面向同时反馈与未观测混杂因素的同伴效应估计：DIG2RSI 框架
机器学习
2025-08-14 v1 人工智能
统计方法学
摘要
在复杂的真实世界网络（如社交网络）中估计同伴因果效应具有挑战性，主要由于同伴之间的同时反馈以及未观测混杂因素。现有方法要么解决未观测混杂因素而忽略同时反馈，要么考虑反馈但在限制性线性假设下，因而无法获得准确的同伴效应估计。在本文中，我们提出了 DIG2RSI，一个 novel 深度学习框架，利用 I-G 转换（矩阵运算）和 2SRI（工具变量或 IV 技术）来解决同时反馈和未观测混杂问题，同时容纳复杂的非线性和高维关系。DIG2RSI 首先应用 I-G 转换来分离相互同伴影响并消除由于同时反馈导致的偏差。为了处理未观测混杂，我们首先从网络数据中构建有效的工具变量（IV）。在 2SRI 的第 1 阶段，我们在这些 IV 上训练神经网络以预测同伴暴露，并提取残差作为未观测混杂因素的代理。在第 2 阶段，我们拟合一个独立的神经网络，增强后者并纳入对抗鉴别器，包含这些残差作为控制函数，并强制所学表示不包含残差混杂信号。深度学习模型在捕捉复杂非线性关系方面的表达力以及对抗去偏能力提高了 DIG2RSI 在消除来自反馈环路和隐藏混杂因素的偏差方面的效果。我们在标准正则性条件下证明了估计器的一致性，确保渐近恢复真实同伴效应。经验结果在两个半合成基准和一个真实数据集上表明，DIG2RSI 在现有方法上显著优于。
引用
@article{arxiv.2508.09154,
title = {Peer Effect Estimation in the Presence of Simultaneous Feedback and Unobserved Confounders},
author = {Xiaojing Du and Jiuyong Li and Lin Liu and Debo Cheng and Thuc. Le},
journal= {arXiv preprint arXiv:2508.09154},
year = {2025}
}