Bayesian Estimation of Causal Effects Using Proxies of a Latent Interference Network
利用潜在干扰网络代理进行因果效应的贝叶斯估计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：摘要直接研究潜在网络干扰、代理网络和群体治疗干预的因果效应。
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
利用潜在干扰网络代理进行因果效应的贝叶斯估计
- 研究问题
- 真实干扰网络不可观测、只能获得含噪或多来源代理网络时，如何结合治疗和结局信息，估计群体治疗干预的因果效应？
- 方法与思路
- 作者建立容纳不同代理类型的结构因果模型，采用贝叶斯推断，并用带局部信息提议的分块 Gibbs 采样更新潜在网络。
- 材料陈述的贡献
- 摘要称，框架可处理含噪测量、多数据源和多层网络；数值实验显示，在仅有代理网络时仍能较准确地恢复因果效应。
- 阅读关注点
- 应核对代理网络与真实网络的关系、潜在网络和因果效应的识别条件、先验敏感性，以及采样收敛和网络更新的计算成本。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未列出识别假设、先验设定和误差幅度，模拟恢复表现不能保证实际网络可识别。
原文摘要
Network interference occurs when treatments assigned to some units affect the outcomes of others. Traditional approaches often assume that the observed network correctly specifies the interference structure. However, in practice, researchers frequently only have access to proxy measurements of the interference network due to limitations in data collection or potential mismatches between measured networks and actual interference pathways. In this paper, we introduce a framework for estimating causal effects when only proxy networks are available. Our approach leverages a structural causal model that accommodates diverse proxy types, including noisy measurements, multiple data sources, and multilayer networks, and defines causal effects as interventions on population-level treatments. The latent nature of the true interference network poses significant challenges. To overcome them, we develop a Bayesian inference framework. We propose a Block Gibbs sampler with Locally Informed Proposals to update the latent network, thereby efficiently exploring the high-dimensional posterior space composed of both discrete and continuous parameters. The latent network updates are driven by information from the proxy networks, treatments, and outcomes. We illustrate the performance of our method through numerical experiments, demonstrating its accuracy in recovering causal effects even when only proxies of the interference network are available.