图模型中网络因果效应估计：面对传染与潜在混杂
机器学习
2025-03-07 v2 机器学习
摘要
网络研究中的一个关键问题是，观察到的单位之间是否存在相关性主要是由于传染所致，还是由于潜在混杂所致。本文使用被隔离图（Shpitser, 2015）表示这些机制，并检讨了关于真实潜在机制不确定性对网络因果效应下游计算的影响，特别是在完全干扰情境下——即我们只有一个网络的单一实现，而每个单位可能依赖于网络中的任何其他单位。在某些关于网络渐近增长的假设下，我们推导出似然比检验，可用于识别不同变量集合——混杂变量、处理变量和结果变量——在单位之间是否存在因传染或潜在混杂所致的依赖。随后，我们提出了网络因果效应估计策略，提供无偏且一致的估计，如果依赖机制是已知的或使用我们提出的检验正确推断得出的。该方法的提出使得能够在更广泛的完全干扰情境下进行网络效应估计，这些情境在以前的工作中未被考虑。我们通过合成数据评估方法的有效性，并使用真实网络检验我们假设的有效性。
引用
@article{arxiv.2411.01371,
title = {Network Causal Effect Estimation In Graphical Models Of Contagion And Latent Confounding},
author = {Yufeng Wu and Rohit Bhattacharya},
journal= {arXiv preprint arXiv:2411.01371},
year = {2025}
}
备注
27 pages, in proceedings of the 4th Conference on Causal Learning and Reasoning