Design and Analysis of Bipartite Experiments under a Linear Exposure-Response Model
线性暴露—响应模型下双部图实验的设计与分析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：摘要明确研究双部图连接下处理如何影响另一组单位的结果，并进行总处理效应推断，直接对应因果推断及网络与干扰。
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…
线性暴露—响应模型下双部图实验的设计与分析
- 研究问题
- 在处理分配单位与结果测量单位不同、两者通过双部图相连的实验中，如何估计平均总处理效应并设计更精确的暴露分布？
- 方法与思路
- 作者在线性暴露—响应模型下提出 ERL 估计量及方差估计量，并设计基于聚类的 Exposure-Design，用启发式规则改善暴露分布。
- 材料陈述的贡献
- 摘要称，在双部图足够稀疏等条件下，ERL 无偏、一致且渐近正态，方差估计量也无偏且一致；设计方法旨在提高估计精度。
- 阅读关注点
- 核对总处理效应与暴露的定义、图稀疏性的具体要求，以及方差估计的适用范围，并区分启发式设计收益与严格理论保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出稀疏性阈值和设计效果数值，不能直接外推至稠密图或非线性响应。
原文摘要
A bipartite experiment consists of one set of units being assigned treatments and another set of units for which we measure outcomes. The two sets of units are connected by a bipartite graph, governing how the treated units can affect the outcome units. In this paper, we consider estimation of the average total treatment effect in the bipartite experimental framework under a linear exposure-response model. We introduce the Exposure Reweighted Linear (ERL) estimator, and show that the estimator is unbiased, consistent and asymptotically normal, provided that the bipartite graph is sufficiently sparse. To facilitate inference, we introduce an unbiased and consistent estimator of the variance of the ERL point estimator. In addition, we introduce a cluster-based design, Exposure-Design, that uses heuristics to increase the precision of the ERL estimator by realizing a desirable exposure distribution.