A Sensitivity Analysis Framework for Causal Inference Under Interference
存在个体间干扰时的因果推断敏感性分析框架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：摘要明确研究因果推断中的个体间处理干扰，并结合未测混杂进行敏感性分析。
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
存在个体间干扰时的因果推断敏感性分析框架
- 研究问题
- 当一个个体的处理影响其他个体结局，且存在未测混杂和不可迁移性时，如何同时评估忽略这些问题造成的系统偏差？
- 方法与思路
- 作者提出基于加权的敏感性分析，用若干可解释参数描述干扰、未测混杂与不可迁移性，并联合评估其对因果推断的影响。
- 材料陈述的贡献
- 摘要称框架允许未测混杂，并突出其与干扰共同存在时的困难，使研究者能够同时考察三类偏差来源而非逐项孤立分析。
- 阅读关注点
- 应核对干扰的表示方式、权重和敏感性参数的定义，以及参数可取范围、联合变化和实质知识如何转化为偏差评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明偏差公式和适用条件，敏感性分析本身不能证明混杂或干扰已被消除。
原文摘要
In many applications of causal inference, the treatment received by one unit may influence the outcome of another, a phenomenon referred to as interference. Although there are several frameworks for conducting causal inference in the presence of interference, practitioners often lack the data necessary to adjust for its effects. In this paper, we propose a weighting-based sensitivity analysis framework that can be used to assess the systematic bias arising from ignoring interference. Unlike most of the existing literature, we allow for the presence of unmeasured confounding, and show that the combination of interference and unmeasured confounding is a notable challenge to causal inference. We also study a third factor contributing to systematic bias: lack of transportability. Our framework enables practitioners to assess the impact of these three issues simultaneously through several easily interpretable sensitivity parameters that can reflect a wide range of intuitions about the data.