Estimating network-mediated causal effects via principal components network regression
通过主成分网络回归估计网络中介因果效应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：摘要直接研究社会网络中介效应、直接效应及其因果识别。
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…
通过主成分网络回归估计网络中介因果效应
- 研究问题
- 如何将社会网络中的因果效应分解为经网络传导的间接效应和独立于网络的直接效应，并避免现有网络回归可能造成的过度控制？
- 方法与思路
- 作者假定潜在社会群体充当因果中介，提出先做主成分分析、再做普通最小二乘的网络回归，并刻画因果解释所需反事实假设。
- 材料陈述的贡献
- 摘要称，论文给出回归系数的渐近理论，允许多种误差和网络边分布，指出既有方法可能过度控制，并讨论向其他结构化数据扩展。
- 阅读关注点
- 应核对潜在群体的中介含义、网络主成分估计误差的处理，以及直接与间接效应识别假设和过度控制偏差的具体机制。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出反事实假设与渐近条件，不能仅凭回归分解确认网络中介因果效应。
原文摘要
We develop a method to decompose causal effects on a social network into an indirect effect mediated by the network, and a direct effect independent of the social network. To handle the complexity of network structures, we assume that latent social groups act as causal mediators. We develop principal components network regression models to differentiate the social effect from the non-social effect. Fitting the regression models is as simple as principal components analysis followed by ordinary least squares estimation. We prove asymptotic theory for regression coefficients from this procedure and show that it is widely applicable, allowing for a variety of distributions on the regression errors and network edges. We carefully characterize the counterfactual assumptions necessary to use the regression models for causal inference, and show that current approaches to causal network regression may result in over-control bias. The method is very general, so that it is applicable to many types of structured data beyond social networks, such as text, areal data, psychometrics, images and omics.