Neyman Jackknife: Design-Based Variance Estimation for Causal Inference under Interference
Neyman 刀切法：干扰下因果推断的设计型方差估计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：摘要直接研究有限总体因果推断中个体干扰下的方差估计。
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
Neyman 刀切法：干扰下因果推断的设计型方差估计
- 研究问题
- 有限总体实验中个体之间存在干扰时，如何构建灵活的保守方差估计，并将其应用于不同处理分配和估计器？
- 方法与思路
- 作者以省略部分处理分配后重新计算目标估计器为基础，提出 Neyman Jackknife 框架，连接经典 Neyman 与时间序列 HAC 估计。
- 材料陈述的贡献
- 摘要称该框架提供保守方差估计的一般构造路径，数值实验中其表现可匹敌或超过为特定应用专门设计的基准。
- 阅读关注点
- 应核对省略处理分配的具体操作、保守性的数学含义与成立条件，以及干扰结构和重算方案如何影响精度与计算量。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未列出完整适用条件，数值比较不能保证所有干扰情境均占优。
原文摘要
We propose a framework, the Neyman Jackknife, for conservative variance estimation in finite-population causal inference under interference. Our approach provides a general, flexible blueprint that enables conservative variance estimation whenever we are able to recompute our target estimator with some treatment assignments omitted. In classical settings, our approach recovers estimators closely related to the Neyman estimator under SUTVA and the Newey-West HAC variance estimator for time series. Numerical experiments suggest that our general-purpose framework yields variance estimators that can match or even surpass the performance of baselines that were purpose-built for specific applications.