Adjusting auxiliary variables under approximate neighborhood interference
近似邻域干扰下的辅助变量调整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：摘要直接研究随机实验中的网络干扰及处理效应推断，最直接对应网络与干扰以及因果推断。
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
近似邻域干扰下的辅助变量调整
- 研究问题
- 随机网络实验存在个体间干扰时，如何利用网络协变量进行回归调整，在不要求结局模型正确设定的情况下改善精度？
- 方法与思路
- 作者在远端干扰可忽略的近似邻域干扰框架下调整网络协变量失衡，并基于处理分配随机化建立设计型推断。
- 材料陈述的贡献
- 摘要称该框架保证推断有效并提高精度、缩短置信区间，而无须假定用于调整的结局模型被正确设定。
- 阅读关注点
- 应核对干扰衰减与网络条件、协变量构造是否受处理影响、精度改善的比较基准，以及方差估计和区间构造。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未给出干扰衰减要求或精度保证的条件，不能推广至任意网络。
原文摘要
Randomized experiments are the gold standard for causal inference. However, traditional assumptions, such as the Stable Unit Treatment Value Assumption (SUTVA), often fail in real-world settings where interference between units is present. Network interference, in particular, has garnered significant attention. Structural models, like the linear-in-means model, are commonly used to describe interference; but they rely on the correct specification of the model, which can be restrictive. Recent advancements in the literature, such as the Approximate Neighborhood Interference (ANI) framework, offer more flexible approaches by assuming negligible interference from distant units. In this paper, we introduce a general framework for regression adjustment for the network experiments under the ANI assumption. This framework expands traditional regression adjustment by accounting for imbalances in network-based covariates, ensuring precision improvement, and providing shorter confidence intervals. We establish the validity of our approach using a design-based inference framework, which relies solely on randomization of treatment assignments for inference without requiring correctly specified outcome models.