Rate-Optimal Cluster-Randomized Designs for Spatial Interference
空间干扰下收敛速率最优的整群随机设计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：摘要研究存在空间处理干扰时的潜在结果、全局平均处理效应和随机设计，直接对应因果推断以及网络与干扰。
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
空间干扰下收敛速率最优的整群随机设计
- 研究问题
- 当任意单位间均可能存在随距离衰减的干扰时，如何选择空间分群与估计方法，以估计全体处理相对全体不处理的平均效应？
- 方法与思路
- 作者将空间划分为随机处理或对照的群组，用 Horvitz–Thompson 估计量比较邻域全处理与全未处理单位，并联动选择邻域和群组尺度。
- 材料陈述的贡献
- 摘要称推导了依赖设计与干扰程度的收敛速率，构造近最优的估计量与设计组合，证明渐近正态性并提供方差估计量。
- 阅读关注点
- 核对距离衰减、空间增长与群组结构的具体条件，理解近最优相对何种基准，并检查暴露概率和方差估计的实现要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体衰减条件、速率或最优性界限，不能视为适用于任意干扰。
原文摘要
We consider a potential outcomes model in which interference may be present between any two units but the extent of interference diminishes with spatial distance. The causal estimand is the global average treatment effect, which compares outcomes under the counterfactuals that all or no units are treated. We study a class of designs in which space is partitioned into clusters that are randomized into treatment and control. For each design, we estimate the treatment effect using a Horvitz-Thompson estimator that compares the average outcomes of units with all or no neighbors treated, where the neighborhood radius is of the same order as the cluster size dictated by the design. We derive the estimator's rate of convergence as a function of the design and degree of interference and use this to obtain estimator-design pairs that achieve near-optimal rates of convergence under relatively minimal assumptions on interference. We prove that the estimators are asymptotically normal and provide a variance estimator. For practical implementation of the designs, we suggest partitioning space using clustering algorithms.