Causal Inference under Network Interference Using a Mixture of Randomized Experiments
利用混合随机实验进行网络干扰下的因果推断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：摘要明确研究网络单位间干扰下的随机实验设计与总处理效应估计，直接对应网络与干扰及因果推断。
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…
关注这篇论文的作者
利用混合随机实验进行网络干扰下的因果推断
- 研究问题
- 当网络中个体结果受到其他单位处理分配影响时，如何设计实验并估计总处理效应，同时控制偏差和估计方差？
- 方法与思路
- 作者混合独立伯努利随机化与簇随机化，构造总处理效应估计量；在网络边权未知时进一步提出不依赖边权的设计。
- 材料陈述的贡献
- 摘要称，混合设计下估计量无偏，并给出随网络度数、规模和处理概率变化的方差上下界及未知边权设计的上界。
- 阅读关注点
- 应核对网络干扰模型、总效应定义和混合随机化机制，并比较已知与未知边权时的方差阶数及上下界之间的差距。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明完整干扰模型与界限条件，无偏性不能推广到任意网络干扰。
原文摘要
In randomized experiments, the classic Stable Unit Treatment Value Assumption (SUTVA) posits that the outcome for one experimental unit is unaffected by the treatment assignments of other units. However, this assumption is frequently violated in settings such as online marketplaces and social networks, where interference between units is common. We address the estimation of the total treatment effect in a network interference model by employing a mixed randomization design that combines two widely used experimental methods: Bernoulli randomization, where treatment is assigned independently to each unit, and cluster-based randomization, where treatment is assigned at the aggregate level. The mixed randomization design simultaneously incorporates both methods, thereby mitigating the bias present in cluster-based designs. We propose an unbiased estimator for the total treatment effect under this mixed design and show that its variance is bounded by $O(d^2 n^{-1} p^{-1} (1-p)^{-1})$, where $d$ is the maximum degree of the network, $n$ is the network size, and $p$ is the treatment probability. Additionally, we establish a lower bound of $Ω(d^{1.5} n^{-1} p^{-1} (1-p)^{-1})$ for the variance of any mixed design. Moreover, when the interference weights on the network's edges are unknown, we propose a weight-invariant design that achieves a variance bound of $O(d^3 n^{-1} p^{-1} (1-p)^{-1})$, which is aligned with the estimator introduced by Cortez-Rodriguez et al. (2023) under similar conditions.