Causal inference with dyadic data in randomized experiments
随机实验中成对数据的因果推断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：摘要明确以成对互动、网络干扰和随机实验处理效应为研究对象，直接对应因果推断以及网络与干扰两个细分领域。
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…
随机实验中成对数据的因果推断
- 研究问题
- 当实验结果记录单位之间的成对互动，且对一个单位施加处理会影响所有相关互动时，如何估计全局平均处理效应并量化不确定性？
- 方法与思路
- 作者建立基于随机化设计的成对结果推断框架，分别研究伯努利、完全和集群随机化，并构造估计量与渐近保守的方差估计。
- 材料陈述的贡献
- 摘要称，论文给出收敛率及伯努利随机化下的中心极限定理；数值研究显示部分设定下偏差和均方误差低于单位结果估计法。
- 阅读关注点
- 应核对全局效应的反事实定义、成对结果的干扰范围、网络度数条件，以及不同随机化设计各自拥有怎样的推断保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要只明确伯努利设计的中心极限定理，不能将其直接推广到其余设计。
原文摘要
Estimating treatment effects in networked settings is a central challenge in online controlled experiments, particularly on social media platforms. We investigate a scenario where the unit-level outcome of interest comprises a series of dyadic outcomes that record pairwise interactions between units, spanning from point-to-point messaging at the microscale to bilateral trade flows at the macroscale. Because the response is defined at the dyadic level, the treatment assigned to one unit can affect the outcomes of all dyads that involve it, inducing a form of network interference. We propose a design-based causal inference framework for randomized experiments with dyadic outcomes. Within this framework, we propose estimators of the global average treatment effect under Bernoulli, complete, and cluster randomization, derive the convergence rates, and establish a central limit theorem for Bernoulli randomization. We further construct a class of variance estimators that are asymptotically conservative under transparent degree conditions. Numerical studies show that the proposed estimators can reduce bias and mean squared error relative to estimators based on unit-level outcomes in a range of finite-sample settings. We illustrate the methods using two large-scale experiments on WeChat, evaluating the impact of a recommendation algorithm and a calling feature.