Network Structural Equation Models for Causal Mediation and Spillover Effects
用于因果中介与溢出效应的网络结构方程模型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：摘要直接研究网络干扰中的因果中介和溢出效应，并构建与估计结构方程模型，对应所选三个领域细分。
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
用于因果中介与溢出效应的网络结构方程模型
- 研究问题
- 个体结果同时受自身及邻居的暴露和中介影响时，如何区分直接、溢出和中介路径，并处理网络数据依赖？
- 方法与思路
- 作者提出随机效应网络结构方程模型，扩展暴露映射并纳入潜在依赖；在线性模型中使用最大似然估计。
- 材料陈述的贡献
- 摘要称，框架给出六类机制效应的识别与分解，并建立网络数据下估计一致性和方差有效性，辅以模拟及应用。
- 阅读关注点
- 应核对六类效应的干预定义、潜在依赖与未测混杂的关系，以及网络增长方式和方差推断所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列明识别和网络渐近条件，线性估计理论不能直接推广至非线性。
原文摘要
Social network interference induces complex dependencies where a unit's outcome is influenced not only by its own exposure and mediator but also by those of connected neighbors. In such settings, a significant challenge lies in distinguishing direct exposure effects from interference-driven spillover effects, and further separating these from indirect effects mediated by intermediate variables. To address this, we propose a theoretical framework utilizing structural graphical models. Central to our approach is the Random Effects Network Structural Equation Model (REN-SEM), which extends the exposure mapping paradigm to capture these multifaceted spillover and mediation mechanisms while accounting for latent dependencies within mediators and outcomes. We establish general identification conditions and derive decomposition formulas for six distinct mechanistic estimands. Furthermore, for the class of Linear REN-SEMs, we develop a maximum likelihood estimation framework and establish a rigorous asymptotic theory tailored to non-i.i.d. network data, proving the consistency of our estimators and the validity of the variance estimates. The robustness and practical utility of our methodology are demonstrated through simulation experiments and an analysis of the Twitch Gamers Network, underscoring its effectiveness in quantifying intricate network-mediated exposure effects.