘要
The network interference model for causal inference places all experimental units at the vertices of an undirected exposure graph, such that treatment assigned to one unit may affect the outcome of another unit if and only if these two units are connected by an edge. This model has recently gained popularity as means of incorporating interference effects into the Neyman--Rubin potential outcomes framework; and several authors have considered estimation of various causal targets, including the direct and indirect effects of treatment. In this paper, we consider large-sample asymptotics for treatment effect estimation under network interference in a setting where the exposure graph is a random draw from a graphon. When targeting the direct effect, we show that -- in our setting -- popular estimators are considerably more accurate than existing results suggest, and provide a central limit theorem in terms of moments of the graphon. Meanwhile, when targeting the indirect effect, we leverage our generative assumptions to propose a consistent estimator in a setting where no other consistent estimators are currently available. We also show how our results can be used to conduct a practical assessment of the sensitivity of randomized study inference to potential interference effects. Overall, our results highlight the promise of random graph asymptotics in understanding the practicality and limits of causal inference under network interference.