Causal Inference with Noncompliance and Unknown Interference
存在不依从与未知干扰时的因果推断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。
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：摘要明确研究不依从下的因果效应识别，以及社交网络干扰和溢出效应。
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
存在不依从与未知干扰时的因果推断
- 研究问题
- 当个体通过社交网络相互影响、处理分配存在不依从且干扰形式未知时，如何识别并估计有意义的因果效应？
- 方法与思路
- 作者用工具变量的固定维度统计量构造暴露映射，研究映射误设下的识别，并以逆概率加权开展非参数估计。
- 材料陈述的贡献
- 摘要称给出意向处理效应与依从者平均处理效应的识别分析，并在近似邻域干扰框架下研究估计量渐近性质。
- 阅读关注点
- 应核对暴露映射误设时哪些效应仍可识别、网络和工具变量条件，以及近似邻域干扰如何支持渐近推断。
- 阅读边界
- 依据arXiv v5预印本摘要，不能据此声称已同行评审或期刊接收，也不推断刊本变化；具体识别条件和应用结果未说明。
原文摘要
We consider a causal inference model in which individuals interact in a social network and they may not comply with the assigned treatments. In particular, we suppose that the form of network interference is unknown to researchers. To estimate meaningful causal parameters in this situation, we introduce a new concept of exposure mapping, which summarizes potentially complicated spillover effects into a fixed dimensional statistic of instrumental variables. We investigate identification conditions for the intention-to-treat effects and the average treatment effects for compliers, while explicitly considering the possibility of misspecification of exposure mapping. Based on our identification results, we develop nonparametric estimation procedures via inverse probability weighting. Their asymptotic properties, including consistency and asymptotic normality, are investigated using an approximate neighborhood interference framework. For an empirical illustration, we apply our method to experimental data on the anti-conflict intervention school program. The proposed methods are readily available with the companion R package latenetwork.