Degree of Interference: A General Framework For Causal Inference Under Interference
干扰程度：存在干扰时因果推断的一般框架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：摘要直接研究单位间处理干扰、直接效应与溢出效应，并以随机试验开展因果推断，支持网络干扰和因果分类。
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…
干扰程度：存在干扰时因果推断的一般框架
- 研究问题
- 当个体结果受到他人处理影响且干扰结构未知时，如何表示潜在干扰并区分直接效应与溢出效应进行推断？
- 方法与思路
- 作者引入个体层面的潜在干扰程度变量，结合分块 Gibbs 采样、数据增广和贝叶斯非参数方法进行效应推断。
- 材料陈述的贡献
- 摘要称框架减少了对干扰结构的强限制，并通过大量模拟及现金转移随机试验说明干扰程度概念和推断方法。
- 阅读关注点
- 应核对潜变量与处理分配、潜在结果的关系，效应识别所需条件，以及先验设定、后验计算和敏感性分析。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未交代识别和先验条件，结构限制较少不意味着任意未知干扰均可识别。
原文摘要
One core assumption typically adopted for valid causal inference is that of no interference between experimental units, i.e., the outcome of an experimental unit is unaffected by the treatments assigned to other experimental units. This assumption can be violated in real-life experiments, which significantly complicates the task of causal inference. As the number of potential outcomes increases, it becomes challenging to disentangle direct treatment effects from ``spillover'' effects. Current methodologies are lacking, as they cannot handle arbitrary, unknown interference structures to permit inference on causal estimands. We present a general framework to address the limitations of existing approaches. Our framework is based on the new concept of the ``degree of interference'' (DoI). The DoI is a unit-level latent variable that captures the latent structure of interference. We also develop a data augmentation algorithm that adopts a blocked Gibbs sampler and Bayesian nonparametric methodology to perform inferences on the estimands under our framework. We illustrate the DoI concept and properties of our Bayesian methodology via extensive simulation studies and an analysis of a randomized experiment investigating the impact of a cash transfer program for which interference is a critical concern. Ultimately, our framework enables us to infer causal effects without strong structural assumptions on interference.