Random Graph Asymptotics for Treatment Effect Estimation under Network Interference
因果推理的网络干扰模型将所有实验单元放置在无向暴露图的顶点处，使得分配给一个单元的治疗可能影响另一个单元的结果，当且仅当这两个单元通过边缘连接时。这个模型最近得到普及的手段，将干扰效应纳入内曼-鲁宾潜在的结果框架，和几位作者已经考虑估计各种因果目标，包括直接和间接的治疗效果。在本文中，我们考虑大样本渐近网络干扰下的治疗效果估计的设置中的暴露图是一个随机绘制的graphon。当目标的直接影响，我们表明-在我们的设置-流行的估计是相当准确的比现有的结果表明，并提供了一个中心极限定理的时刻的graphon。同时，当针对间接效应时，我们利用生成假设在目前没有其他一致估计量的情况下提出一致估计量。我们还展示了我们的研究结果如何用于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，我们的研究结果突出了随机图渐近在理解网络干扰下因果推理的实用性和局限性方面的承诺。
2022-03-16 math.ST stat.TH
Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field Experiment on Student Financial Aid Renewal
Stanford University（斯坦福大学）；Innovations for Poverty Action（扶贫行动创新组织）
在超5万名学生助学金续期实验中，比较因果森林与预测性定向干预，提出结合两者优势的混合方法，发现针对中等基线结果定向干预最有效，仅干预半数学生即可获得全员干预约75%的收益。
2024-05-31 cs.LG econ.EM stat.ME
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
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
Comparing Targeting Strategies for Maximizing Social Welfare with Limited Resources
Carnegie Mellon University（卡内基梅隆大学）
该研究利用5项真实世界RCT数据实证比较不同靶向策略，发现高精度估计治疗效果时其靶向策略优于风险靶向，但现有数据多不足以准确估计异质性治疗效果，需改进数据与模型训练。
2025-03-19 cs.LG stat.ML
Estimation of Policy-Relevant Causal Effects in the Presence of Interference with an Application to the Philadelphia Beverage Tax
本文扩展双重差分方法以处理地区间干扰和混杂，提出双重稳健估计量，并应用于评估费城饮料税对本地及邻近县商店应税饮料销量的因果效应及其地理异质性。
2023-02-01 stat.ME
Fair Policy Learning under Bipartite Network Interference: Learning Fair and Cost-Effective Environmental Policies
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；UCLA Fielding School of Public Health（加州大学洛杉矶分校菲尔丁公共卫生学院）
本文提出在双网络干扰下公平政策学习方法，通过学习公平且成本有效的环境政策来减少死亡率。
2026-01-02 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
Evaluating Policy Effects under Network Interference without Network Information: A Transfer Learning Approach
Waseda University（早稻田大学）
本文提出一种迁移学习敏感性分析框架，在目标网络未知时，利用 Wasserstein 距离度量不确定性并构建 ATTE 界限，以评估网络干扰下的政策效应。
2025-10-16 econ.EM math.ST stat.ME
An introduction to flexible methods for policy evaluation
本章涵盖了评估治疗或干预措施对相关结果的因果影响的政策评估的不同方法。作为对因果推断的介绍，讨论从随机治疗的实验评价开始。然后回顾了基于可观察量选择的评价方法（假设在给定观察协变量的情况下进行准随机治疗）、工具变量（诱导治疗中的准随机变化）、差异中的差异和变化中的变化（利用随时间推移的结局变化）以及回归不连续性和扭结（使用运行变量的某个阈值下治疗分配的变化）。本章讨论了特别适用于具有许多观察结果的数据的方法，用于处理效应的灵活（即半参数或非参数）建模，和/或通过应用机器学习以数据驱动的方式选择和控制协变量的许多（即高维）观察协变量。这不仅可用于通过控制例如共同影响治疗和结局的因素来解决混杂问题，而且还可用于根据可观察协变量定义的亚组之间的学习效应异质性，并最佳地针对治疗最有效的那些组。
2019-10-01 econ.EM stat.ME stat.ML
Estimating Policy Effects in a Social Network with Independent Set Sampling
本文提出将独立集网络抽样与SAOM结合的策略，以隔离政策直接效应并估计净效应，模拟验证了其有效性。
2024-10-29 cs.SI stat.ME
Network Interference in Micro-Randomized Trials
微型随机试验（MRT）是一种试验设计，可用于开发最佳的移动卫生干预措施。在MRT中，通过智能手机向个人发送通知或消息形式的干预措施，目标是与健康相关的结果，如身体活动或体重管理。通常，移动医疗干预措施具有社交媒体的组成部分;因此，一个人的结果可能取决于其他人的治疗和结果。在本文中，我们研究了存在这种跨单位干扰的微观随机试验。我们用网络干扰模型对跨单元干扰进行建模;当且仅当一个人的结果可能影响另一个人的结果时，他们通过网络中的边缘连接。假设动态可以表示为一个马尔可夫决策过程，我们分析的结果在大样本渐近的行为，并表明，他们收敛到平均场极限时，样本量趋于无穷大。基于平均场结果，我们给出了各种因果被估量的表征结果和估计策略，包括二元干预的短期直接效应，长期直接效应和长期总效应。
2022-02-10 stat.ME
Fair Policy Targeting
在社会福利项目中，针对个人的干预措施的一个主要问题是歧视：个性化治疗可能会导致年龄、性别或种族等敏感属性的差异。本文讨论了公平和有效的待遇分配规则的设计问题。我们采用首先不伤害的非恶意观点：我们选择帕累托边界内最公平的分配。我们将优化转换为混合整数线性规划公式，可以使用现成的算法来解决。在一般公平性概念下，我们得到了关于估计的政策函数的不公平性和帕累托边界上的小样本保证的遗憾界。最后，我们说明了我们的方法，从教育经济学的应用。
2022-06-29 econ.EM 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
Weighted Sum-Rate Maximization With Causal Inference for Latent Interference Estimation
研究了潜在干扰源位于已知网络之外的加权和速率最大化（WSRM）问题，其功率分配策略是隐藏的，且不可控的。本文在因果推理框架下，将著名的交替优化算法加权最小均方误差（WMMSE）[1]推广到WSRM。具体而言，由于隐藏网络中的功率策略可能发生变化，仅基于观察到的干扰计算迭代方向本质上意味着在决策中忽略了反事实。使用一种称为合成控制（SC）的方法来估计反事实。对于已知网络中的任何链路，SC构造其他链路上的干扰的凸组合，并将其用作反事实的估计。功率迭代在建议的SC-WMMSE进行考虑到观察到的干扰和它的反事实。SC-WMMSE在优化阶段不需要比原始WMMSE更多的信息。据我们所知，这是第一篇论文探讨了潜在的SC在协助数学优化解决经典的无线优化问题。数值结果表明，SC-WMMSE算法在收敛性和客观性方面均优于原算法。
2023-01-24 cs.IT math.IT stat.ML
Heterogeneous Treatment and Spillover Effects under Clustered Network Interference
针对聚类网络中的邻域干扰问题，提出基于树算法与 Horvitz-Thompson 估计量的 NCT 方法，用于识别处理与溢出效应的异质性，并经模拟和农村保险实例验证。
2023-11-02 stat.ME
Affordable Uplift: Supervised Randomization in Controlled Experiments
Humboldt-Universität zu Berlin（柏林洪堡大学）
客户评分模型是可扩展直复营销的核心。可持续发展模型提供了一个用于业务决策的治疗增量效益的估计。隆升模型的训练和监测需要实验数据。然而，在随机治疗分配下收集数据是昂贵的，因为随机靶向偏离了既定的靶向政策。为了提高实验的成本效益，方便频繁的数据汇集和模型训练，我们引入了监督随机化。这是一种新的方法，将现有的评分模型整合到随机试验中，以针对相关客户，同时通过对主动样本选择的校正来确保治疗效果的一致估计。经验蒙特卡罗研究表明，监督随机化下的数据汇集具有成本效益，而下游隆起模型具有竞争力。
2019-10-01 cs.LG stat.AP stat.ML
Policy learning under constraint: Maximizing a primary outcome while controlling an adverse event
Inria PreMeDICaL, Inserm, University of Montpellier（法国国家信息与自动化研究所PreMeDICaL团队，法国国家健康与医学研究院，蒙彼利埃大学）；Elixir Health, Paris（Elixir Health公司）；Université Paris Cité, CNRS, MAP5（巴黎西岱大学，法国国家科学研究中心MAP5实验室）
PLUC在约束下学习政策，通过优化强凸Lagrange准则来控制不良事件概率，提升多结果场景下的政策学习效果。
2026-01-30 stat.ME
Leave No One Undermined: Policy Targeting with Regret Aversion
Brown University（布朗大学）；Columbia University（哥伦比亚大学）；Cornell University（康奈尔大学）
本文研究了在训练数据丰富但分配规则受限的情况下，如何通过减少遗憾不平等来制定个性化政策，提出了一种去偏经验风险最小化方法，并在特定情况下建立了新的上界和下界。
2026-04-06 econ.EM
Interference Produces False-Positive Pricing Experiments
本文研究在线零售定价实验中因顾客跨价格替代行为导致的干扰偏差，通过模拟和实验数据证明偏差可达100%，并提出观测性方法作为聚类方法的替代方案。
2024-02-22 econ.EM stat.AP
Policy Targeting with Market Equilibrium
School of Management and Economics, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）经管学院）
本文提出一个在市场均衡下进行个体化补贴分配的框架，证明福利函数超模性，实现多项式时间优化，并刻画普遍与定向补贴的最优条件及统计保证，以菲律宾数据验证。
2026-09-17 econ.EM
Policy-Oriented Binary Classification: Improving (KD-)CART Final Splits for Subpopulation Targeting
Ohio State University（俄亥俄州立大学）
针对潜在概率分类问题中经典CART及KD-CART并非最优的问题，提出MDFS等三种改进最终分裂的方法，在模拟和真实数据上均优于基线，可靶向更多弱势子群体。
2025-10-01 cs.LG econ.EM stat.ML
Robust Network Targeting with Multiple Nash Equilibria
针对多重均衡下的大规模互动决策博弈，提出一种稳健的治疗分配规则估计方法，利用最大最小准则和贪心算法，并给出福利遗憾界，应用于微型金融数据。
2024-11-10 econ.EM
Policy-relevant causal effect estimation using instrumental variables with interference
本文研究了存在个体互动干扰时的工具变量因果效应估计问题，提出一个框架定义并部分识别直接效应与溢出效应，通过推广单调处理响应和选择假设推导出政策相关效应的信息性边界，为存在干扰时的项目评估和处理规模扩展提供支持。
2025-09-16 econ.EM
Policy Learning with Rare Outcomes
该研究针对现实政策评估中策略学习算法表现信息不足的问题，通过合成数据对比多种算法的有限样本表现，发现基于CATE的策略树等方法更优，并将其应用于印尼婴儿死亡率相关的医保补贴分配案例。
2023-10-03 econ.EM
Individualized Policy Evaluation and Learning under Clustered Network Interference
Harvard University（哈佛大学）
针对忽略网络干扰导致策略评估有偏的问题，提出一种基于半参数加性结构模型的方法，用于聚类网络干扰下的个体化处理规则评估与学习，并开发了高效且双重稳健的估计器以提升学习策略性能。
2025-04-01 cs.LG econ.EM stat.ME
Markovian Interference in Experiments
Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）
我们考虑在动力系统中的实验，其中对一些实验单元的干预通过限制约束（例如有限的库存）影响其他单元。尽管超大的实际重要性，这个“马尔可夫”的干扰问题的最佳估计在很大程度上是启发式的性质，他们的偏见是没有得到很好的理解。我们正式的推理问题，在这样的实验作为一个政策评估。政策外估计，而无偏的，显然会招致一个很大的罚款相对于国家的最先进的统计学方差。我们介绍了一个政策上的估计：在Q的差异（DQ）估计。我们表明，DQ估计一般可以有指数较小的方差比政策评估。与此同时，它的偏见在干预的影响中是第二位的。这产生了一个惊人的偏差方差权衡，使DQ估计有效地占主导地位的国家的最先进的替代品。从理论的角度来看，我们介绍了三个独立的新技术是独立的兴趣在强化学习（RL）的理论。我们的实证评估包括一组城市规模的乘车模拟器上的实验。
2022-06-09 cs.LG econ.EM stat.ML
Causal Inference under Interference through Designed Markets
Chicago Booth School of Business, University of Chicago（芝加哥大学布斯商学院）
本文提出了一种通过设计市场来处理因果推断中干扰效应的方法，通过半参数高效估计器和考虑溢出效应的目标规则，实证研究表明信息对不平等的影响受到溢出效应的削弱。
2026-03-02 econ.EM
Efficient difference-in-differences estimation under partial interference with incremental propensity score policies
Hitotsubashi University（一桥大学）
研究在部分干扰下的有效双重差分估计，采用聚类增量倾向得分策略，定义并识别相关效应，推导影响函数构建估计量，经模拟验证有效性，应用于新农保发现家庭内养老金参与对居民劳动收入有负向溢出。
2026-09-07 econ.EM
Better Measurement or Larger Samples? Data Collection for Policy Learning with Unobserved Heterogeneity
University of Bologna（博洛尼亚大学）
本文研究了在存在未观测异质性时，政策学习中测量精度与样本量的权衡，提出最优数据收集方案并验证其在发展经济学中的应用效果。
2026-04-08 econ.EM
Sharp bounds for within-household encouragement designs with interference
Universidad ORT（ORT大学）；UC Santa Cruz（加州大学圣克鲁兹分校）；University of Bristol（布里斯托大学）；Emory University（埃默里大学）
本文针对家庭内干扰下的策略互动，提出基于潜在类型和 Nash 均衡的部分识别框架，并用 Python 优化给出直接效应与溢出效应的尖锐界。
2026-11-02 econ.EM
Incorporating Social Welfare in Program-Evaluation and Treatment Choice
关于治疗效果的计量经济学文献通常将结果分布的泛函视为“社会福利”，而忽略了方案对未观察到的效用的影响。我们展示了如何将总效用纳入计量经济学方案评估和异质性人群的最佳治疗靶向。在离散选择的实际重要设置中，在不受限制的偏好异质性和收入效应下，间接效用分布成为平均需求的封闭形式泛函。这使得能够根据规划者的再分配偏好对政策干预及其最佳目标进行非参数成本效益分析。对于有序/连续选择，效用分布可以有界。我们的方法与印度的调查数据说明私人学费，使用最大化补贴的收入路径显着不同的福利最大化的。
2022-11-18 econ.EM
Exposure effects are not automatically useful for policymaking
本文回应 Savje（2023）关于用误设定暴露效应避免干扰强假设的建议，指出缺乏强假设时暴露效应通常无法有效评估社会政策。
2024-01-15 econ.EM stat.ME
Poverty Targeting with Imperfect Information
Brown University（布朗大学）
本文研究发展中国家贫困瞄准问题，提出非参数经验贝叶斯方法以改进转移分配，通过减少瞄准误差提升减贫效果。
2026-09-24 econ.EM
Who Should Get Vaccinated? Individualized Allocation of Vaccines Over SIR Network
如何在异质个体之间分配疫苗是大流行时期的重要决策之一。本文开发了一个程序来评估有限供应下的个性化疫苗分配政策，利用社会网络数据包含个人的人口统计特征和健康状况。我们模型的疫苗的溢出效应的基础上异质互动SIR网络模型和估计个性化的疫苗分配政策，通过最大化估计的社会福利（公共卫生）标准，将溢出。虽然这个优化问题通常是一个NP-难整数优化问题，我们表明，SIR结构导致一个子模块化的目标函数，并提供了一个计算上有吸引力的贪婪算法近似的解决方案，具有理论性能保证。在此基础上，我们构造了一个有限样本的福利遗憾界，并考察了其一致收敛速度与社会网络的复杂性和风险性的关系。在模拟中，我们通过比较我们的方法与没有网络信息的目标来说明考虑溢出的重要性。
2021-07-19 econ.EM
Personalized Policy Learning through Discrete Experimentation: Theory and Empirical Evidence
Washington University in St. Louis（华盛顿大学圣路易斯分校）；Shanghai Jiao Tong University（上海交通大学）；University College London（伦敦大学学院）
本文提出DLPT框架，通过高维用户特征学习个性化连续政策，实证验证在优化内容创作激励水平上优于现有方法。
2026-02-04 econ.EM
