Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework
暴露映射误设下网络因果推断的部分识别框架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：摘要明确分析网络干扰中的直接效应、溢出效应和暴露映射误设。
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…
暴露映射误设下网络因果推断的部分识别框架
- 研究问题
- 将网络治疗配置压缩为低维暴露时，若暴露映射误设，如何评估直接和溢出效应的稳健性，并形成有信息量的识别区间？
- 方法与思路
- 作者建立部分识别与敏感性分析框架，推导直接和溢出效应的锐界，针对三类常用暴露映射构造正交的界限估计量。
- 材料陈述的贡献
- 摘要称，该框架覆盖邻居治疗加权均值、阈值映射及截断邻域，所得界限估计具有有效、锐利和高效性质，实验中仍具信息量。
- 阅读关注点
- 应核对映射误设的允许范围、锐界所依赖的约束、正交估计的条件，以及识别区间与包含抽样不确定性的置信集合如何区分。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未说明误设约束和效率结论的具体条件，界限是否有用仍取决于网络与设定。
原文摘要
Estimating treatment effects in networks is challenging, as each potential outcome depends on the treatments of all other nodes in the network. To overcome this difficulty, existing methods typically impose an exposure mapping that compresses the treatment assignments in the network into a low-dimensional summary. However, if this mapping is misspecified, standard estimators for direct and spillover effects can be severely biased. We propose a novel partial identification framework for causal inference on networks to assess the robustness of treatment effects under misspecifications of the exposure mapping. Specifically, we derive sharp upper and lower bounds on direct and spillover effects under such misspecifications. As such, our framework presents a novel application of causal sensitivity analysis to exposure mappings. We instantiate our framework for three canonical exposure settings widely used in practice: (i) weighted means of the neighborhood treatments, (ii) threshold-based exposure mappings, and (iii) truncated neighborhood interference in the presence of higher-order spillovers. Furthermore, we develop orthogonal estimators for these bounds and prove that the resulting bound estimates are valid, sharp, and efficient. Our experiments show the bounds remain informative and provide reliable conclusions under misspecification of exposure mappings.