Model-Based Inference and Experimental Design for Interference Using Partial Network Data
利用部分网络数据进行干扰效应的模型推断与实验设计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：摘要明确研究网络干扰、处理效应调整及部分网络信息下的实验分配，属于网络与因果推断。
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…
利用部分网络数据进行干扰效应的模型推断与实验设计
- 研究问题
- 当个体结果受到他人处理状态影响而完整网络难以获取时，如何利用部分网络数据调整处理效应并设计更有效的处理分配？
- 方法与思路
- 作者从结构因果模型出发建立部分网络下的效应估计与推断框架，提出降低方差或优化播种的分配程序，并推导单网络渐近结果。
- 材料陈述的贡献
- 摘要称，框架适用于多种底层图模型，并通过观测网络上的模拟实验验证，应用背景包括印度和马拉维的信息扩散。
- 阅读关注点
- 应核对网络部分观测的采样机制、图模型设定、处理暴露与效应目标，以及单网络渐近条件和分配设计对模型误设的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出识别条件和渐近假设，观测图上的模拟也不等同于真实干预验证。
原文摘要
The stable unit treatment value assumption states that the outcome of an individual is not affected by the treatment statuses of others, however in many real world applications, treatments can have an effect on many others beyond the immediately treated. Interference can generically be thought of as mediated through some network structure. In many empirically relevant situations however, complete network data (required to adjust for these spillover effects) are too costly or logistically infeasible to collect. Partially or indirectly observed network data (e.g., subsamples, aggregated relational data (ARD), egocentric sampling, or respondent-driven sampling) reduce the logistical and financial burden of collecting network data, but the statistical properties of treatment effect adjustments from these design strategies are only beginning to be explored. In this paper, we present a framework for the estimation and inference of treatment effect adjustments using partial network data through the lens of structural causal models. We also illustrate procedures to assign treatments using only partial network data, with the goal of either minimizing estimator variance or optimally seeding. We derive single network asymptotic results applicable to a variety of choices for an underlying graph model. We validate our approach using simulated experiments on observed graphs with applications to information diffusion in India and Malawi.