Improving control over unobservables with network data
利用网络数据改进对不可观测因素的控制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：摘要以同质性网络帮助控制不可观测混杂并估计处理效应，直接结合了网络数据与因果识别两个细分方向。
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
利用网络数据改进对不可观测因素的控制
- 研究问题
- 当处理选择受到不可观测混杂因素影响时，能否利用网络中的同质性连接信息，获得对不可观测选择稳健的处理效应估计？
- 方法与思路
- 作者提出渐近同质性概念，使个体连接选择性随潜在连接池规模变化，并构建容纳度数异质性、稀疏性和聚类的网络形成模型。
- 材料陈述的贡献
- 摘要称该框架可支持一致的处理效应估计；家长参与的应用估计高于 OLS，作者将其可能解释为对不可观测能力的控制。
- 阅读关注点
- 应核对渐近同质性的精确定义、网络如何提供混杂信息、处理效应一致性的条件，以及应用中能力控制解释的证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明完整识别假设，估计高于 OLS 本身不能证明偏误得到消除。
原文摘要
This paper develops a method to conduct causal inference in the presence of unobserved confounders by leveraging networks with homophily, a frequently observed tendency to form edges with similar nodes. I introduce a concept of asymptotic homophily, according to which individuals' selectivity scales with the size of the potential connection pool. The resulting network formation model accommodates common empirical features such as homophily, degree heterogeneity, sparsity, and clustering, and provides a framework to obtain consistent estimators of treatment effects that are robust to selection on unobservables. In an application, I recover an estimate of the effect of parental involvement on students' test scores that is greater than that of OLS, arguably due to the estimator's ability to account for unobserved ability.