The causal effects of modified treatment policies under network interference
网络干扰下修正处理政策的因果效应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。
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连续暴露干预的因果识别与半参数估计。
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…
网络干扰下修正处理政策的因果效应
- 研究问题
- 研究当一个单位的连续暴露会影响其他单位结果时，如何定义并识别修正处理政策的因果效应，避免忽略网络干扰带来的偏差。
- 方法与思路
- 作者提出诱导修正处理政策，并基于网络因果推断方法构造灵活的半参数有效估计量，以数值实验和加州空气污染应用说明。
- 材料陈述的贡献
- 摘要称新政策可在网络干扰下识别目标效应，数值实验显示可消除干扰导致的识别偏差，并用于评估零排放车辆普及的影响。
- 阅读关注点
- 应核对干扰结构、政策如何诱导其他单位暴露、识别与效率条件，以及车辆普及应用中的混杂控制、网络定义和不确定性估计。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明具体识别假设、网络限制与效应数值，不能将实验中的偏差消除推广到任意干扰情形。
原文摘要
Abstract Modified treatment policies are a widely applicable class of interventions useful for studying the causal effects of continuous exposures. Approaches to evaluating their causal effects assume no interference, meaning that such effects cannot be learned from data in settings where the exposure of one unit affects the outcomes of others, as is common in spatial or network data. We introduce a new class of intervention—induced modified treatment policies—which we show identify such causal effects in the presence of network interference. Building on recent developments for causal inference in networks, we provide flexible, semi-parametric efficient estimators of the statistical estimand. Numerical experiments demonstrate that an induced modified treatment policy can eliminate the causal, or identification, bias that results from network interference. We use the methodology developed to evaluate the effect of zero-emission vehicle uptake on air pollution in California, strengthening prior evidence.