Estimating Treatment and Spillover Effects with the Ego-Cluster Experimental Design
Goizueta Business School, Emory University（埃默里大学高伊塔商学院）；Department of Statistics, George Washington University（乔治华盛顿大学统计系）
本文提出基于 ego-聚类的实验设计，用于估计全局治疗效应和溢出效应，通过模型框架和 ego-聚类随机化，建立一致性和渐近正态性的估计器，并通过模拟和实证应用展示其高效性。
2026-05-01 stat.ME
Network Structural Equation Models for Causal Mediation and Spillover Effects
University of Michigan（密歇根大学）
本文提出了一种基于网络结构方程模型的方法，用于分析因果中介和溢出效应，通过理论框架和实证研究验证了其在复杂网络数据中的有效性。
2026-02-28 stat.ME
Difference-in-Differences Under Network Interference
本文提出网络双重差分设计下DATT与SATT的双重稳健估计量，利用条件平行趋势、GNN干扰估计和渐近理论处理溢出与网络混杂，并通过模拟及口罩令实证验证其性能。
2025-09-29 stat.ME
Design of egocentric network-based studies to estimate causal effects under interference
Yale University（耶鲁大学）；University of Rhode Island（罗德岛大学）
本文提出了一种基于自中心网络的随机化设计方法，用于估计公共卫生干预措施在存在波及效应时的个体、波及和总体因果效应。
2023-08-01 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
Estimating Causal Effects Under Interference Using Bayesian Generalized Propensity Scores
在大多数现实世界的系统中，单元是相互连接的，可以表示为由节点和边组成的网络。例如，在社会系统中，个人可以有社会联系、家庭或财务关系。在某些装置受到某种处理而其影响溢出到相连装置的情况下，估计处理的直接影响和溢出效应提出了若干挑战。首先，需要对溢出效应沿观测网络发生的方式和程度进行假设。其次，在观察性研究中，治疗分配不受研究者控制，混杂和同质性是识别和估计网络因果效应的潜在威胁。在这里，我们做了两个结构性假设：i）邻域干扰，假设干扰只通过近邻处理的函数起作用; ii）个体和邻域处理的无混淆性，排除了不可测量的混淆变量的存在，包括那些驱动同质性的变量。在这些假设下，我们开发了一个新的协变量调整估计的治疗和溢出效应的观察性研究网络。估计基于广义倾向得分，该分数在不同水平的个体治疗和暴露于邻居治疗的情况下平衡了各个单位的个体和邻居协变量。使用惩罚样条回归对倾向得分进行调整。推断利用了三步贝叶斯过程，该过程允许考虑倾向得分估计中的不确定性并避免模型反馈。最后，相互作用的单位的相关性考虑到使用社区检测算法，并将随机效应的结果模型。
2018-07-29 stat.ME
Causal Inference under Interference with Learned Exposure Mappings
Yale University（耶鲁大学）；Yale School of Public Health（耶鲁公共卫生学院）
该研究针对环境场景中需从污染数据学习暴露映射的因果推断问题，对比PDE、PINO等传输模型，发现预测精度相近的模型溢出估计差异大，仅预测一致无法保证可靠因果推断。
2026-08-21 cs.AI cs.CY cs.LG
Direct and spillover effects of a new tramway line on the commercial vitality of peripheral streets. A synthetic-control approach
本文基于合成控制方法，在潜在结果框架下研究佛罗伦萨轻轨线路对所在街道零售密度的直接效应及对周边街道的溢出效应，并正式定义了部分干扰假设下的相关因果效应。
2023-11-27 econ.EM stat.AP stat.ME
Causal mediation in cluster-randomized trials with multiple mediators: spillover-aware decomposition, identification, and semiparametric efficient inference
Yale School of Public Health（耶鲁大学公共卫生学院）
本文提出了一种统一框架，用于研究集群随机试验中多重中介的因果机制，引入了可解释的因果假设，并通过模拟研究评估了所提估计量的有限样本性能。
2026-04-12 stat.ME
Using Exposure Mappings as Side Information in Experiments with Interference
暴露映射被广泛用于在存在干扰的情况下对潜在结果进行建模，其中每个单元的结果可能不仅取决于其自身的治疗，而且还取决于其他单元的治疗。然而，在实践中，这些模型可能只是社会动态的粗略代理。在这项工作中，我们给出了估计和估计是强大的暴露模型的误指定。在第一部分中，我们要求处理效应在直接效应和溢出效应中均为非负（或“单调”）。在第二部分中，我们考虑了一个较弱的估计（“对比归因于治疗”），使没有任何限制的干扰。
2018-06-28 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
Inference in Spatial Experiments with Interference using the SpatialEffect Package
本文介绍了分析空间实验时，复杂的溢出，位移效应，和其他类型的“干扰”的方法。我们提出了一个强大的，基于设计的方法来分析在这种情况下的效果。基于设计的方法推导出因果效应估计量的推理性质，从已知的试验设计的功能，在类似于抽样调查中的推理方式。这里提出的方法针对称为"平均边缘化响应"的感兴趣的量，其等于在给定距离外的干预节点处激活治疗的平均效果，平均来自其他干预节点的环境效果。我们提供了一个基于R的SpatialEffect包的分步教程。我们将这些方法应用于乌干达社区森林保护支付的随机实验，展示了我们的方法如何揭示更传统的分析无法检测到的可能的实质性空间溢出。
2023-03-06 stat.AP stat.ME
Finite-Sample Valid Randomization Tests for Monotone Spillover Effects
本文提出网络干扰下溢出效应单调性的有限样本有效随机化检验方法，通过划分网络并检验单调对比假设，并在哥伦比亚警务实验中揭示犯罪转移的单调模式。
2025-02-27 stat.AP stat.ME
Estimating Total Effects in Bipartite Experiments with Spillovers and Partial Eligibility
针对存在溢出干扰、仅部分处理侧单元有分配资格的二分实验场景，本文定义对应全量部署的两类总效应估计量，提出结合暴露映射、广义倾向得分与机器学习的干扰感知集成估计方法，通过仿真与田野实验验证了方法的偏差校正效果。
2025-11-14 cs.LG stat.ME stat.ML
Policy design in experiments with unknown interference
Harvard University（哈佛大学）；Oregon State University（俄勒冈州立大学）；Stanford University（斯坦福大学）；University of Chicago（芝加哥大学）
本文研究了存在外溢效应的政策估计与推断实验设计。通过在集群对间变化随机化来估计治疗概率变化的边际效应，提出政策最优性检验，并设计多波实验估计福利最大化治疗规则。
2026-10-08 cs.LG econ.EM stat.ME
Experimental Design under Network Interference
Harvard University（哈佛大学）
本文研究了在存在溢出效应时如何设计双阶段实验以精确推断处理效应。通过单网络连接单元、个体间局部依赖及一般类别的估计量，提出统计框架优化参与者和处理分配以最小化估计量方差，并提供推断和方差的保证。
2026-06-18 econ.EM stat.ME
Multiple conditional randomization tests for lagged and spillover treatment effects
本文提出使用单一数据集构建多个独立条件随机化检验的序贯方法，可单独解释p值或用标准多重检验组合，并应用于证据因子、滞后效应和溢出效应分析。
2024-10-11 math.ST stat.ME stat.TH
Joint mixed-effects models for causal inference in clustered network-based observational studies
针对网络干扰下聚类层面未测量混杂导致因果推断有偏的问题，提出结合联合混合效应模型与直接标准化的贝叶斯方法，模拟验证其无偏性，并用于分析母亲大学教育对青少年学业的影响。
2024-04-11 stat.ME
Causal Mediation Analysis for Network Data with Graph Neural Network
Fudan University（复旦大学）
针对网络人群因果中介分析的无干扰假设缺陷，开发含处理与中介溢出效应的非参数框架，用图神经网络学习扰动函数，经模拟和中国农村农业保险实验验证了方法有效性。
2026-08-14 stat.ME
Estimation and inference for causal spillover effects in egocentric-network randomized trials in the presence of network membership misclassification
针对自我中心网络随机试验中网络成员误分类导致平均溢出效应估计有偏的问题，结合测量误差与因果推断方法提出偏差校正方案，经模拟和HPTN 037研究验证有效。
2023-10-03 stat.AP stat.ME
Causal Inference Under Network Interference
The Pennsylvania State University（宾夕法尼亚州立大学）
该论文综述多领域干扰下因果推断的最新进展，涵盖干扰检测、因果效应识别与估计等，经模拟发现干扰图变异性高时条件化会限制因果结论，还总结了开放问题。
2026-10-23 stat.ME
Causal Network Motifs: Identifying Heterogeneous Spillover Effects in A/B Tests
随机试验，或“A/B”测试，仍然是评估政策干预或产品变化的因果效应的黄金标准。然而，实验设置，如社交网络，其中用户相互作用和相互影响，可能会违反传统的假设没有干扰的可信的因果推理。网络设置的现有解决方案包括考虑用户网络中被处理的邻居的分数或计数，然而大多数当前方法除了简单地计算邻居的数量之外不考虑本地网络结构。我们的研究提供了一种方法，该方法通过图案以及邻居的治疗分配条件来解释用户社交网络中的局部结构。我们提出了一个两部分的方法。我们首先引入并采用“因果网络图案”，这是网络图案的特点，在本地自我网络的分配条件，然后我们提出了一个基于树的算法，用于识别不同的网络干扰条件，并估计其平均潜在的结果。我们的方法可以解释社会网络理论，如结构多样性和回声室，也可以帮助指定适合每个实验的网络干扰条件。我们在一个合成网络设置和一个大规模网络的真实实验上测试了我们的方法，这突出了考虑局部结构如何更好地考虑网络中的不同干扰模式。
2021-02-15 cs.SI stat.AP
When Treatments Spill Over: A Neural Framework for Spatiotemporal Causal Effect Estimation
University of Pennsylvania（宾夕法尼亚大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
该研究针对干预措施时空溢出问题，提出神经时空溢出框架，结合LSTM编码器与自归一化核逆概率加权估计器，经模拟和县级COVID-19政策研究验证，可有效评估网络化政策系统的单元层面因果效应。
2026-10-15 stat.ME
Randomization tests for model specification in causal inference under network interference
Indian School of Business（印度商学院）
针对网络干扰下因果推断中暴露映射模型设定偏差问题，提出基于设计的模型设定框架及随机化检验程序，经理论验证与模拟、实地实验证实其有效性与良好功效。
2026-08-26 econ.EM 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
Policy Targeting under Network Interference
本文针对网络溢出下的处理配置，提出基于半参数福利估计与混合整数线性规划的靶向方法，并给出遗憾保证，无需目标网络信息或正确结构模型。
2024-04-06 cs.SI econ.EM stat.ME
Randomization Test for the Specification of Interference Structure
Waseda University（早稻田大学）；Kyoto University（京都大学）
本文提出一种新的随机化检验方法，用于检验因果推断中的溢出效应规范性，适用于任何零暴露规范，并通过两个社会网络实验进行实证检验。
2023-12-25 econ.EM stat.ME
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
Learning Individual Treatment Effects under Heterogeneous Interference in Networks
Zhejiang University（浙江大学）；University of Waterloo（滑铁卢大学）；Emory University（埃默里大学）；Alibaba Group（阿里巴巴集团）
针对网络化观测数据中的异质性干扰与混杂偏差，提出 DWR 算法联合学习注意力权重和样本权重，并以双层优化估计直接与溢出个体处理效应。
2024-01-25 cs.AI cs.LG cs.SI
Higher-order Spillover Effects Under Partial Interference
Yale University（耶鲁大学）
研究网络中单元交互时的溢出效应，针对现有邻域干扰假设过严问题，基于广义干扰假设定义新因果估计量，推导错误假设偏差，开发新估计器并经模拟和实际试验验证其性能。
2026-07-15 stat.ME
Big Wins, Small Net Gains: Direct and Spillover Effects of First Industry Entries in Puerto Rico
研究探讨了波多黎各首次产业进入对本地及周边劳动力市场的直接影响和外溢效应，发现本地收益显著但区域净效应较小，强调空间外溢在评估地方政策时的重要性。
2026-09-30 econ.EM econ.GN q-fin.EC
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
Low-order outcomes and clustered designs: combining design and analysis for causal inference under network interference
Cornell University（康奈尔大学）；Meta；Yale University（耶鲁大学）
本文提出了一种结合设计与分析的方法，用于在存在网络干扰的情况下进行因果推断，通过低阶结果模型和聚类设计的结合，提高了方差减少的效率。
2026-10-20 math.ST stat.ME stat.TH
A spatial interference approach to account for mobility in air pollution studies with multivariate continuous treatments
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Dana-Farber Cancer Institute（达纳-法伯癌症研究所）；University of Florida（佛罗里达大学）
研究多变量空气污染暴露对公共健康因果效应时考虑流动性问题，结合手机移动数据，将其视为干扰问题，提出估计量和估计策略，用该方法研究美国医疗保险参保者中空气污染对死亡率的健康影响。
2026-07-23 stat.ME
Estimating intervention effects on infectious disease control: the effect of community mobility reduction on Coronavirus spread
了解干预措施的影响，例如对社区和大型团体集会的限制，对于控制COVID-19的传播至关重要。传统上，易感-感染-传染（SIR）模型用于预测感染率，但不能提供对干预措施因果效应的见解。我们提出了一个时空模型，估计社区流动性（干预）的变化对感染率的因果影响。使用近似的SIR模型，并纳入时空依赖性，该模型估计直接和间接（溢出）的干预效果。在干扰和治疗可行性假设下，该模型能够估计因果干预效应，并允许位置之间的空间干扰。社区流动性的减少是通过手机移动数据来衡量的。结果表明，在干预后4至7周，流动性的减少减少了冠状病毒病例。
2021-03-09 stat.ME
Difference-in-Differences in the Presence of Unknown Interference
European University Institute（欧洲大学研究所）；University of Florence（佛罗伦萨大学）
本文研究了在存在未知干扰的情况下，差分法估计量如何识别因果效应对比，并探讨了不同假设集对特定因果效应的影响。
2026-07-22 econ.EM stat.ME
Assessing Outcome-to-Outcome Interference in Sibling Fixed Effects Models
同胞固定效应（FE）模型可用于估计因果处理效应，同时抵消未观察到的同胞不变混杂。然而，如果一个人的结果影响到他们兄弟姐妹的结果，治疗估计是有偏见的。我们提出了一个鲁棒性检验，用于评估线性两兄弟FE模型中结果间干扰的存在。我们回归一个增益分数-兄弟姐妹的连续结果之间的差异-对兄弟姐妹的治疗和治疗前观察到的FE。在某些限制条件下，观察到的FE的偏回归系数表明存在结果间干扰。蒙特卡罗模拟证明了几种模型下的稳健性测试。我们发现，如果观察到的FE与治疗和结果的兄弟不变混杂因素直接相关，与兄弟姐妹的治疗直接相关，或与兄弟姐妹的结果直接且同等相关，则表示结果到结果的溢出。然而，稳健性检验崩溃，如果所观察到的FE是直接的，但差异与兄弟姐妹的结果，或者如果结果影响兄弟姐妹的治疗。
2021-11-07 econ.EM 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
Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning
Department of Statistics（统计学系）
本文提出一种两阶段正交学习框架，用于估计网络上的异质直接和溢出效应。通过图神经网络估计噪声成分，再利用可解释的注意力模型估计因果效应，支持可解释的下游分析。
2026-05-10 cs.LG stat.ML
Estimating Causal Effects of HIV Prevention Interventions with Interference in Network-based Studies among People Who Inject Drugs
在基于网络的难以接触人群研究中，评估干扰存在下的因果效应具有挑战性。与许多这类人群一样，注射毒品者也融入了社交网络，并经常对网络中的其他人施加影响。在我们的环境中，研究设计是观察性的，采用非随机的基于网络的HIV预防干预。每个参与者及其通过注射和性行为可能带来艾滋病毒风险的联系的信息都是可用的。我们考虑了两个逆概率加权（IPW）估计，以量化非随机干预对随后的健康结果的人群水平的影响。我们证明了这两个IPW估计是一致的，渐近正态的，并推导出一个封闭形式的估计的渐近方差，同时允许重叠的干扰集（群体的个人，其中干扰被认为是可能的）。进行了模拟研究，以评估有限样本的估计性能。我们分析了输电减少干预项目的数据，该项目确定了2013年至2015年希腊雅典的PWID网络及其联系人。我们在这个观察到的网络中评估了社区警报对艾滋病毒风险行为的影响，其中参与者之间的联系被定义为使用物质或一起进行无保护的性行为。在这项研究中，社区警报被分发，以告知人们最近在观察到的网络中密切接近的个人中感染艾滋病毒。使用任一IPW估计的溢出风险差异的估计表现出保护作用。结果表明，当在网络中检测到艾滋病毒风险增加时，可以通过暴露于社区警报来减轻艾滋病毒风险行为。
2022-11-14 stat.ME
On Evolution-Based Models for Experimentation Under Interference
Graduate School of Business, Stanford University（斯坦福大学商学院）
本文提出基于演化的因果模型，通过分析结果在观察轮次中的变化来估计因果效应，克服了网络信息缺失的限制。
2025-11-26 cs.LG cs.SI econ.EM
Degree of Interference: A General Framework For Causal Inference Under Interference
提出基于“干扰程度”潜在变量的通用框架，结合分块吉布斯采样和贝叶斯非参数方法，在无需强结构假设下实现干扰场景的因果推断。
2025-06-23 stat.AP stat.ME
Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework
Munich Center for Machine Learning（慕尼黑机器学习中心）；Cornell University（康奈尔大学）
本文提出了一种部分识别框架，用于在暴露映射误设定情况下评估网络中治疗效应的稳健性，通过推导直接和溢出效应的界限并开发正交估计器，提高了因果推断的可靠性。
2026-02-03 cs.LG stat.ME
Multiple Randomization Designs: Estimation and Inference with Interference
本文提出多重随机化设计以应对战略互动中的复杂溢出效应，推导了主效应、直接效应和溢出效应的估计量及其有限样本性质。
2025-12-02 stat.ME
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
Average treatment effects in the presence of unknown interference
本文研究了随机试验中未知干扰下处理效应估计量的大样本性质。推断目标是平均治疗效果估计量的泛化，其边缘化了潜在的溢出效应。我们发现，估计通常用于估计治疗效果下无干扰是一致的广义估计几个常见的试验设计有限，但其他任意和未知的干扰。收敛速率取决于干扰量增长的速率及其与治疗分配相关性的一致程度。重要的从业者，结果意味着，如果一个错误的假设，单位不干扰设置有限，甚至中度，干扰，标准估计仍然可能接近平均治疗效果，如果样本足够大。然而，传统的置信度声明可能并不准确。
2019-10-23 math.ST stat.TH
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
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
COSTA: Covariance-Optimized Design and Causal Inference under Network-Temporal Interference
Tsinghua University（清华大学）；ByteDance（字节跳动）
本文提出 COSTA 联合伯努利设计，通过阈值化高斯克罗内克参数化优化网络-时间干扰下的协方差，结合图-ψ中心极限等理论，在 RetailRocket 等数据集实验中显著降低 RMSE，实现可靠因果推断。
2026-09-03 stat.ME
Causal Inference in Longitudinal Data under Unknown Interference
本文针对纵向研究中未知且复杂的干扰结构，提出基于修正边际结构模型和逆概率加权的因果推断框架，用于识别和估计治疗历史的直接效应与溢出效应，并给出渐近性质与置信区间构造方法。
2025-08-25 math.ST stat.AP 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
Modeling Interference Via Symmetric Treatment Decomposition
本文提出一种将溢出效应分解为单元特定组件的新方法，扩展了基于DAG的处理分解至允许网络中变量对称关系的因果模型，提供了识别理论、统计推断方法及实证验证。
2024-09-27 stat.ME
Design-Based Weighted Regression Estimators for Average and Conditional Spillover Effects
本文提出基于设计的加权回归估计量，用于估计平均和条件溢出效应，通过三种非参数估计方法，统一处理单位间溢出效应的加权平均。
2025-12-13 stat.ME
Scalable Network-Aware Experiment Design for Two-Sided Marketplaces
LinkedIn Corporation（领英公司）
针对双边市场中的处理干扰问题，提出EgoCluster V3和MultiEgoCluster聚类算法，分别减少3倍和额外56%的溢出效应，并提高统计功效，已在LinkedIn部署。
2026-06-26 stat.AP
