网络干扰下处理效应估计的随机图渐近性
统计理论
2022-03-18 v6 统计理论
摘要
因果推断的网络干扰模型将所有实验单元置于无向暴露图的顶点上，使得当且仅当两个单元由一条边连接时，分配给一个单元的处理可能影响另一个单元的结果。该模型近年来作为将干扰效应纳入 Neyman–Rubin 潜在结果框架的一种手段而广受欢迎；若干作者已考虑各种因果目标的估计，包括处理的直接效应和间接效应。在本文中，我们考虑在暴露图是从 graphon 中随机抽取的设置下，网络干扰下处理效应估计的大样本渐近性。针对直接效应，我们表明——在我们的设置中——流行的估计量比现有结果所表明的要精确得多，并给出了基于 graphon 矩的中心极限定理。同时，针对间接效应，我们利用我们的生成假设，在当前没有其他一致估计量可用的设置中提出了一致估计量。我们还展示了如何利用我们的结果对随机研究推断对潜在干扰效应的敏感性进行实际评估。总体而言，我们的结果凸显了随机图渐近性在理解网络干扰下因果推断的实用性与局限性方面的前景。
引用
@article{arxiv.2007.13302,
title = {Random Graph Asymptotics for Treatment Effect Estimation under Network Interference},
author = {Shuangning Li and Stefan Wager},
journal= {arXiv preprint arXiv:2007.13302},
year = {2022}
}