Identification and Estimation of Heterogeneous Interference Effects under Unknown Network
未知网络下异质性干扰效应的识别与估计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：摘要直接以跨单位处理干扰为因果识别对象，并利用观测网络与潜在干扰网络的共同社区结构进行估计，分类依据明确。
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…
未知网络下异质性干扰效应的识别与估计
- 研究问题
- 当一个单位的处理影响其他单位、实际干扰网络又不可观测时，能否利用观测网络信息识别并估计异质性的群组干扰效应？
- 方法与思路
- 作者假设观测网络与未知干扰网络共享潜在社区结构，在此框架下研究识别和最大似然估计，并提出处理复杂似然的贝叶斯实现。
- 材料陈述的贡献
- 摘要称在所设框架内，群组干扰效应异质性与可识别性等价，并建立估计量渐近性质和后验集中结果，另报告模拟与医院应用。
- 阅读关注点
- 应核对共享社区结构和异质性的精确定义、识别等价结论的全部条件，以及贝叶斯计算与最大似然估计之间的理论联系。
- 阅读边界
- 这是arXiv预印本，不能据此确认同行评审或期刊接收；摘要中的识别等价与性能优势不能脱离模型条件推广，具体条件未完整说明。
原文摘要
Interference--in which a unit's outcome is affected by the treatment of other units--poses significant challenges for the identification and estimation of causal effects. Most existing methods for estimating interference effects assume that the interference networks are known. In many practical settings, this assumption is unrealistic as such networks are typically latent. To address this challenge, we propose a novel framework for identifying and estimating heterogeneous group-level interference effects without requiring a known interference network. Specifically, we assume a shared latent community structure between the observed network and the unknown interference network. We demonstrate that interference effects are identifiable if and only if group-level interference effects are heterogeneous, and we establish the consistency and asymptotic normality of the maximum likelihood estimator (MLE). To handle the intractable likelihood function and facilitate the computation, we propose a Bayesian implementation and show that the posterior concentrates around the MLE. A series of simulation studies demonstrate the effectiveness of the proposed method and its superior performance compared with competitors. We apply our proposed framework to the encounter data of stroke patients from the California Department of Healthcare Access and Information (HCAI) and evaluate the causal interference effects of certain intervention in one hospital on the outcomes of other hospitals.