Causal Inference Under Network Interference
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：摘要直接讨论网络中的处理溢出、传播干扰，以及由此产生的因果效应识别与估计问题。
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…
网络干扰下的因果推断
- 研究问题
- 当一个单位的处理通过溢出或传播影响其他单位的结果时，如何定义、识别和估计因果效应，并界定结论的适用范围？
- 方法与思路
- 作者综述干扰检测、固定与随机潜在结果、效应识别及实验和观察数据估计方法，并用模拟考察干扰图变化的影响。
- 材料陈述的贡献
- 摘要称，综述梳理跨学科研究与开放问题，并展示当干扰图之间变异较大时，以给定图为条件会限制因果结论。
- 阅读关注点
- 应核对固定与随机潜在结果对应的目标参数、干扰图的角色，以及实验和观察数据分别需要哪些识别与设计条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未列出各方法的具体条件，模拟结论的适用范围需读全文确认。
原文摘要
We review recent advances in causal inference under interference, drawing on a complex and diverse body of work ranging from causal inference, network science, the health sciences, economics, and the social sciences. Interference in connected populations implies that the treatment assignments of units can affect the outcomes of other units directly (via spillover) and indirectly (via contagion). Examples include public health interventions, economic and financial interventions, and advertising on social media. We review tests for detecting interference, causal effects based on fixed and random potential outcomes, identification of causal effects, and design- and model-based estimators of causal effects based on experimental and observational data. We then discuss the scope of causal conclusions based on fixed and random potential outcomes and interference graphs. Using simulations, we demonstrate that conditioning on interference graphs limits causal conclusions when the variability across interference graphs is high. We conclude with a selection of open problems.