Identification and Estimation of Treatment Effects from Network Data with Confounded Social Links
社会网络数据中处理效应的识别与估计：当社会连接存在混杂时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：摘要核心是网络数据中的处理效应识别与估计，涉及网络形成与干扰，故归入网络与干扰和因果推断。
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
社会网络数据中处理效应的识别与估计：当社会连接存在混杂时
- 研究问题
- 摘要关注在观测性网络数据中，处理采纳与社会连接形成可能同时依赖影响结果的相同特征时，如何识别和估计处理效应。
- 方法与思路
- 作者提出为每个单位的有效处理构造广义倾向得分，由处理分配模型与网络形成二元模型组成，可含潜在节点异质性；该得分在给定协变量下对网络边缘化，而非以已实现网络为条件。
- 材料陈述的贡献
- 摘要称该估计量是总体效应，即从单位与网络总体中抽取的单位的暴露水平平均效应；作者将其与以已实现网络为条件的方法相联系，说明边缘化的代价与收益，并给出渐近正态性结果。
- 阅读关注点
- 阅读全文时应核对网络形成无混杂假设的具体表述、得分构造与识别证明、渐近方差比较的条件，以及单个大稀疏网络的推广是否成立。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审或期刊接收；摘要未说明具体识别假设的检验、数据细节与数值结果，不能据此判断方法优劣。
原文摘要
In observational network data, the adoption of a treatment and the formation of social ties often depend on the same characteristics that affect outcomes. We propose a generalized propensity score for each unit's effective treatment, built from a model for treatment assignment and a dyadic model for network formation, which may include latent node heterogeneity. The score is marginalized over the network given covariates rather than conditioned on the realized network, and the estimand is a population effect: the average effect of an exposure level for a unit drawn from the population of units and networks. We relate this estimand to those of methods that condition on the realized network and show what marginalizing costs and buys. It requires network formation to be unconfounded given observed covariates, a stronger assumption than unconfoundedness of treatment given the network. In exchange, it defines effects at exposure levels that poorly connected units cannot reach, and at levels every unit can reach it gives an estimator whose asymptotic variance is no larger than the network-conditional one. We combine the score with an augmented inverse probability weighting estimator, prove asymptotic normality as the number of networks grows with bounded network size, discuss what carries over to a single large sparse network, and apply the method to the effect of a political communication technology on political participation in Uganda.