Estimation of Monotone Treatment Effects in Network Experiments
网络实验中单调处理效应的估计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：摘要明确研究随机实验中的处理效应与个体间网络干扰，直接对应因果推断和网络与干扰。
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
网络实验中单调处理效应的估计
- 研究问题
- 社会网络随机实验存在个体间干扰时，如何为可归因处理效应构造置信区间，并利用网络或空间信息改善检验能力？
- 方法与思路
- 作者提出基于一种类似处理效应非负要求的识别假设的区间方法，不要求部分干扰，并允许利用网络或空间信息定制检验统计量。
- 材料陈述的贡献
- 摘要称方法可在不采用部分干扰假设的情况下推断可归因效应，且定制统计量原则上可能提高功效，而无需额外设定数据生成过程。
- 阅读关注点
- 应核对可归因效应的定义、单调性式识别假设的准确含义、随机化方案，以及网络信息进入统计量后区间有效性如何保证。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要，无法核对刊本变化；摘要未给出识别假设的正式表述，功效提高也仅作原则性陈述。
原文摘要
Randomized experiments on social networks pose statistical challenges, due to the possibility of interference between units. We propose new methods for finding confidence intervals on the attributable treatment effect in such settings. The methods do not require partial interference, but instead require an identifying assumption that is similar to requiring nonnegative treatment effects. Network or spatial information can be used to customize the test statistic; in principle, this can increase power without making assumptions on the data-generating process. Supplementary materials for this article are available online.