Conditional randomization tests of causal effects with interference between units
许多因果问题涉及单位之间的相互作用，也称为干扰，例如家庭中的个人，学校中的学生或市场中的公司之间。在本文中，我们形式化的条件反射机制的概念，它提供了一个框架，用于构建有效的和强大的随机化测试下的一般形式的干扰。我们描述了我们的框架中的两阶段随机设计的背景下，并应用我们的方法来随机评估的干预措施，针对学生旷课在费城学区。我们在计算和统计功效方面对现有方法进行了改进。
2018-09-24 stat.AP stat.ME
Limitations of design-based causal inference and A/B testing under arbitrary and network interference
网络上的随机实验通常涉及连接单元之间的干扰;即，一个人的治疗可以影响另一个人的反应的情况。目前的方法来处理干扰，在理论上和实践中，往往使其结构上的限制性假设-例如，假设干扰是本地的-即使使用其他非参数推理策略。这种对干扰机制的明确限制的依赖表明了一种共同的直觉，即如果没有对干扰结构的任何假设，推理是不可能的。在本文中，我们首先正式这种直觉的背景下，一个经典的非参数的推理方法，被称为基于设计的因果关系的推断。接下来，我们将展示如何，总是在基于设计的推理，即使参数结构假设，允许存在的无偏估计量，不能保证方差下降，即使在大样本限制。在随机实验中，由于预期存在某种形式的干扰，因此经常凭经验观察到大样本中浓度的缺乏。这一结果对大型实验的设计和分析有直接的影响--例如，在在线社交平台中--相信大的样本量自动保证小的方差。更广泛地说，我们的研究结果表明，虽然策略因果推断在干扰的存在下借用其形式主义和主要概念，从传统的因果推断文献，大部分的直觉从无干扰的情况下不容易转移到干扰设置。
2017-05-16 stat.AP stat.ME
Causal effect estimation under network interference with mean-field methods
研究网络干扰下从观测数据估计因果效应，采用链图框架允许长程干扰，提出基于平均场和近似消息传递的可扩展算法，并在高温条件下证明其相合性。
2024-07-28 math.PR math.ST stat.ME
Causal Inference under Networked Interference and Intervention Policy Enhancement
Ludwig Maximilian University of Munich（慕尼黑大学）；Siemens CT（西门子中央研究院）
根据随机实验数据估计个体处理效应是因果推断中的一项关键任务。在因果推断中，通常采用稳定单位处理值假设。然而，当一个单元的分配治疗影响相邻单元的潜在结果时，干扰可能会引入偏倚。这种干扰现象在经济学中被称为溢出效应，在社会科学中被称为同行效应。通常，在随机化实验或具有相互连接单元的观察性研究中，只能观察干扰下的治疗反应。因此，如何在干扰存在的情况下估计叠加的因果效应并恢复个体的处理效应成为因果推断中的一个挑战性任务。在这项工作中，我们使用GNNs研究了一般网络干扰下的因果效应估计，GNNs是捕获图中依赖关系的强大工具。在导出因果效应估计量后，我们进一步研究了在容量约束下的图上的干预政策改进。在网络干扰和处理容量约束下，给出了策略遗憾界.此外，基于GNN因果估计的启发式图结构相关的误差界。
2021-05-04 cs.LG stat.ME stat.ML
Nonparametric efficient inference for network quantile causal effects under partial interference
Washington University in St. Louis（圣路易斯华盛顿大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文研究了在部分干扰下网络分位数因果效应的非参数高效推断方法，提出了一种非参数高效估计器，具有参数一致性且允许灵活的数据自适应估计复杂 nuisance 函数。
2026-04-14 stat.AP stat.ME stat.ML
Estimating Average Causal Effects Under General Interference, with Application to a Social Network Experiment
本文提出了一个基于随机化的框架，估计单位之间的干扰下的因果关系的影响，在分析社交网络上的实验中出现的挑战的动机。该框架集成了三个组成部分：（i）试验设计，定义的概率分布的治疗分配，（ii）映射，实验治疗分配到实验中的单位收到的曝光，和（iii）estimands，利用实验来回答问题的实质性利益。我们开发的情况下，估计平均单位水平的因果效应，从随机实验的干扰任意，但已知的形式。由此产生的估计是基于逆概率加权。我们提供了基于随机化的方差估计，占复杂的聚类时，可能会发生干扰。我们还建立了局部依赖假设下的一致性和渐近正态性。我们讨论的改进，包括协变量调整的影响估计和比率估计。我们评估经验的表现，在现实环境中的自然模拟使用社会网络数据从美国学校。然后，我们提出了一个现场实验的结果，反冲突规范和行为在学校学生中的传播。
2018-06-20 math.ST stat.ME stat.TH
Local Interference: Removing Interference Bias in Semi-Parametric Causal Models
该研究针对现有因果干扰偏差消除方法依赖强领域知识、约束多的问题，提出带局部干扰的半参数因果模型新定义，证明了特定半参数模型下真实平均因果效应可识别并给出估计量，还通过模拟和真实数据集完成验证。
2025-03-24 stat.ME stat.ML
Causal Effects in Twin Studies: the Role of Interference
使用双生子设计来解决因果问题正变得越来越流行。一个标准的假设是，双胞胎之间没有干扰-也就是说，没有双胞胎的暴露对他们的双胞胎的结果有因果影响。然而，可能存在这种假设不成立的情况，这将（1）影响通过常用现有方法获得的参数的因果解释;（2）改变最感兴趣的效应;（3）影响我们估计这些效应的条件。我们探讨这些问题，我们得到半参数有效估计的因果效应在双胞胎之间的干扰存在。使用明尼苏达州双胞胎家庭研究的数据，我们应用我们的估计来评估双胞胎在青春期早期饮酒是否可能对他们的双胞胎在以后的生活中使用物质产生因果影响。
2020-07-09 stat.ME
Linear models for causal inference under network interference
Harvard College（哈佛大学）；Harvard Chan School of Public Health（哈佛陈曾熙公共卫生学院）
本文提出利用线性模型估计因果效应，针对网络干扰挑战，通过回归系数识别二元和连续处理的因果效应，并构建无偏一致的估计量。
2026-03-31 stat.ME
A Sensitivity Analysis Framework for Causal Inference Under Interference
Boston University（波士顿大学）
本文提出一种基于加权的敏感性分析框架，用于评估忽略干扰导致的系统性偏差，考虑未测量混杂和运输性不足等挑战。
2026-06-30 stat.ME
Bipartite Causal Inference with Interference
评估干预措施有效性的统计方法日益受到各单位内在相互关联性的挑战。具体来说，最近的一系列方法研究已经解决了观测之间的干扰问题，当一个观测单元的结果不仅取决于它的治疗，而且还取决于分配给其他单元的治疗时，就会出现这种情况。我们引入了具有干扰的二分因果推断的设置，当1）治疗被定义在与测量结果的观察单位不同的观察单位上时，以及2）在某些单位的结果取决于分配给许多其他单位的治疗的意义上，单位之间存在干扰。基本的定义和配方提供了这种设置，突出的相似性和差异，更普遍认为设置的因果推断与干扰。几种类型的因果被估量进行了讨论，和一个简单的逆概率的治疗加权估计的简化被估量的一个子集。这些估计器被用来评估美国473家发电厂减少空气污染的干预措施如何影响居住在23，458个邮政编码地区的医疗保险受益人的心血管住院治疗。
2018-07-23 stat.ME
Generalized propensity score approach to causal inference with spatial interference
许多空间现象表现出治疗干扰，其中一个位置的治疗可能会影响其他位置的反应。由于干扰违反了稳定单位治疗值假设，因此因果推断的标准方法不适用。我们提出了一个新的因果框架，以恢复直接和溢出效应的空间干扰的存在下，考虑到治疗在附近的位置比治疗更有影响力的位置进一步分开。在没有未测量的混杂假设下，我们证明了广义倾向得分足以消除所有测量的混杂。为了减少维数问题，我们提出了一个贝叶斯样条为基础的回归模型占一个足够的变量集的广义倾向得分。仿真研究证明了准确性和覆盖性能。我们应用该方法来估计2005- 2018年美国西部野火对空气污染的因果影响。
2020-06-30 stat.ME
The causal effects of modified treatment policies under network interference
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
提出诱导修正治疗策略以识别网络干扰下的因果效应，并开发半参数有效估计器，通过加州零排放车辆对空气污染的影响验证。
2025-12-10 stat.ME
Causal Inference under Network Interference with Noise
越来越多的是，有一个显着的兴趣，估计因果关系的影响下，网络干扰，由于这样一个事实，干扰自然体现在网络实验。然而，网络信息通常仅在一定程度的误差下可用。我们研究了这种错误的传播，估计网络干扰下的平均因果效应。具体来说，假设一个四水平的暴露模型和伯努利随机分配的治疗，我们的特点是网络噪声的影响，在均匀和非均匀网络的标准估计的偏差和方差。此外，我们提出了方法的时刻估计偏差减少网络复制的最小数量。我们证明了我们的估计是渐近正态的，并提供了量化这些估计的不确定性的置信区间。我们说明了我们的估计，通过模拟研究在英国中学接触网络的实际表现。
2022-08-31 stat.ME
The Conflict Graph Design: Estimating Causal Effects under Arbitrary Neighborhood Interference
本文提出冲突图设计方法，通过构建实验设计以在任意邻域干扰下精确估计因果效应，改进了因果效应估计的速率并提供了新的方法。
2026-01-13 cs.DS math.ST stat.ME
Addressing Spatially Structured Interference in Causal Analysis Using Propensity Scores
环境流行病学家对建立暴露与健康结果之间的因果关系越来越感兴趣。因果推断的一个流行模型是鲁宾因果模型（RCM），它通常试图估计研究单位潜在结果的平均差异。RCM的一个重要假设是无干扰;也就是说，一个单元的潜在结果不受其他单元暴露状态的影响。如果我们期望基于单位与其他单位的接近度的暴露效应的溢出或扩散以及其他几个因果被估量出现，则违反了无干扰假设。空气污染流行病学通常违反了这一假设，当我们预计逆风事件影响顺风或附近的位置。本文采用社会网络研究的因果假设，以解决干扰，并允许估计直接和溢出的因果效应。我们使用倾向得分为基础的方法来估计这些影响时，考虑到环境保护局的2005年的空气动力学直径小于2.5微克每立方米（PM2.5）的颗粒物对肺癌发病率的影响，使用县级数据从监测，流行病学和最终结果（SEER）计划。我们比较这些方法在一个严格的模拟研究，同时考虑空间自相关变量，干扰和缺失的混杂因素。我们发现，修剪和匹配的基础上的倾向得分产生最高的概率覆盖率的真正的因果效应和较低的均方误差。当应用于研究问题时，我们发现了保护性的直接和溢出因果效应。
2021-01-22 stat.AP
Causal health impacts of power plant emission controls under modeled and uncertain physical process interference
针对空间环境数据因果推断中的干扰问题，提出结合贝叶斯空间机理干扰模型与非参数结果模型的方法，估算得州燃煤电厂减排的健康效应，发现存在不确定性时结果尚无定论。
2024-05-14 stat.AP stat.ME
Spatial causal inference in the presence of unmeasured confounding and interference
University of Florida（佛罗里达大学）；Bristol Myers Squibb（百时美施贵宝）
本文提出了一种基于贝叶斯方法的空间因果推断框架，用于处理空间数据中未测量混杂和干扰问题，并通过模拟和实证数据验证了其有效性。
2026-02-15 stat.ME
The Local Approach to Causal Inference under Network Interference
针对网络干扰下的因果推断问题，提出基于网络局部构型匹配的非参数框架，推导了k近邻估计的有限样本误差界并给出政策无关性的渐近有效检验。
2025-03-23 econ.EM math.ST stat.ME
Causal inference under interference: computational barriers and algorithmic solutions
本文研究了网络数据中因果推断的计算挑战，提出针对密集图和高斯相互作用的多项式时间算法，以有效估计因果效应。
2025-12-09 math.PR math.ST stat.ME
Average Direct and Indirect Causal Effects under Interference
我们提出了一个定义的平均间接效应的二进制处理的潜在结果模型下的跨单元干扰的因果推断。我们的定义类似于平均直接效应的标准定义，并且可以在不需要比较多个随机实验结果的情况下表达。我们表明，建议的间接效应满足分解定理，即在伯努利试验中，平均直接和间接效应的总和总是对应于无限增加治疗概率的政策干预的效果。我们还考虑了一些参数模型的干扰，并发现我们的非参数间接效应仍然是一个自然的估计时，重新表示在这些模型的上下文中。
2022-01-12 econ.EM stat.ME
A systematic investigation of classical causal inference strategies under mis-specification due to network interference
我们系统地调查了由于错误指定而引起的问题，这些问题是在估计因果效应时出现的，当（治疗）干扰被网络可用的预干预告知时，即，在一个单位的结果可能取决于分配给其他单位的治疗的情况下。我们开发理论的几种形式的干扰通过曝光邻域的概念，并开发相应的半参数表示为潜在的结果作为曝光邻域的函数。使用这种表示，我们扩展了两个流行的类的因果被估量，边际和平均因果效应的定义，网络干扰的情况下。我们的特点的偏差和方差的结合时，经典的随机化策略（即，伯努利，完全随机化，和集群随机化设计）和估计（即，在均值差和Horvitz-Thompson）用于估计平均处理效应和总处理效应，由于干扰的误指定。我们说明了如何在均值差估计可以有任意大的偏差时，估计平均因果效应，这取决于干扰的形式和强度，这是未知的设计阶段。Horvitz-Thompson（HT）估计在给定正确的权值时是无偏的。在这里，我们推导出HT权重的无偏估计不同的被估量，并说明他们如何依赖于设计，干扰的形式，这是未知的设计阶段，和被估量。更重要的是，我们表明，HT估计是不容许的一大类随机化策略，在干扰的存在下。我们开发了新的模型辅助和模型依赖的策略来改进HT估计，我们开发了新的随机化策略来估计平均处理效应和总处理效应。
2018-10-18 stat.ME
Staggered Rollout Designs Enable Causal Inference Under Interference Without Network Knowledge
随机化实验被广泛用于估计各种领域的因果效应。然而，经典的因果推断方法依赖于关键的独立性假设，当一个个体的治疗影响其他个体的结果时，网络干扰会违反这些假设。所有现有的方法都需要至少近似的网络知识，这可能是不可用的和昂贵的collect.We认为估计总处理效应（TTE）的任务，或平均差异的结果时，整个人口进行治疗与当整个人口未治疗。通过利用交错推出设计，其中治疗是递增地给予随机子集的个人，我们得到无偏估计量TTE不依赖于任何先验结构知识的网络，只要网络干扰的影响被约束到低程度的个人邻居之间的相互作用。我们推导出的估计量的方差上的界限，我们在实验中表明，我们的估计对模拟数据的基线表现良好。我们的理论贡献的核心是交错推出的意见和多项式外推之间的连接。
2022-10-14 cs.SI stat.ME
Causal Inference on Networks under Continuous Treatment Interference
针对连续处理与网络干扰下的非实验政策评估场景，提出基于广义倾向得分的估计量，可估计直接和溢出效应并适配异质强度的非对称网络，农业市场应用显示忽略干扰会低估政策有效性。
2023-06-12 econ.EM stat.AP stat.ME
Analysis of Two-Stage Rollout Designs with Clustering for Causal Inference under Network Interference
针对网络干扰下因果推断推出设计因外推导致高方差的问题，提出两阶段聚类实验，分析多项式插值估计量的偏差方差特性，探究聚类目标权衡并比较不同策略性能。
2025-02-10 cs.SI stat.ME
Causal inference for social network formation
University of Oxford（牛津大学）；Harvard Kennedy School（哈佛肯尼迪学院）；University College London（伦敦大学学院）
本文提出了一种框架，用于识别、估计和推断驱动内生社会网络形成的因果机制。通过时间序列网络观测和初始联系的随机变化来解决因果识别的挑战，采用基于设计的方法，将节点集和潜在结果视为非随机，以估计间接联系、网络度和局部网络密度对联系形成的影响。
2026-04-20 cs.SI econ.EM stat.AP
Causal clustering: design of cluster experiments under network interference
Harvard University（哈佛大学）；Stanford University（斯坦福大学）；Meta
研究网络干扰下估计全局处理效应的聚类实验设计，提出通过惩罚最小割优化选择聚类以最小化最坏情况均方误差，并给出选择聚类设计的简单条件。
2026-06-11 econ.EM math.ST stat.ME
Causal Inference Under Approximate Neighborhood Interference
研究了网络干扰下随机实验中的因果推断。通常使用的干扰模型认为，分配给改变的治疗超出了自我的一定网络距离，对自我的反应没有影响。然而，这一假设在社会互动的常见模型中被违反了。我们提出了一个基本上较弱的“近似邻域干扰”（ANI）模型，在该模型下，分配给改变进一步从自我的治疗有一个较小的，但潜在的非零，对自我的反应的影响。我们正式验证，ANI持有知名的社会互动模型。根据ANI，网络拓扑结构的限制，和渐近下，网络的大小增加，我们证明了标准的逆概率加权估计一致估计有用的曝光效果，是近似正常的。对于推理，我们考虑一个网络HAC方差估计。在有限总体模型下，我们证明了估计量是有偏的，但这种偏置可以解释为单位水平暴露效应的方差。这推广了内曼的著名结果保守方差估计设置干扰。
2021-11-02 econ.EM stat.ME
Bipartite causal inference with interference, time series data, and a random network
Department of Statistics, University of Florida（佛罗里达大学统计学系）
本文研究了在存在干扰的情况下，利用时间序列数据和随机网络进行双图因果推断，定义了即时和滞后因果效应，并提出结合匹配和协变量平衡的算法以估计因果效应。
2026-05-15 stat.ME
Causal Inference from Observational Studies with Clustered Interference
从观察性研究中推断因果关系是具有挑战性的，因为参与者不是随机接受治疗的。传染病研究中的观察性研究提出了额外的挑战，即一名参与者的治疗可能会影响另一名参与者的结果，即，可能存在干扰。在本文中，最近的方法来定义因果效应的干扰的存在被认为是，并提出了新的因果被估量专门用于观察性研究。先前定义的被估量针对的是反事实情景，在这种情景中，个体以相等的概率独立地选择治疗。然而，在集群内个体之间存在干扰的情况下，同一集群中个体之间的治疗选择可能不太可能独立。拟议的因果被估量，而不是描述反事实的情况下，治疗选择的相关性结构是相同的，在观察到的数据分布，允许在个别治疗选择集群内的依赖性。这些被估量可能更相关的政策制定者或公共卫生官员谁希望量化的影响，增加治疗的个人在人口中的比例。逆概率加权估计这些被估量提出。估计量的大样本性质的推导，并提出了一个模拟研究，证明有限样本性能的估计。所提出的方法是通过分析孟加拉国超过10万人的霍乱疫苗接种研究数据来说明的。
2017-11-13 stat.ME
Causal Message Passing for Experiments with Unknown and General Network Interference
本文提出因果消息传递框架，基于高维近似消息传递建模多期实验中未知且一般的网络干扰传播动态，并给出估计总处理效应的实用算法，在五种干扰结构下验证了有效性。
2024-10-05 stat.ME stat.ML
Integrating Active Learning in Causal Inference with Interference: A Novel Approach in Online Experiments
National University of Singapore（新加坡国立大学）；Tencent（腾讯）
本文提出ACI方法，将主动学习与高斯过程及遗传算法结合，在网络干扰和混杂因素下高效估计直接与溢出处理效应，并在模拟数据和腾讯游戏数据上验证了其数据效率优势。
2024-02-20 cs.LG stat.ME stat.ML
Reasoning about Interference Between Units
如果一个实验性的治疗是由治疗组和对照组的单位，测试的因果关系的假设可能很难概念化，更不用说执行。在本文中，我们将展示如何反事实因果模型可能会被写入和测试时，理论表明溢出或其他基于网络的实验单位之间的干扰。我们表明，“无干扰”的假设不需要约束学者谁有有趣的问题干扰。我们为研究人员提供了建模理论的能力，这些理论是关于某些单位的治疗如何影响其他单位的结果的。我们进一步展示了如何检验这些因果效应的假设，我们提供的工具，使研究人员能够评估他们的测试给自己的模型，设计，检验统计量和数据的操作特性。我们在这里开发的概念和方法框架特别适用于社交网络，但当研究人员想知道单元之间的干扰时，可以有效地部署。单元之间的干扰不一定是一个不可检验的假设;相反，干扰是一个机会，可以对理论上有趣的现象提出有意义的问题。
2012-08-01 stat.AP stat.ME
Causal Inference with Noncompliance and Unknown Interference
本文研究社交网络中存在不依从和未知干扰的因果推断问题，提出暴露映射概念将复杂溢出效应汇总为固定维工具变量统计量，基于逆概率加权开发非参数估计程序并证明其渐近性质，还提供了配套R包。
2023-10-23 econ.EM stat.ME
A Bayesian Analysis of Two-Stage Randomized Experiments in the Presence of Interference, Treatment Nonadherence, and Missing Outcomes
针对现代复杂实验中同时存在的干扰、治疗不依从和结果缺失问题，提出一种基于贝叶斯方法的因果推断框架，扩展两阶段随机化实验和主分层框架，通过灵活分布模型实现主因果效应的弱可识别，从而提供更具信息量的分析。
2023-04-05 stat.ME
Disentangling spatial interference and spatial confounding biases in causal inference
The University of Manchester（曼彻斯特大学）；Federal University of Agriculture, Abeokuta（阿贝奥库塔联邦农业大学）
本文通过DAG视角澄清空间混杂的误解，区分直接和间接空间混杂及空间干扰，并探讨其在因果推断中的影响。
2026-02-02 stat.ME
A Causal Research Pipeline and Tutorial for Psychologists and Social Scientists
因果关系是理解世界的科学努力的基本组成部分。不幸的是，因果关系仍然是心理学和社会科学的禁忌。由于越来越多的人建议采用因果研究方法的重要性，我们重新制定了心理学研究的典型方法，以协调不可避免的因果理论与其他研究管道。我们提出了一个新的过程，从因果发现和机器学习的发展，验证和透明的正式规范的理论的汇合技术的结合开始。然后，我们提出的方法，减少复杂的完全指定的理论模型到一个给定的目标假设相关的基本子模型。从这里，我们建立是否感兴趣的数量是估计的数据，如果是这样，提出使用半参数机器学习方法的因果关系的估计。总体目标是提出一个新的研究管道，它可以（a）促进与测试因果理论的愿望相一致的科学探究（b）鼓励我们的理论作为明确的数学对象的透明表示，（c）将我们的统计模型与理论的特定属性联系起来，从而减少经常由理论与模型之间的差距导致的规格不足问题，及（d）得出具因果意义及可重现的结果及估计。这个过程是通过教学的例子与现实世界的数据，我们总结和讨论的局限性。
2022-06-24 stat.AP stat.ME stat.ML
Elements of estimation theory for causal effects in the presence of network interference
在医疗保健、经济学、社会科学和信息科学中，一个单元的治疗会影响其他单元的结果的随机实验变得越来越普遍。从因果推断的角度来看，没有干扰的典型假设在这样的实验中变得站不住脚。然而，在许多问题中，干扰模式可以通过观察分析单元之间的网络连接来获知。在这里，我们开发的因果效应的最优估计理论的元素，利用观察到的网络，通过假设一个人的潜在结果只取决于个人的治疗和邻居的治疗。我们提出了一个排除限制的潜在结果的集合，并显示这些限制的子集如何导致各种参数化。考虑类的线性无偏估计量的平均直接处理效应，我们推导出的设计条件，导致存在的无偏估计量，并提供分析的见解的权重，导致最小综合方差估计。我们说明了这些估计的改进性能相比，更标准的有偏和无偏估计量，使用模拟。
2017-02-12 stat.ME
Causal Inference in Social Platforms Under Approximate Interference Networks
针对社交平台中网络干扰结构未知导致总处理效应估计不可靠的问题，本文提出代理网络框架与伪逆估计器，证明更紧的渐近方差界并改进方差估计，在超5000万用户实验中验证了其有效性。
2024-08-08 cs.SI stat.AP
Causal Inference Under Interference And Network Uncertainty
Johns Hopkins University（约翰斯·霍普金斯大学）
经典的因果和统计推断方法通常假设观测数据由独立的实现组成。然而，在许多应用中，由于数据中单元之间的依赖网络，这种假设是不合适的。估计因果效应的方法已经在单位之间的依赖结构确切已知的情况下发展起来，但在实践中，精确的网络结构往往存在很大的不确定性。例如，从社会关系难以直接查询的弱势社区提取的试验数据就是如此。在本文中，我们结合技术的结构学习和干扰文献中的因果推理，提出了一个一般的方法来估计因果效应的数据依赖时，这种依赖的结构是未知的先验。我们证明了我们的方法在表现出网络依赖性的合成数据集上的实用性。
2019-06-29 cs.AI cs.LG stat.ML
A Graph-Theoretic Approach to Randomization Tests of Causal Effects Under General Interference
当一个单位的结果取决于另一个单位的治疗分配时，存在干扰。例如，一条街道上的密集警务可能会对邻近街道产生溢出效应。经典的随机化测试通常在这种情况下失败，因为许多感兴趣的零假设在干扰下不再尖锐。一个有希望的替代方法是在给定的原假设是尖锐的单元和分配的子集上构建条件随机化测试。然而，找到这些子集是具有挑战性的，并且现有方法仅限于特殊情况或具有有限的能力。在本文中，我们提出了有效的和易于实现的随机化测试的一般类的零假设任意干扰下的单位。我们的核心思想是将感兴趣的假设表示为单元和分配之间的二分图，并找到此图的适当二分图。重要的是，原假设在此biclique内是尖锐的，从而能够进行基于条件随机化的检验。我们还将二簇的大小与统计功效联系起来。此外，我们可以应用现成的图聚类方法来有效地和大规模地找到这样的bicliques。我们说明了我们的方法在设置与集群干扰，并显示出优势，专门为该设置设计的方法。然后，我们将我们的方法应用到一个大规模的警务实验在麦德林，哥伦比亚，干扰有一个空间结构。
2021-05-25 stat.AP stat.ME
Causal inference, social networks, and chain graphs
传统上，对人类受试者的统计和因果推断依赖于这样的假设，即个体独立地受到治疗或暴露的影响。然而，最近对诸如社交网络的环境的兴趣越来越大，在这些环境中，个体可以彼此交互，使得治疗可以从被治疗的个体溢出到他们的社交联系人，并且结果可以是传染性的。现有的模型提出的因果推断使用观察数据的网络相互作用的个人有两个主要的缺点。首先，它们通常需要一定程度的数据粒度，而在大多数情况下，收集这些数据实际上是不可行的;其次，这些模型是高维的，通常太大而无法适应可用的数据。在本文中，我们说明和证明一个简约的参数化网络数据的干扰和传染。我们的参数化对应于一个特定的图形模型家族，称为链图。我们认为，在某些情况下，链图模型近似的边缘分布的快照的纵向数据生成过程中的相互作用的单位。我们说明了使用链图的因果推断集体决策的社交网络使用的数据，从美国最高法院的决定在1994年和2004年之间，并在模拟。
2020-02-22 stat.ME
Spatial Deconfounder: Interference-Aware Deconfounding for Spatial Causal Inference
本文提出空间去混杂方法，通过条件变分自编码器重构替代混杂变量，以识别直接和溢出效应，改进空间数据的因果推断。
2026-06-27 cs.LG stat.ML
Individualized Causal Effects under Network Interference with Combinatorial Treatments
University of Leeds（利兹大学）；National University of Defense Technology（国防科技大学）；School of Statistics and Data Science, SUFE（上海财经大学统计与数据科学学院）
本文提出了一种统一框架，通过构建全局潜在结果模拟器，在高维网络化环境下实现个体化因果推断，结合局部平滑性、双重稳健正交化和稀疏谱学习，解决网络干扰和组合治疗带来的挑战。
2026-02-23 stat.ME
Estimating network-mediated causal effects via principal components network regression
提出主成分网络回归方法，将社交网络上的因果效应分解为网络介导的间接效应与独立直接效应，假设潜在社会群体为中介，证明渐近理论并指出现有方法存在过度控制偏差，适用于多种结构化数据。
2025-03-06 stat.ME
Causal inference with misspecified network interference structure
本文提出了一种在多个网络同时利用的情况下，即使无法确定正确网络也保持无偏的因果推断估计器，以应对网络结构错误指定的问题。
2025-12-22 stat.ME
Causal Inference for Social Discrimination Reasoning
发现人类或自动决策中的歧视性偏见是一项日益重要和困难的任务，机器学习和数据采掘的普遍使用加剧了这一问题。目前，歧视发现主要依赖于决策记录的相关性分析，忽略了混杂偏见的影响。我们提出了一种基于倾向得分分析的因果歧视发现方法，该方法是一种用于过滤混淆变量影响的统计工具。我们引入了因果措施的歧视，量化的群体成员的决定的影响，并强调因果歧视/偏袒模式，通过学习回归树的新措施。我们在两个真实世界的数据集上验证了我们的方法。我们提出的因果歧视框架有可能提高机器学习的透明度，并在训练数据和学习算法中检测歧视性偏见。
2019-11-04 cs.CY stat.AP
Probabilistic Causal Analysis of Social Influence
ISI Foundation（ISI基金会）；UniCredit（裕信银行）；New York University（纽约大学）；Stanford University（斯坦福大学）
掌握社会影响力的动态需要在信息传播痕迹的数据库中将真正的因果过程与时间相关性分开，即，同质性和其他虚假的原因。然而，大多数描述社会影响力的研究，以及一般来说，大多数数据科学分析都集中在相关性，统计独立性或条件独立性上。直到最近，人们对“因果数据科学”的兴趣才重新抬头，例如，基于因果关系理论。在本文中，我们采用了一个原则性的因果关系的方法来分析社会影响的信息传播数据，植根于概率因果关系的理论。我们的方法包括两个阶段。在第一个，为了避免误解因果关系的陷阱时，数据跨越几个子类型的混合物（“辛普森悖论”），我们划分成组的传播轨迹集，在这样一种方式，每个组是尽可能少的矛盾，在信息传播的层次结构。为了实现这一目标，我们借用的概念“痛苦”，并定义的痛苦界划分问题，我们证明是困难的，我们开发了两个有效的算法与近似保证。在第二阶段，对于第一阶段的每个组，我们应用约束MLE方法来最终学习最小因果拓扑。在合成数据上的实验表明，该方法能够有效地提取出真实的因果弧。一个地面实况生成模型在真实数据上的实验表明，通过只关注提取的因果结构而不是整个社交图，预测影响力传播的有效性得到了显著提高。
2018-08-29 cs.LG cs.SI physics.soc-ph
Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects
在非网络环境中，当随机化治疗被认为不切实际或治疗依从性无法完全强制执行时，鼓励设计已被广泛用于分析治疗、政策或干预对关注结果的因果影响。不幸的是，这样的问题有关的治疗依从性得到较少的关注，在网络设置和网络中研究最充分的试验设计，两阶段随机化设计，需要完美的治疗依从性。本文提出了一种新的试验设计--同伴激励设计，用于研究在实施治疗随机化不可行的情况下网络处理效应。同伴激励设计的核心思想是个性化激励的思想，它允许在激励设计文献中识别熟悉的被估量。本文还定义了新的因果被估量，局部平均网络效应，可以确定在新的设计和分析的影响，不遵守行为的随机实验网络。
2016-09-14 stat.ME
Non-Parametric Causality Detection: An Application to Social Media and Financial Data
行为金融学认为，股票市场收益受到情绪、社会和心理因素的影响。最近的几项研究通过提供股票市场价格与使用社交媒体数据测量的集体情绪指数之间相关性的证据来支持这一理论。然而，纯粹的相关性分析不足以证明股市回报受到此类情绪因素的影响，因为股市价格和集体情绪都可能受到第三个不可测量因素的驱动。考虑到股票市场数据的复杂性，通过应用多元回归模型来控制可能影响研究的因素具有挑战性。关于模型线性或非线性的错误假设以及模型质量标准的不准确性可能导致误导性结论。在这项工作中，我们提出了一个新的框架因果推断，不需要任何假设的变量之间的统计关系的研究，可以有效地控制大量的因素。我们应用我们的方法来估计社交媒体上发布的信息可能对四家大公司的股市回报产生的因果影响。我们的研究结果表明，社交媒体数据不仅与股市回报相关，而且还会影响它们。
2017-06-11 stat.ME
Adaptive Weighted Random Isolation (AWRI): a simple design to estimate causal effects under network interference
本文提出加权随机隔离（WRI）设计及受限均值差估计器（RDIM），结合网络自适应权重选择算法减少偏差，在有向网络中估计总处理效应，广泛模拟中优于九种现有方法。
2024-08-28 stat.ME
Interference and Sensitivity Analysis
带有干扰的因果推断是一个快速发展的领域。文献已经开始放宽“无干扰”假设，即一个人接受的治疗不会影响其他人的结果。在本文中，我们简要回顾了文献中的因果推断的干扰时，治疗已被随机化。然后，我们考虑在存在干扰的情况下未识别因果效应的设置，因为单独的随机化不足以识别，或者因为治疗不是随机的，并且可能存在治疗-结局关系的不可测量的混杂因素。我们为这些设置开发了敏感性分析技术。我们描述了几种传染性效应的敏感性分析技术，在疫苗试验中，这些技术捕获了一个人的疫苗对保护第二个人免受感染的影响，即使第一个人被感染。我们还开发了两个敏感性分析技术的因果影响下的干扰存在不可测量的混淆，推广类似的技术时，干扰是不存在的。这两种技术的不可测量的混杂进行了比较和对比。
2015-03-05 stat.ME
Causal inference for ordinal outcomes
社会科学和健康科学以及计算社会科学的现代应用和社交媒体平台上的实验中的许多感兴趣的结果都是有序的，没有意义的规模。利用这种类型的数据（称为有序非数字）进行因果分析需要仔细处理，因为大多数经典的潜在结局文献都涉及相对大小定义明确的结局的估计和假设检验。在这里，我们提出了一类有限的人口因果估计，依赖于潜在的结果的条件分布，并提供了一个解释的因果效应时，没有规模的总结。我们制定了一个放松的费舍尔尖锐的原假设的常数效应，适应无标度性质的有序非数值数据。我们开发了一个贝叶斯过程来估计建议的因果被估量，利用秩似然。我们说明这些方法与应用程序的教育成果在综合社会调查。
2015-01-06 stat.ME
Modelling Network Interference with Multi-valued Treatments: the Causal Effect of Immigration Policy on Crime Rates
旨在评估干预措施效果的政策评价研究面临着一些统计挑战：在现实世界中，治疗方法并不是随机分配的，而且各单位之间的干扰可能会使分析更加复杂。研究人员已经开始开发新的方法，允许在观察性研究中管理溢出机制;最近的工作主要集中在二元治疗上。然而，许多政策评价研究涉及更复杂的干预措施。例如，在政治学中，评价行政实体执行的政策的影响往往意味着采用多元方法，因为针对某一具体问题的政策在许多不同层面上运作，可以从若干方面加以界定。在这项工作中，我们扩展了观察性研究中网络干扰下的因果推断的统计框架，允许多值个体处理和由加权网络形成的干扰结构。估计策略是基于一个联合的多个广义倾向得分，并允许一个估计的直接影响，控制个人和网络协变量。我们按照所提出的方法来分析国家移民政策对犯罪率的影响。我们定义了对移民的政治态度的多值表征，我们假设每个国家可以在多大程度上受到另一个国家的影响是由一个适当的指标，总结他们的文化和地理接近建模。结果表明，实施高度限制性的移民政策会导致犯罪率的增加，如果我们考虑到其他国家的干预，估计的影响更大。
2020-06-23 econ.EM stat.AP stat.ME
