Robust Inference for the Direct Average Treatment Effect with Treatment Assignment Interference
处理分配存在干扰时直接平均处理效应的稳健推断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：摘要明确研究直接处理效应，并允许结果与处理分配中的网络干扰。
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…
处理分配存在干扰时直接平均处理效应的稳健推断
- 研究问题
- 当个体结果和处理分配均存在跨个体干扰时，如何对条件直接平均处理效应进行有效推断，并避免忽略分配依赖造成的失效？
- 方法与思路
- 作者用 Ising 模型描述处理分配依赖，研究 Hájek 均值差估计量的分布近似，并以条件独立同分布高斯化和重抽样实现推断。
- 材料陈述的贡献
- 摘要称，作者得到逐点及模型允许干扰范围内的一致分布近似，提出稳健推断与重抽样方法，并用蒙特卡洛模拟检验表现。
- 阅读关注点
- 应核对直接效应的条件化对象、网络与 Ising 模型限制、各类近似的渐近条件，以及重抽样覆盖率如何对应不同干扰强度。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核实。所谓一致有效限于模型允许的干扰机制，摘要未列出具体条件与误差界。
原文摘要
This paper develops methods for uncertainty quantification in causal inference settings with random network interference. We study the large-sample distributional properties of the classical difference-in-means Hajek treatment effect estimator, and propose a robust inference procedure for the (conditional) direct average treatment effect. Our framework allows for cross-unit interference in both the outcome equation and the treatment assignment mechanism. Drawing from statistical physics, we introduce a novel Ising model to capture complex dependencies in treatment assignment, and derive three results. First, we establish a Berry-Esseen-type distributional approximation that holds pointwise in the degree of interference induced by the Ising model. This approximation recovers existing results in the absence of treatment interference, and highlights the fragility of inference procedures that do not account for the presence of interference in treatment assignment. Second, we establish a uniform distributional approximation for the Hajek estimator and use it to develop robust inference procedures that remain valid uniformly over all interference regimes allowed by the model. Third, we propose a novel resampling method to implement the robust inference procedure and validate its performance through Monte Carlo simulations. A key technical innovation is the introduction of a conditional i.i.d. Gaussianization that may have broader applications. We also discuss extensions and generalizations of our results.