Analysis of Two-Stage Rollout Designs with Clustering for Causal Inference under Network Interference
网络干扰下带聚类的两阶段逐步投放实验设计分析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：摘要研究网络干扰下的实验设计、因果效应估计及聚类权衡。
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…
网络干扰下带聚类的两阶段逐步投放实验设计分析
- 研究问题
- 网络干扰下，如何通过先选择子总体再逐步投放处理，缓解低阶潜在结果模型中外推估计的高方差，并理解聚类引入的偏误？
- 方法与思路
- 作者提出两阶段实验，对多项式插值式估计量分析偏误和方差，考察网络切边、同质性与协变量平衡，并模拟比较聚类策略。
- 材料陈述的贡献
- 摘要称切边数量增加会提高偏误，而方差取决于与同质性及协变量平衡相关的聚类性质，揭示两类聚类目标之间的偏误方差权衡。
- 阅读关注点
- 核对潜在结果低阶结构、两阶段抽样与投放概率，关注外推目标、切边影响的推导，以及各聚类策略对网络信息的要求。
- 阅读边界
- 这是预印本，同行评审及接收状态未核实。摘要未给出偏误方差公式和模拟数值，既有方法无需网络信息不代表新聚类设计也无需该信息。
原文摘要
Estimating causal effects under interference is pertinent to many real-world settings. Recent work with low-order potential outcomes models uses a rollout design to obtain unbiased estimators that require no interference network information. However, the required extrapolation can lead to prohibitively high variance. To address this, we propose a two-stage experiment that selects a sub-population in the first stage and restricts treatment rollout to this sub-population in the second stage. We explore the role of clustering in the first stage by analyzing the bias and variance of a polynomial interpolation-style estimator under this experimental design. Bias increases with the number of edges cut in the clustering of the interference network, but variance depends on qualities of the clustering that relate to homophily and covariate balance. There is a tension between clustering objectives that minimize the number of cut edges versus those that maximize covariate balance across clusters. Through simulations, we explore a bias-variance trade-off and compare the performance of the estimator under different clustering strategies.