Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects
基于图机器学习的网络因果效应双重稳健估计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。
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：摘要明确针对社会网络干扰、网络混杂及直接与同伴因果效应估计。
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…
基于图机器学习的网络因果效应双重稳健估计
- 研究问题
- 在单一观察性社会网络中，存在邻居处理干扰与网络诱导混杂时，如何估计直接效应和同伴效应，并量化估计不确定性？
- 方法与思路
- 作者结合图机器学习与双重机器学习框架处理网络信息，构造直接及同伴效应估计，并研究半参数效率和不确定性量化。
- 材料陈述的贡献
- 摘要称估计量在正则条件下具有半参数效率，模拟展示准确性、稳健性和扩展能力，并用于分析自助小组参与与风险容忍度。
- 阅读关注点
- 核对干扰与暴露定义、网络混杂的识别条件、图学习及样本划分方式，区分双重稳健性和双重机器学习各自的理论保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实。摘要未说明所谓温和条件及完整稳健性结果，图学习本身不能保证消除未测混杂。
原文摘要
We address the challenge of inferring causal effects in social network data. This results in challenges due to interference -- where a unit's outcome is affected by neighbors' treatments -- and network-induced confounding factors. While there is extensive literature focusing on estimating causal effects in social network setups, a majority of them make prior assumptions about the form of network-induced confounding mechanisms. Such strong assumptions are rarely likely to hold especially in high-dimensional networks. We propose a novel methodology that combines graph machine learning approaches with the double machine learning framework to enable accurate and efficient estimation of direct and peer effects using a single observational social network. We demonstrate the semiparametric efficiency of our proposed estimator under mild regularity conditions, allowing for consistent uncertainty quantification. We demonstrate that our method is accurate, robust, and scalable via an extensive simulation study. We use our method to investigate the impact of Self-Help Group participation on financial risk tolerance.