The Local Approach to Causal Inference under Network Interference
网络干扰下因果推断的局部方法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：摘要直接研究社会经济网络中的处理溢出、平均处理响应及政策检验，对应网络与干扰和因果推断。
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…
网络干扰下因果推断的局部方法
- 研究问题
- 当个体结局取决于社会或经济网络中的连接方式时，如何利用局部网络配置学习处理与政策响应，并检验政策是否无关？
- 方法与思路
- 作者以路径距离刻画附近个体及连接的配置，合并配置相似个体的结局，构造平均处理响应的近邻估计与政策检验。
- 材料陈述的贡献
- 摘要称，提出非参数网络干扰框架，推导近邻估计量均方误差的有限样本界，并给出渐近有效的政策无关性检验。
- 阅读关注点
- 应核对局部配置的距离与相似性定义、平均处理响应的目标，以及误差界和政策检验所需的干扰与抽样条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出识别及渐近条件，不能据此认定任意网络干扰均可处理。
原文摘要
We propose a new nonparametric modeling framework for causal inference when outcomes depend on how agents are linked in a social or economic network. Such network interference describes a large literature on treatment spillovers, social interactions, social learning, information diffusion, disease and financial contagion, social capital formation, and more. Our approach works by first characterizing how an agent is linked in the network using the configuration of other agents and connections nearby as measured by path distance. The impact of a policy or treatment assignment is then learned by pooling outcome data across similarly configured agents. We demonstrate the approach by deriving finite-sample bounds on the mean-squared error of a k-nearest-neighbor estimator for the average treatment response as well as proposing an asymptotically valid test for the hypothesis of policy irrelevance.