The local approach to causal inference under network interference
网络干扰下因果推断的局部方法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：摘要明确研究网络干扰下的处理响应、政策效应及局部网络配置。
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…
网络干扰下因果推断的局部方法
- 研究问题
- 当个体结果受到社会或经济网络连接影响时，如何利用局部网络结构学习政策或处理分配带来的平均响应？
- 方法与思路
- 作者按路径距离描述个体附近的节点与连接配置，汇集配置相似个体的结果，并采用 k 近邻估计平均处理响应。
- 材料陈述的贡献
- 摘要称提出非参数网络干扰框架，推导 k 近邻估计量的有限样本均方误差界，并给出政策无关性假设的渐近有效检验。
- 阅读关注点
- 应核对局部配置的度量、处理分配及网络依赖条件、配置相似性与响应相近的联系，以及误差界和检验的适用范围。
- 阅读边界
- 解读限于所给 Crossref 摘要；摘要未说明具体识别假设、邻域选择或网络观测要求，不能据此认定任意网络溢出均可识别。
原文摘要
We propose a new nonparametric modeling framework for causal inference when outcomes depend on how agents are linked in a social or economic network. Such network interference describes a large literature on treatment spillovers, social interactions, social learning, information diffusion, disease and financial contagion, social capital formation, and more. Our approach works by first characterizing how an agent is linked in the network using the configuration of other agents and connections nearby as measured by path distance. The impact of a policy or treatment assignment is then learned by pooling outcome data across similarly configured agents. We demonstrate the approach by deriving finite‐sample bounds on the mean‐squared error of a k‐nearest neighbor estimator for the average treatment response as well as proposing an asymptotically valid test for the hypothesis of policy irrelevance. We illustrate the empirical applicability of our method with simulations and an application to social capital formation.