Network Experiments with Edge Treatments and Node Outcomes
边处理与节点结果的网络实验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：摘要直接研究网络边处理、节点暴露及工具变量识别的全局平均处理效应。
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
边处理与节点结果的网络实验
- 研究问题
- 研究无向网络中处理施加于边、结果在节点层面观测时，如何通过实验分配和工具变量估计全局平均处理效应。
- 方法与思路
- 作者先随机分配节点状态，再由端点决定边处理并随机解决冲突，以节点分配状态作为处理暴露的工具变量使用 Wald 估计量。
- 材料陈述的贡献
- 摘要称在潜在结果线性与图稀疏性条件下，暴露边权误设时仍可得到一致估计，并建立渐近正态性，且无需图上分配模拟。
- 阅读关注点
- 应核对全局平均效应的定义、潜在结果线性形式、图稀疏条件及工具变量相关性，明确边权误设稳健性覆盖哪些情况。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获验证；摘要未给出假设的精确形式，不能把边权误设稳健性推广至任意网络干扰。
原文摘要
We present a methodology for analyzing node-level outcomes while experimenting with edge-level treatments in a population connected by an undirected graph. Under our design, nodes are randomly assigned to test or control, and each edge inherits the treatment of its endpoints, with conflicts resolved by randomization. We use each node's assigned status as an instrument for its treatment exposure. We show that the Wald estimator is consistent for the global average treatment effect (GATE), even when the edge weights used to construct the exposure are misspecified. We formalize the assumptions needed both in terms of the linearity of potential outcomes and the sparsity of the graph, and prove the asymptotic normality of the Wald estimator. The estimator is straightforward to implement, requiring no assignment simulations over the graph. Our Monte Carlo study demonstrates the strong performance of our approach in the context of a social platform.