Causal Inference with Noncompliance and Unknown Interference
不依从与未知干扰下的因果推断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：摘要直接研究网络干扰、处理不依从及相关因果效应的识别与估计。
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
不依从与未知干扰下的因果推断
- 研究问题
- 当社会网络中的个体不完全遵从处理分配，且研究者不知道网络干扰形式时，如何识别并估计有意义的直接与溢出相关因果参数？
- 方法与思路
- 作者用工具变量的固定维统计量构建暴露映射，研究映射可能误设时的识别，并以逆概率加权和近似邻域干扰框架开展估计推断。
- 材料陈述的贡献
- 摘要称，论文研究意向处理效应和依从者平均处理效应的识别，建立估计量渐近性质，并提供学校干预应用及 latenetwork 包。
- 阅读关注点
- 应核对暴露映射的构造、误设时仍可识别的目标量、依从者定义，以及近似邻域干扰条件如何支持一致性与渐近正态性。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未核实；具体识别条件、映射误设的容许范围及应用结果，摘要未说明。
原文摘要
We consider a causal inference model in which individuals interact in a social network and they may not comply with the assigned treatments. In particular, we suppose that the form of network interference is unknown to researchers. To estimate meaningful causal parameters in this situation, we introduce a new concept of exposure mapping, which summarizes potentially complicated spillover effects into a fixed dimensional statistic of instrumental variables. We investigate identification conditions for the intention-to-treat effects and the average treatment effects for compliers, while explicitly considering the possibility of misspecification of exposure mapping. Based on our identification results, we develop nonparametric estimation procedures via inverse probability weighting. Their asymptotic properties, including consistency and asymptotic normality, are investigated using an approximate neighborhood interference framework. For an empirical illustration, we apply our method to experimental data on the anti-conflict intervention school program. The proposed methods are readily available with the companion R package latenetwork.