Graph Neural Networks: Theory for Estimation with Application on Network Heterogeneity
图神经网络估计理论及其网络异质性应用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：摘要明确让个体结果依赖邻域条件，并讨论异质处理效应、平均处理效应与反事实政策，因此对应网络干扰和因果推断。
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
图神经网络估计理论及其网络异质性应用
- 研究问题
- 当个体决策或结果同时依赖自身属性与邻域条件时，如何利用图神经网络估计网络异质性，并支持异质处理效应与反事实政策分析？
- 方法与思路
- 作者提出图神经网络估计方法，研究其收敛速度及半参数因果推断适用性，通过蒙特卡洛评估，并应用于小额信贷参与和信息初始接收者选择。
- 材料陈述的贡献
- 摘要称，研究刻画了估计量的收敛速度及因果推断用途，并在小额信贷应用中估计平均处理效应、反事实政策结果，提出改进的信息接收者选择策略。
- 阅读关注点
- 应核对邻域和网络异质性的定义、图依赖下的收敛条件、网络层数与复杂度控制，以及处理效应和反事实政策评价所需的识别假设。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明速率、识别条件及政策改进幅度，不能将预测拟合直接视为有效因果估计。
原文摘要
This paper presents a novel application of graph neural networks for modeling and estimating network heterogeneity. Network heterogeneity is characterized by variations in unit's decisions or outcomes that depend not only on its own attributes but also on the conditions of its surrounding neighborhood. We delineate the convergence rate of the graph neural networks estimator, as well as its applicability in semiparametric causal inference with heterogeneous treatment effects. The finite-sample performance of our estimator is evaluated through Monte Carlo simulations. In an empirical setting related to microfinance program participation, we apply the new estimator to examine the average treatment effects and outcomes of counterfactual policies, and to propose an enhanced strategy for selecting the initial recipients of program information in social networks.