Estimation and inference for causal spillover effects in egocentric-network randomized trials in the presence of network membership misclassification
网络成员身份误分类下自我中心网络随机试验的因果溢出效应推断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：摘要明确研究随机干预的因果溢出效应，以及网络误测对干扰集合和效应估计的影响，直接对应因果推断与网络干扰。
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…
网络成员身份误分类下自我中心网络随机试验的因果溢出效应推断
- 研究问题
- 在自我中心网络随机试验中，若观测网络误分类了真实干扰集合，如何纠正未直接接受干预者的平均溢出效应估计偏差？
- 方法与思路
- 作者结合测量误差与因果推断方法，利用代理网络及连接代理网络与真实网络的验证数据校正偏差，并开展模拟和 HIV 试验应用。
- 材料陈述的贡献
- 摘要提出网络误分类条件下平均溢出效应的偏差校正方法，通过有限样本模拟考察性质，并在 HPTN 037 研究中展示应用。
- 阅读关注点
- 应核对干扰集合和溢出效应的定义、误分类机制及验证样本要求，并检查校正参数的不确定性如何进入效应估计与区间推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明具体识别假设、验证数据代表性要求及无验证数据时的可行性。
原文摘要
To leverage peer influence and increase population behavioral changes, behavioral interventions often rely on peer-based strategies. A common study design that assesses such strategies is the egocentric-network randomized trial (ENRT), in which those receiving the intervention are encouraged to disseminate information to their peers. The Average Spillover Effect (ASpE) measures the impact of the intervention on participants who do not receive it, but whose outcomes may be affected by others who do. The assessment of the ASpE relies on assumptions about, and correct measurement of, interference sets within which individuals may influence one another's outcomes. It can be challenging to properly specify interference sets, such as networks in ENRTs, and when mismeasured, intervention effects estimated by existing methods will be biased. In HIV prevention studies where social networks play an important role in disease transmission, correcting ASpE estimates for bias due to network misclassification is critical for accurately evaluating the full impact of interventions. We combined measurement error and causal inference methods to bias-correct the ASpE estimate for network misclassification in ENRTs, when surrogate networks are recorded in place of true ones, and validation data that relate the misclassified to the true networks are available. We investigated finite sample properties of our methods in an extensive simulation study, and illustrated our methods in the HIV Prevention Trials Network (HPTN) 037 study.