Identification and estimation of causal peer effects using double negative controls for unmeasured network confounding
利用双重负对照识别与估计存在未测网络混杂的同伴因果效应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：摘要直接讨论同伴因果效应、未测网络混杂与网络依赖，同时支持因果推断和网络与干扰分类。
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
利用双重负对照识别与估计存在未测网络混杂的同伴因果效应
- 研究问题
- 面对同质性偏差、情境混杂等未测网络混杂，以及观测之间的网络依赖，如何识别并估计同伴因果效应？
- 方法与思路
- 作者以负对照结局和负对照暴露组成双重负对照识别框架，提出 GMM 估计，并在 ψ 网络依赖假设下分析渐近性质。
- 材料陈述的贡献
- 摘要称实现了存在未测网络混杂时同伴效应的非参数识别，并建立估计量的一致性、渐近正态性及一致方差估计。
- 阅读关注点
- 应核对负对照变量的有效性与识别条件、矩条件构造、ψ 网络依赖的具体限制，以及方差估计所需的网络信息。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确定负对照识别所需的完整条件或可检验性；结论并非对任意混杂与网络依赖均成立。
原文摘要
Abstract Identification and estimation of causal peer effects are challenging in observational studies for two reasons. The first is the identification challenge due to unmeasured network confounding, for example, homophily bias and contextual confounding. The second is network dependence of observations. We establish a framework that leverages a pair of negative control outcome and exposure variables (double negative controls) to non-parametrically identify causal peer effects in the presence of unmeasured network confounding. We then propose a generalised method of moments estimator and establish its consistency and asymptotic normality under an assumption about ψ-network dependence. Finally, we provide a consistent variance estimator.