HNCI: High-Dimensional Network Causal Inference
HNCI：高维网络因果推断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：摘要直接研究网络干扰下的处理效应和节点干扰邻域推断。
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…
HNCI：高维网络因果推断
- 研究问题
- 网络干扰存在且节点干扰邻域大小具有一定异质性时，如何对已处理者的平均直接效应及干扰邻域大小进行有效推断？
- 方法与思路
- 作者将潜在结果写为具有潜在同质系数结构的线性回归，结合渐近正态推断与 repro samples 构造两类置信结果。
- 材料陈述的贡献
- 摘要称方法为已处理者平均直接处理效应提供置信区间，为邻域大小提供有理论保证的置信集合，并展示模拟及应用。
- 阅读关注点
- 应核对网络干扰与邻域异质性的允许形式、潜在同质结构假设、方差估计，以及邻域置信集合的覆盖保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出处理分配、网络结构及异质性限制，不能推及任意干扰。
原文摘要
The problem of evaluating the effectiveness of a treatment or policy commonly appears in causal inference applications under network interference. In this paper, we suggest the new method of high-dimensional network causal inference (HNCI) that provides both valid confidence interval on the average direct treatment effect on the treated (ADET) and valid confidence set for the neighborhood size for interference effect. We exploit the model setting in Belloni et al. (2022) and allow certain type of heterogeneity in node interference neighborhood sizes. We propose a linear regression formulation of potential outcomes, where the regression coefficients correspond to the underlying true interference function values of nodes and exhibit a latent homogeneous structure. Such a formulation allows us to leverage existing literature from linear regression and homogeneity pursuit to conduct valid statistical inferences with theoretical guarantees. The resulting confidence intervals for the ADET are formally justified through asymptotic normalities with estimable variances. We further provide the confidence set for the neighborhood size with theoretical guarantees exploiting the repro samples approach. The practical utilities of the newly suggested methods are demonstrated through simulation and real data examples.