Double Machine Learning for Causal Inference under Shared-State Interference
共享状态干扰下因果推断的双重机器学习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：摘要直接研究存在个体相互影响时的处理效应和推断，共享状态干扰对应因果推断与网络干扰方向。
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
共享状态干扰下因果推断的双重机器学习
- 研究问题
- 当个体通过市场价格、推荐系统或社会信号相互影响时，如何估计直接或总体处理效应，并进行有效率的统计推断？
- 方法与思路
- 作者将互动概括为共享状态干扰，假定给定共享状态后个体潜在结果独立，并据此扩展双重机器学习推断定理。
- 材料陈述的贡献
- 摘要称给出了共享状态干扰下实现有效率推断的条件，并在若干模型中具体构造平均直接效应或全局平均处理效应估计。
- 阅读关注点
- 应核对共享状态是否可观测、条件独立假设如何成立，以及目标效应定义、干扰规模和干扰项估计误差的要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明完整正则条件及具体模型，效率结论依赖所设干扰结构。
原文摘要
Researchers and practitioners often wish to measure treatment effects in settings where units interact via markets and recommendation systems. In these settings, units are affected by certain shared states, like prices, algorithmic recommendations or social signals. We formalize this structure, calling it shared-state interference, and argue that our formulation captures many relevant applied settings. Our key modeling assumption is that individuals' potential outcomes are independent conditional on the shared state. We then prove an extension of a double machine learning (DML) theorem providing conditions for achieving efficient inference under shared-state interference. We also instantiate our general theorem in several models of interest where it is possible to efficiently estimate the average direct effect (ADE) or global average treatment effect (GATE).