Difference-in-Differences using Double Negative Controls and Graph Neural Networks for Unmeasured Network Confounding
结合双重负向控制与图神经网络的双重差分：处理未观测网络混杂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：摘要直接研究网络干扰与未观测混杂下的双重差分因果效应识别和估计。
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
结合双重负向控制与图神经网络的双重差分：处理未观测网络混杂
- 研究问题
- 面对观察性网络数据中的干扰与未观测混杂，如何识别并估计政策的直接和间接因果效应，同时利用高维协变量及网络结构？
- 方法与思路
- 作者结合修正平行趋势、双重负向控制与双重差分建立识别框架，再用图神经网络和广义矩方法构造双重稳健估计量。
- 材料陈述的贡献
- 摘要称建立直接及间接效应的半参数识别，并在 ψ 网络依赖和近似邻域干扰下推导渐近正态性，应用于中国绿色信贷政策。
- 阅读关注点
- 应核对修正平行趋势及负向控制的具体限制、识别所需函数条件，以及网络依赖、近似干扰和图神经网络估计误差如何进入推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明上述假设的完整形式，也未给出政策效应数值或应用中的假设检验。
原文摘要
Estimating causal effects from observational network data faces dual challenges of network interference and unmeasured confounding. To address this, we propose a general Difference-in-Differences framework that integrates double negative controls (DNC) and graph neural networks (GNNs). Based on the modified parallel trends assumption and DNC, semiparametric identification of direct and indirect causal effects is established. We then propose doubly robust estimators. Specifically, an approach combining GNNs with the generalized method of moments is developed to estimate the functions of high-dimensional covariates and network structure. Furthermore, we derive the estimator's asymptotic normality under the $ψ$-network dependence and approximate neighborhood interference. Simulations show the finite-sample performance of our estimators. Finally, we apply our method to analyze the impact of China's green credit policy on corporate green innovation.