Treatment effect estimation under convergent network interference
收敛网络干扰下的处理效应估计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：摘要明确研究处理分配、平均直接效应及邻居处理造成的网络干扰，直接对应因果推断和网络与干扰方向。
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
收敛网络干扰下的处理效应估计
- 研究问题
- 当暴露网络稠密且固定时，能否利用网络的大尺度几何稳定性，建立不依赖稀疏性或随机图模型的设计型处理效应推断？
- 方法与思路
- 作者在匿名干扰下定义有限总体序列的收敛，借助图极限框架，在伯努利处理分配下分析平均直接效应估计量。
- 材料陈述的贡献
- 摘要称该收敛概念支持稠密非随机网络上的渐近正态性，并涵盖既有 graphon 随机图模型所生成的收敛总体。
- 阅读关注点
- 应核对匿名干扰、总体收敛和结果函数的条件，以及渐近方差、可实施推断与处理分配不确定性的具体刻画。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出完整正则条件，也未说明任意稠密网络是否满足其收敛要求。
原文摘要
Under network interference, a unit's observed outcome depends on the treatment assignment of its neighboring units in an exposure graph. Existing design-based asymptotic theory typically considers local interference by restricting neighborhood sizes in the exposure graph. Such methods do not apply to dense exposure graphs, so prior work has often adopted a superpopulation approach instead, imposing regularity through random-graph models. In this paper, we introduce a notion of convergence for a sequence of finite populations under anonymous interference. Building on the graph limit framework of Lovász and Szegedy, we show that large-scale geometry of the exposure graph can provide a source of regularity beyond sparsity assumptions or random-graph modeling. Under Bernoulli assignment, our convergence notion yields asymptotic normality of standard estimators for the average direct effect, even on dense, non-random exposure graphs. As a special case, graphon-based random-graph models studied in prior work generate finite populations that converge in our sense. Under these models, graph randomness generates exposure graphs with stable large-scale geometry, while first-order uncertainty in average direct effect estimation is driven by treatment assignment.