New Estimands for Experiments with Strong Interference
强干扰实验的新估计目标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：摘要直接讨论随机实验的因果估计目标及个体间处理干扰，同时支持因果推断与网络干扰分类。
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
强干扰实验的新估计目标
- 研究问题
- 处理会跨个体影响二元结果时，如何仅依赖处理随机化构造可估计的目标与区间，同时明确其较有限的因果解释范围？
- 方法与思路
- 作者提出无需额外建模或限制干扰机制的新估计目标，考察观测分配下效应如何随直接及间接处理暴露系统性变化。
- 材料陈述的贡献
- 摘要称，仅凭随机化可获得区间估计；目标还能给出受影响个体数量的下界，但其因果含义弱于施加强假设时可识别的目标。
- 阅读关注点
- 应核对估计目标与传统处理效应的区别、直接和间接暴露的定义，以及随机化区间和受影响人数下界的构造与解释。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体目标及区间公式未提供，结论限于所述二元结果设定，不能扩写为一般处理效应识别或推断刊本变化。
原文摘要
In experiments that study social phenomena, such as peer influence or herd immunity, the treatment of one unit may influence the outcomes of others. Such “interference between units” violates traditional approaches for causal inference, so that additional assumptions are often imposed to model or limit the underlying social mechanism. For binary outcomes, we propose new estimands that can be estimated without such assumptions, allowing for interval estimates that assume only the randomization of treatment. However, the causal implications of these estimands are more limited than those attainable under stronger assumptions. The estimand shows whether the treatment effects under the observed assignment varied systematically as a function of each unit’s direct and indirect exposure to treatment, while also lower bounding the number of units affected. Supplementary materials for this article are available online.