Experimentation on Endogenous Graphs
内生网络图上的实验设计与效应估计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：摘要明确讨论处理引起的网络变化、单位间干扰及总处理效应估计，直接对应网络与干扰以及因果推断。
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…
内生网络图上的实验设计与效应估计
- 研究问题
- 当处理本身会形成或删除网络边、进而改变单位间干扰时，如何从实验中估计包含这些变化的总处理效应？
- 方法与思路
- 作者将干扰建模为通过内生网络图传递，提出总处理效应估计量，并讨论标准网络实验和分析、测量单位不同的二部实验。
- 材料陈述的贡献
- 摘要称传统估计量在此情形下有偏，新估计量具有无偏性、一致性和渐近正态性，模拟表现优于所比较的已有方法。
- 阅读关注点
- 应核对总效应如何纳入网络变化、随机分配和网络观测要求，以及无偏性、一致性和渐近正态性分别依赖哪些条件。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未说明成立条件、网络生成限制或模拟优势的具体幅度。
原文摘要
We study experimentation under endogenous network interference. Interference patterns are mediated by an endogenous graph, where edges can be formed or eliminated as a result of treatment. We show that conventional estimators are biased in these circumstances, and present a class of unbiased, consistent and asymptotically normal estimators of total treatment effects in the presence of such interference. We show via simulation that our estimator outperforms existing estimators in the literature. Our results apply both to bipartite experimentation, in which the units of analysis and measurement differ, and the standard network experimentation case, in which they are the same.