The causal effects of modified treatment policies under network interference
网络干扰下修正处理政策的因果效应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：摘要明确研究连续暴露政策的因果效应，并把单位间网络干扰作为识别与估计的核心问题。
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…
网络干扰下修正处理政策的因果效应
- 研究问题
- 当一个单位的连续暴露会影响其他单位的结果时，如何定义并识别修正处理政策的因果效应，避免忽略网络干扰产生的偏差？
- 方法与思路
- 作者提出诱导修正处理政策，结合网络因果推断构造灵活的半参数有效估计量，并通过数值实验及加州空气污染应用展示。
- 材料陈述的贡献
- 摘要称，新干预类别可在网络干扰下识别相关效应，数值实验显示能够消除干扰导致的识别偏差，并用于研究零排放车辆采用。
- 阅读关注点
- 应核对诱导政策与原政策的对应关系、网络暴露映射、依赖结构和识别条件，以及半参数效率结论适用的统计目标。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明完整网络与混杂条件，实验中的偏差消除不能推广至任意干扰结构。
原文摘要
Modified treatment policies are a widely applicable class of interventions useful for studying the causal effects of continuous exposures. Approaches to evaluating their causal effects assume no interference, meaning that such effects cannot be learned from data in settings where the exposure of one unit affects the outcomes of others, as is common in spatial or network data. We introduce a new class of intervention, induced modified treatment policies, which we show identify such causal effects in the presence of network interference. Building on recent developments for causal inference in networks, we provide flexible, semi-parametric efficient estimators of the statistical estimand. Numerical experiments demonstrate that an induced modified treatment policy can eliminate the causal, or identification, bias that results from network interference. We use the methodology developed to evaluate the effect of zero-emission vehicle uptake on air pollution in California, strengthening prior evidence.