网络干扰下的差分差分法
统计方法学
2025-09-30 v1
摘要
本文发展了用于网络基于差分差分法（difference-in-differences, DiD）设计中直接效应（DATT）和溢出效应（SATT）的 doubly robust 估计器。不同于标准 DiD 方法，本方法显式容纳 treatment spillovers 和由复杂单元依赖导致的 high-dimensional network confounding。识别依赖于在调整 high-dimensional network confounders 后保持 conditional parallel-trends assumption 的条件。估计器随网络规模增大而一致且渐近正态。我们使用图神经网络（GNN）来估计 nuisance functions。通过仿真研究和对美国县级口罩强制令及其对 COVID-19 传播影响的实证应用，演示了在 network interference 情况下该方法具有 favorable finite-sample performance，解决了忽略 network interference 的常规 DiD 方法的局限性。
引用
@article{arxiv.2509.24259,
title = {Difference-in-Differences Under Network Interference},
author = {Kuan Sun and Zhiguo Xiao},
journal= {arXiv preprint arXiv:2509.24259},
year = {2025}
}