Fixed-Population Causal Inference for Models of Equilibrium
均衡模型中的固定总体因果推断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：摘要直接研究网络结果干扰下的实验因果推断，并讨论均衡响应与结构参数恢复，对应因果、网络及结构估计。
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
均衡模型中的固定总体因果推断
- 研究问题
- 当个体结果通过均衡相互影响，且处理影响可能遍及网络时，单次网络实验能够识别哪些因果响应，并怎样联系结构参数？
- 方法与思路
- 作者采用固定总体的设计型推断，定义平均局部因果响应并用 IPW 估计，再分析光滑均衡模型中的边际干预和导数加权平均。
- 材料陈述的贡献
- 摘要称在较少干扰结构限制下定义可识别估量并证明 IPW 的无偏性与一致性；额外结构假设下可将这些估量用于恢复模型参数。
- 阅读关注点
- 应核对因果估量如何依赖整体分配、随机化与一致性所需条件，以及导数加权解释和恢复结构参数各自增加了哪些假设。
- 阅读边界
- 所给版本为预印本，不能据此确认同行评审或期刊接收；摘要未展开最低假设及渐近框架，不能认定任意均衡模型均可识别。
原文摘要
In contrast to problems of interference in (exogenous) treatments, models of interference in unit-specific (endogenous) outcomes do not usually produce a reduced-form representation where outcomes depend on other units' treatment status only at a short network distance, or only through a known exposure mapping. This remains true if the structural mechanism depends on outcomes of peers only at a short network distance, or through a known exposure mapping. In this paper, we first define causal estimands that are identified and estimable from a single experiment on the network under minimal assumptions on the structure of interference, and which represent average partial causal responses which generally vary with other global features of the realized assignment. Under a fixed-population, design-based approach, we show unbiasedness and consistency for inverse-probability weighting (IPW) estimators for those causal parameters from a randomized experiment on a single network. We also analyze more closely the case of marginal interventions in a model of equilibrium with smooth response functions where we can recover LATE-type weighted averages of derivatives of those response functions. Under additional structural assumptions, these ``agnostic" causal estimands can be combined to recover model parameters, but also retain their less restrictive causal interpretation.