Staggered Rollout Designs Enable Causal Inference Under Interference Without Network Knowledge
无需网络知识的干扰下因果推断：分阶段随机推广设计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：摘要明确研究随机推广设计下总体处理效应的估计，并处理未知网络中的个体间干扰，因此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…
无需网络知识的干扰下因果推断：分阶段随机推广设计
- 研究问题
- 当个体处理会影响他人结果且网络结构未知时，如何估计全体接受处理相对于全体不接受处理的平均结果差异？
- 方法与思路
- 作者利用向随机个体子集逐步推广处理的设计，在邻居间干扰限于低阶交互的条件下，通过与多项式外推的联系构造估计量。
- 材料陈述的贡献
- 摘要称，所提总体处理效应估计量无需预先知道网络结构且具有无偏性，作者还推导方差界，并在模拟中与基准比较。
- 阅读关注点
- 应核对低阶交互的数学定义、推广阶段和随机化概率的要求，以及多项式外推的稳定性、方差界及推断实现方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；无偏性依赖所述干扰限制，摘要未给出其具体条件或模拟结果数值。
原文摘要
Randomized experiments are widely used to estimate causal effects across a variety of domains. However, classical causal inference approaches rely on critical independence assumptions that are violated by network interference, when the treatment of one individual influences the outcomes of others. All existing approaches require at least approximate knowledge of the network, which may be unavailable and costly to collect. We consider the task of estimating the total treatment effect (TTE), or the average difference between the outcomes when the whole population is treated versus when the whole population is untreated. By leveraging a staggered rollout design, in which treatment is incrementally given to random subsets of individuals, we derive unbiased estimators for TTE that do not rely on any prior structural knowledge of the network, as long as the network interference effects are constrained to low-degree interactions among neighbors of an individual. We derive bounds on the variance of the estimators, and we show in experiments that our estimator performs well against baselines on simulated data. Central to our theoretical contribution is a connection between staggered rollout observations and polynomial extrapolation.