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
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
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
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
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
Evaluating Policy Effects under Network Interference without Network Information: A Transfer Learning Approach
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
Imputation-based randomization tests for randomized experiments with interference
针对存在干扰的随机化实验中经典Fisher随机化检验失效的问题，提出基于插补的随机化检验方法，通过多次插补未知干扰项并平均p值，有效控制第一类错误率并显著提升检验功效。
2024-11-13 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
Higher-Order Causal Message Passing for Experimentation with Complex Interference
Stanford Graduate School of Business（斯坦福大学商学院）；Emory University（埃默里大学）
针对未知复杂干扰下处理效应估计偏差问题，提出基于因果消息传递的估计器，通过构建非线性特征并学习映射函数来估计随时间变化的总处理效应动态。
2025-02-03 cs.LG econ.EM stat.ML
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
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
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
Estimating Total Treatment Effect in Randomized Experiments with Unknown Network Structure
随机实验被广泛用于估计许多科学领域中拟议治疗的因果影响，从医学和医疗保健到物理和生物科学，从社会科学到工程，到公共政策和整个技术行业。在这里，我们考虑的情况是，由于混杂网络效应，估计目标人群总处理效应的经典方法存在相当大的偏倚，即，对一个人的治疗可能会影响其邻居的结果，这一问题被称为网络干扰或非个性化治疗反应。在这些情况下的一个关键挑战是，网络通常是未知的，并且难以测量或测量成本高昂。在本文中，我们的特点的局限性，估计总处理效应的网络驱动干扰的知识，假设一个潜在的结果模型与异质性加性网络效应。该模型涵盖了广泛的网络干扰源，包括溢出，同伴效应和传染。在这个框架内，我们表明，令人惊讶的是，在实验前获得平均历史基线测量，我们可以开发一个简单的估计和有效的随机设计，输出低方差的无偏估计。我们的解决方案不需要了解底层网络结构，并且为广泛的模型类别提供统计保证。我们相信，我们的研究结果有望影响当前的随机实验策略，因为它易于解释和实施，以及在异构网络效应下可证明的理论见解。
2022-09-24 cs.SI stat.ME
Low-rank Covariate Balancing Estimators under Interference
Harvard University（哈佛大学）；University of Florida（佛罗里达大学）
本文提出了一种低秩结构框架，用于构建稳健的因果效应估计器，解决了观测研究中单位间干扰的双重挑战，包括处理依赖性和处理分配复杂性。
2026-06-28 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
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
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
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
Learning about Treatment Effects in Panels under Unknown Interference
Boston College（波士顿学院）
本文针对未知干扰下的面板数据，提出结合凸捐赠者权重有效性边界与定制限制的方法识别处理效应，经自助法校准检验，应用于亚利桑那州工人法时未明确处理效应符号。
2026-08-14 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
