Misspecified Exposure Mappings下网络因果推断：部分识别框架
机器学习
2026-02-04 v1 统计方法学
摘要
在网络中估计处理效果具有挑战，因为每个潜在结果都取决于网络中其他所有节点的处理。为克服这一困难，现有方法通常会施加一种将网络中的处理分配压缩为低维概括的暴露映射。然而，如果这种映射被错误指定，标准的直接效应和溢出效应估计器会严重偏斜。我们提出一种用于网络因果推断的新型部分识别框架，以评估在暴露映射被错误指定时的处理效果的鲁棒性。具体而言，我们在此类错误指定下推导出直接效应和溢出效应的尖锐上界和下界。因此，我们的框架将因果灵敏度分析应用于暴露映射。我们为三种常用且广泛采用的暴露设置实例化我们的框架：(i) 邻域处理的加权平均值，(ii) 基于阈值的暴露映射，以及(iii) 在存在更高阶溢出的情形下的截断邻域干扰。此外，我们发展了用于估计这些界限的正交估计器，并证明所得界限估计是有效的、尖锐的且高效的。我们的实验表明，在暴露映射被错误指定时，这些界限仍保持信息性，并提供可靠的结论。
引用
@article{arxiv.2602.03459,
title = {Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework},
author = {Maresa Schröder and Miruna Oprescu and Stefan Feuerriegel and Nathan Kallus},
journal= {arXiv preprint arXiv:2602.03459},
year = {2026}
}