Causal clustering: design of cluster experiments under network interference
因果聚类：网络干扰下的群组实验设计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：摘要明确研究网络溢出下的全局处理效应估计、群组划分与实验随机化设计。
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…
因果聚类：网络干扰下的群组实验设计
- 研究问题
- 论文研究存在网络溢出时，如何选择实验群组划分以估计全局处理效应，并在偏差与方差之间取得最坏情形均方误差的平衡。
- 方法与思路
- 作者构建最坏情形均方误差最小化框架，将最优聚类转化为带惩罚的最小割问题，以半正定规划算法计算并比较不同随机化设计。
- 材料陈述的贡献
- 摘要称给出最优聚类的优化刻画和比较两种设计的简单条件，包括群组与个体随机化；使用 Facebook 网络及既有现场实验数据展示。
- 阅读关注点
- 应核对全局处理效应与干扰范围的定义、最坏情形函数类别、惩罚参数，以及半正定计算的最优性保证和设计比较条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明干扰限制、具体误差界或数值收益，最优性取决于所设框架。
原文摘要
This paper studies the design of cluster experiments to estimate the global treatment effect in the presence of network spillovers. We provide a framework to choose the clustering that minimizes the worst-case mean-squared error of the estimated global effect. We show that optimal clustering solves a novel penalized min-cut optimization problem computed via off-the-shelf semi-definite programming algorithms. Our analysis also characterizes simple conditions to choose between any two cluster designs, including choosing between a cluster or individual-level randomization. We illustrate the method's properties using unique network data from the universe of Facebook's users and existing data from a field experiment.