Neighborhood Adaptive Estimators for Causal Inference under Network Interference
网络干扰下的邻域自适应因果效应估计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：摘要研究网络干扰下的直接处理效应，并允许干扰范围未知，直接对应因果推断及网络与干扰。
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…
网络干扰下的邻域自适应因果效应估计
- 研究问题
- 当已知网络中的处理干扰半径和强度未知，且随局部网络与处理分配变化时，如何估计已处理者的平均直接处理效应？
- 方法与思路
- 作者在加性处理效应设定下构造邻域自适应估计量，考虑局部处理模式的不同半径，并用合成处理帮助解除特征构造中的依赖。
- 材料陈述的贡献
- 摘要称，方法近似相关网络干扰模式，给出收敛速度及分布结果，并通过模拟和实证示例展示未知干扰范围下的估计表现。
- 阅读关注点
- 应核对直接效应的定义、网络已知和加性效应限制、处理分配条件，以及合成处理如何解除依赖和邻域选择如何影响推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出完整分配及依赖条件，理论结果不能直接推广至未知网络或非加性效应。
原文摘要
Estimating causal effects has become an integral part of most applied fields. In this work we consider the violation of the classical no-interference assumption with units connected by a network. For tractability, we consider a known network that describes how interference may spread. Unlike previous work the radius (and intensity) of the interference experienced by a unit is unknown and can depend on different (local) sub-networks and the assigned treatments. We study estimators for the average direct treatment effect on the treated in such a setting under additive treatment effects. We establish rates of convergence and distributional results. The proposed estimators considers all possible radii for each (local) treatment assignment pattern. In contrast to previous work, we approximate the relevant network interference patterns that lead to good estimates of the interference. To handle feature engineering, a key innovation is to propose the use of synthetic treatments to decouple the dependence. We provide simulations, an empirical illustration and insights for the general study of interference.