Modeling Interference Using Experiment Roll-out
利用实验分阶段推出建模干扰效应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：摘要明确研究其他单位处理状态对本单位结果的干扰，并利用实验推出设计识别效应，对应网络干扰与因果推断。
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…
利用实验分阶段推出建模干扰效应
- 研究问题
- 在线市场和社交网络实验中，如何利用处理覆盖率逐步上升的推出过程，识别单位间干扰结构并估计相关目标量？
- 方法与思路
- 作者利用分阶段推出带来的处理分配时间变化建模干扰，提出留一时期模型选择方法，并陈述常见目标量的模型识别条件。
- 材料陈述的贡献
- 摘要称留一时期启发式方法在模拟中优于比较基线，并说明推出设计如何帮助满足识别条件，同时讨论实际使用的稳健性检查。
- 阅读关注点
- 应核对候选干扰模型与目标量、时间变化如何提供识别信息，并检查同期趋势、处理历史和模型选择误差的影响。
- 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模拟数值，不能认为分阶段推出自动解决所有干扰问题。
原文摘要
Experiments on online marketplaces and social networks suffer from interference, where the outcome of a unit is impacted by the treatment status of other units. We propose a framework for modeling interference using a ubiquitous deployment mechanism for experiments, staggered roll-out designs, which slowly increase the fraction of units exposed to the treatment to mitigate any unanticipated adverse side effects. Our main idea is to leverage the temporal variations in treatment assignments introduced by roll-outs to model the interference structure. Since there are often multiple competing models of interference in practice we first develop a model selection method that evaluates models based on their ability to explain outcome variation observed along the roll-out. Through simulations, we show that our heuristic model selection method, Leave-One-Period-Out, outperforms other baselines. Next, we present a set of model identification conditions under which the estimation of common estimands is possible and show how these conditions are aided by roll-out designs. We conclude with a set of considerations, robustness checks, and potential limitations for practitioners wishing to use our framework.