Model-assisted design of experiments in the presence of network-correlated outcomes
网络相关结果下的模型辅助实验设计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。
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：摘要在潜在结果框架下利用干预前网络相关性设计随机实验，直接涉及因果推断与网络数据。
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
网络相关结果下的模型辅助实验设计
- 研究问题
- 当干预前网络能够提示个体结果之间的相关性时，如何设计随机治疗分配以降低平均处理效应估计的均方误差？
- 方法与思路
- 作者在潜在结果框架中建立网络相关模型，通过模型与随机化分布下的均方误差分解，构造兼顾协变量和网络量平衡的受限随机化。
- 材料陈述的贡献
- 摘要称模型导出新的网络平衡要求，所得最优平衡受限随机化即使模型不成立仍具有设计无偏性，并展示相对忽略网络的改进。
- 阅读关注点
- 应核对网络相关与治疗干扰的区别、均方误差优化准则，以及受限分配机制、估计量定义和模型误设下设计无偏的条件。
- 阅读边界
- 仅据版本未注明的索引摘要，不能推断刊本变化；摘要描述的是结果相关性，未声称允许治疗溢出，且无偏性不保证误设时效率仍改善。
原文摘要
In this paper we consider how to assign treatment in a randomized experiment in which the correlation among the outcomes is informed by a network available pre-intervention. Working within the potential outcome causal framework, we develop a class of models that posit such a correlation structure among the outcomes. We use these models to develop restricted randomization strategies for allocating treatment optimally, by minimizing the mean squared error of the estimated average treatment effect. Analytical decompositions of the mean squared error, due both to the model and to the randomization distribution, provide insights into aspects of the optimal designs. In particular, the analysis suggests new notions of balance based on specific network quantities, in addition to classical covariate balance. The resulting balanced optimal restricted randomization strategies are still design-unbiased when the model used to derive them does not hold. We illustrate how the proposed treatment allocation strategies improve on allocations that ignore the network structure.