Causal Inference under Interference: Regression Adjustment and Optimality
网络干扰下的因果推断：回归调整与最优性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：摘要明确讨论随机试验中的处理效应、邻居处理引起的网络干扰，以及相应估计与推断的效率。
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
网络干扰下的因果推断：回归调整与最优性
- 研究问题
- 在个体结果受到邻居处理分配影响的随机试验中，回归调整能否提高处理效应估计效率，并实现特定调整类中的方差最优？
- 方法与思路
- 作者研究线性回归调整及其方差估计，并结合核平滑与修剪构造非参数估计量，分别分析两类调整的渐近性质。
- 材料陈述的贡献
- 摘要称建立线性与非参数估计量的渐近正态性及各自调整类内的方差最优性，并提出一致方差估计，辅以模拟和应用。
- 阅读关注点
- 应核对处理效应目标、网络干扰范围、随机分配机制，以及最优性比较类、方差一致性和核平滑修剪所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验。摘要未说明网络与干扰假设，最优性仅针对文中指定的调整类。
原文摘要
In randomized controlled trials without interference, regression adjustment is widely used to enhance the efficiency of treatment effect estimation. This paper extends this efficiency principle to settings with network interference, where a unit's response may depend on the treatments assigned to its neighbors in a network. We make three key contributions: (1) we establish a central limit theorem for a linear regression-adjusted estimator and prove its optimality in achieving the smallest asymptotic variance within a class of linear adjustments; (2) we develop a novel, consistent estimator for the asymptotic variance of this linear estimator; and (3) we propose a nonparametric estimator that integrates kernel smoothing and trimming techniques, demonstrating its asymptotic normality and its optimality in minimizing asymptotic variance within a broader class of nonlinear adjustments. Extensive simulations validate the superior performance of our estimators, and a real-world data application illustrates their practical utility. Our findings underscore the power of regression-based methods and reveal the potential of kernel-and-trimming-based approaches for further enhancing efficiency under network interference.