使用代理潜在干扰网络的因果效应贝叶斯估计
统计方法学
2026-02-04 v2 应用统计
统计计算
机器学习
其他统计学
摘要
网络干扰发生在将部分单元的处理分配给其他单元的处理结果时。传统方法通常假设观察到的网络正确指定了干扰结构。然而，在实践中，研究人员常常只能获取干扰网络的代理测量，由于数据收集的限制或测量网络与实际干扰通道之间的潜在不匹配。在本文中，我们引入了一个框架，用于估计仅存在干扰网络代理的因果效应。我们的ethods方法利用 accommodate 各种代理类型的结构因果模型，包括噪声测量、多个数据源和多层网络，并将因果效应定义为对群体水平处理的干预。潜在的真实干扰网络在方法中提出了显著的挑战。为克服这些挑战，我们开发了一个贝叶斯推断框架。我们提出了一种带有局部信息建议的Block Gibbs抽样器来更新潜在网络，从而有效地探索由离散和连续参数组成的高维后验空间。潜在网络的更新由来自代理网络、处理和结果的信息驱动。我们通过数值实验说明了该方法的性能，表明即使仅存在干扰网络的代理，方法也能准确恢复因果效应。
引用
@article{arxiv.2505.08395,
title = {Bayesian Estimation of Causal Effects Using Proxies of a Latent Interference Network},
author = {Bar Weinstein and Daniel Nevo},
journal= {arXiv preprint arXiv:2505.08395},
year = {2026}
}