COSTA: Covariance-Optimized Design and Causal Inference under Network-Temporal Interference
COSTA：网络与时间干扰下的协方差优化设计及因果推断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：摘要直接研究网络及时间干扰下的实验分配、因果效应与依赖稳健推断。
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…
关注这篇论文的作者
COSTA：网络与时间干扰下的协方差优化设计及因果推断
- 研究问题
- 在同时存在网络溢出、时间延续效应及设计引入依赖的实验中，如何优化单位与时间的处理分配，并推断持续全处理相对全控制的效应？
- 方法与思路
- 作者在共同处理边际与非负线性暴露模型下连接 HT 偏差和分配割权重，以协方差优化均方误差界，并采用阈值高斯 Kronecker 参数化。
- 材料陈述的贡献
- 摘要称提出同时处理设计依赖和结果干扰的推断框架，以潜在块的典型相关支撑中心极限定理及网络 HAC，并报告半合成实验改善。
- 阅读关注点
- 应核对偏差恒等式与误差界的模型限制、伯努利协方差的可行性、谱下界和远距离行质量条件，以及模型辅助区间的构造。
- 阅读边界
- 来源为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出完整条件和改善数值，非线性模拟表现不等于线性理论直接适用。
原文摘要
Experiments on networks observed over time face network spillovers, temporal carryover, and dependence deliberately introduced by the design. We propose COSTA---Covariance-Optimized Spatiotemporal Treatment Allocation---a joint Bernoulli design for unit--time assignments. Under common treatment marginals and a nonnegative linear network--temporal exposure model, Horvitz--Thompson bias for the sustained all-treated versus all-control contrast is exactly the negative expected weight of an assignment cut. A covariance-level variance envelope yields an MSE bound that can be optimized directly over assignment covariance. To scale this design, we introduce a thresholded-Gaussian Kronecker parameterization that mirrors the network and temporal exposure operators while preserving valid Bernoulli marginals. We next develop inference theory for the joint effects of designed treatment dependence and interference-induced outcome dependence. Canonical correlations between latent blocks generating separated HT contributions supply the coefficients required by graph-$ψ$ central limit and network-HAC theory; a spectral-floor and far-row-mass condition gives a primitive sufficient check. The framework covers sparse, block, Kronecker, locally factored, and other structured covariance sequences satisfying these conditions. Semi-synthetic RetailRocket and MovieLens experiments show substantial default-setting RMSE reductions and well-calibrated model-assisted design-centered intervals across linear, nonlinear, and demand-substitution outcome surfaces.