基于图机器学习的网络因果效应双重稳健估计量
机器学习
2026-02-20 v3 社会与信息网络
统计方法学
摘要
我们探讨了从社交网络数据中推断因果效应所面临的挑战。由于干扰效应（即一个单元的结果受其邻居处理的影响）以及网络诱导的混杂因素，这带来了诸多挑战。尽管已有大量文献关注社交网络环境下的因果效应估计，但其中大多数对网络诱导的混杂机制的形式做出了先验假设。此类强假设很难成立，尤其是在高维网络中。我们提出了一种新颖的方法，将图机器学习方法与双重机器学习框架相结合，从而能够仅利用单一观测社交网络对直接效应和同伴效应进行准确且高效的估计。我们证明了在温和的正则条件下，所提估计量具有半参数有效性，允许进行一致的量化不确定性。我们通过广泛的模拟研究证明了该方法准确、稳健且可扩展。我们使用该方法研究了自助小组参与对金融风险承受能力的影响。
引用
@article{arxiv.2403.11332,
title = {Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects},
author = {Seyedeh Baharan Khatami and Harsh Parikh and Haowei Chen and Sudeepa Roy and Babak Salimi},
journal= {arXiv preprint arXiv:2403.11332},
year = {2026}
}