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
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
Estimation of Causal Effects Under K-Nearest Neighbors Interference
本文针对社交网络实验中的处理干扰问题，提出K-最近邻干扰模型（KNNIM），推导了可识别各邻居间接效应的因果估计量，提出无偏估计器与保守方差估计，并通过模拟研究和中学冲突减少计划实验验证了方法的有效性。
2023-07-27 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
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
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
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
Inward and Outward Spillover Effects of One Unit's Treatment on Network Neighbors under Partial Interference
Yale School of Public Health, Yale University（耶鲁大学公共卫生学院，耶鲁大学）；Fox School of Business, Temple University（天普大学福克斯商学院）
本文在部分干扰下定义并区分网络邻居间的外向与内向溢出效应，给出二者等价或差异的条件，并比较其估计量的方差。
2026-09-09 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
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
Data-adaptive exposure thresholds for the Horvitz-Thompson estimator of the Average Treatment Effect in experiments with network interference
针对网络干扰实验中暴露映射阈值难以确定的问题，本文提出一种基于线性剂量-反应模型的数据自适应方法，通过最小化 Horvitz-Thompson 估计量的均方误差来选择最优 h 比例阈值，并在模拟和 Amazon 产品相似性图上验证了其优于非自适应选择且对模型偏差具有稳健性。
2025-02-04 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
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 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
Robust Inference for the Direct Average Treatment Effect with Treatment Assignment Interference
本文针对随机网络干扰下的因果推断，引入 Ising 模型刻画处理分配依赖，建立 Hájek 估计量的 Berry-Esseen 型及一致分布近似，并提出基于条件高斯化和重采样的稳健推断程序，通过 Monte Carlo 模拟验证其有效性。
2025-06-26 econ.EM stat.ME
Agnostic Characterization of Interference in Randomized Experiments
提出一种在仅依赖已知随机化设计下刻画随机实验中干扰的方法，通过下界估计受特定处理群体影响的单元数量，实证表明其区间估计宽度优于EATE，在干扰机制不明确时依然适用。
2025-10-31 stat.ME
Efficient nonparametric estimation with difference-in-differences in the presence of network dependence and interference
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出一种在存在网络依赖性和干扰情况下，利用差异-in-差异方法进行高效非参数估计的方法，通过条件平行趋势假设和适当网络依赖性条件，提出双稳健估计器，并应用于研究煤炭电厂采用排放控制技术对县心血管疾病死亡率的影响。
2026-05-09 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 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
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 under Network Interference Using a Mixture of Randomized Experiments
本文提出一种结合伯努利随机化和基于集群随机化的混合设计，用于估计网络干扰下的总处理效应，提供了无偏估计量并证明了其方差的理论上下界，同时针对未知干扰权重提出了权重不变设计。
2024-11-15 stat.ME
Causal Diagrams for Interference
术语“干扰”用于描述一个受试者的暴露可能影响另一个受试者结果的任何情况。我们使用因果图来区分三个因果机制，引起干扰。第一个因果机制，其中干预可以运作是一个人的治疗对另一个人的结果的直接因果关系的影响，我们称之为直接干预。当一个人的结果可能影响到与他接触的其他人的结果时，传染的干扰就存在了。然后，对第一个人进行治疗可能会通过被治疗者的结果对其他人产生间接影响。第三种干扰方式是分配干扰。在这种情况下，治疗将个人分配给群体;通过群体内的互动，个人可能以任何方式影响彼此的结果。在许多环境中，将同时存在一种以上类型的干扰。利益的因果效应根据存在的干扰类型而不同，因果效应可识别的条件也不同。使用因果图的干扰，我们描述了这些差异，给出了重要的因果效应的识别标准，并讨论了应用传染病。
2015-03-10 stat.ME
Models, Methods and Network Topology: Experimental Design for the Study of Interference
如何设计网络实验以实现高统计功效？网络上的实验性治疗可能会传播开来。将治疗随机分配给节点可以增强对社会网络实验的反事实因果效应的学习，也需要新的方法（例如，Aronow和Samii 2017 a; Bowers等人2013; Toulis和Kao 2013）。在本文中，我们表明，治疗传播的方式在社会网络影响的统计功效的实验设计。因此，有关治疗传播的先验信息应纳入试验设计。我们的研究结果证明，在单位被假定为独立的情况下，即使在简单的实验中，重新考虑标准的做法：当我们分配一半的单位治疗和一半的控制时，有关处理效应的信息并没有最大化。我们还提出了一个例子，其中统计功效取决于节点的网络度与治疗分配概率相关的程度。我们建议研究者在设计网络实验时仔细考虑潜在的治疗传播模型。
2018-03-30 stat.ME
Unbiased Treatment Effect Estimation under Network Interference via Neighborhood-Excluded Cross-Fitting
Tsinghua University（清华大学）；Duke University（杜克大学）
针对网络干扰下的处理效应估计，提出邻域排除交叉拟合方法，恢复有限样本无偏性，并给出渐近有效推断及最优调整程序，模拟和实例验证其精度优势。
2026-09-22 stat.ME
Optimal Experimental Design for Network Experiments under Interference
Texas Tech University（德克萨斯理工大学）
针对网络干扰下治疗分配优化问题，提出感知网络的治疗分配框架，开发高效局部搜索算法，经模拟及真实网络验证，该方法可优化实验设计并提升实际应用优势。
2026-08-27 stat.ME
New Estimands for Experiments with Strong Interference
针对社会现象实验中单元间干扰违反传统因果推断方法的问题，提出仅需处理随机化假设即可估计的二元结果新估计量，能给出受影响单元数下界，但因果含义弱于强假设下的结果。
2023-08-29 stat.ME
Instrumental variables, spatial confounding and interference
未观测的空间混杂变量在环境和生态应用中普遍存在，其中所研究的系统是复杂的，并且数据通常是观测的。工具变量（IV）是解决未观察到的混杂的常用方法;然而，使用IV对空间混杂的有效性在很大程度上是未知的。本文探讨了在这种情况下，静脉注射的有效性-特别注意的仪器的空间尺度。我们表明，在空间依赖性治疗的情况下，静脉注射是最有效的，当他们在一个更精细的空间分辨率比治疗。我们在广泛的模拟中研究了IV性能，并将该模型应用于1990-2010年美国空气污染和心血管死亡率长期趋势的示例中。最后，IV的方法也扩展到空间干扰设置，其中治疗可以影响附近的反应。
2021-02-27 stat.ME
Randomization inference with general interference and censoring
当一个人的治疗（或暴露）影响另一个人的结果时，个体之间就会发生干扰。以前的工作因果推断方法在干扰的存在下，集中在设置在先验假设有"部分干扰"，在这个意义上，个人可以被划分成组，其中有没有在不同的群体中的个人之间的干扰。Bowers，Fredrickson和Panagopoulos（2012）以及Bowers，Fredrickson和Aronow（2016）考虑了基于随机化的推理方法，这些方法允许在随机实验的背景下更一般的干扰结构。在本文中，Bowers等人的扩展。它允许故障时间的结果受到右删失。允许右删失结局具有挑战性，因为无处理效应的零假设的标准随机化检验假设个体是否删失不取决于治疗。Bowers等人提出的允许删失的扩展需要调整Wang，Lagakos和Gray（2010）的方法，以在存在不平等删失的情况下进行两个样本的生存比较。这些方法通过模拟研究进行了检查，并用于评估在孟加拉国Matlab对73，000名儿童和妇女进行的单独随机试验中霍乱疫苗接种的效果。
2019-07-19 stat.ME
Estimating Treatment Effects Under Heterogeneous Interference
Kyoto University（京都大学）
本文针对单元间存在多视图异质性干扰的个体处理效应估计问题，提出一种结合图神经网络、跨视图信息聚合与注意力机制的新方法，并在多个数据集上验证其显著优于现有方法。
2023-09-25 cs.LG stat.ME
Regression adjustments for estimating the global treatment effect in experiments with interference
在存在干扰的情况下，全局平均处理效应的标准估计值可能存在偏倚。本文提出了回归调整估计量，用于消除Bernoulli随机试验中的干扰偏倚。我们使用一个拟合模型来预测全球控制和全球治疗的反事实结果。我们的工作不同于标准回归调整，因为调整变量是从治疗分配向量的函数构建的，并且我们允许研究人员使用与响应相关的任何函数的集合，将检测干扰的问题转化为特征工程问题。我们在线性模型设置拟议的估计分布的特点，并连接到SUTVA下的回归调整的标准理论的结果。然后，我们提出了一个估计器，允许灵活的机器学习估计被用于拟合非线性干扰函数的形式。我们建议进行统计推断，通过引导和rescue的方法，这使我们能够回避复杂的依赖隐含的干扰，而是依赖于经验的协方差结构。这种方差估计依赖于一个外生性假设，类似于观察性研究中引用的标准无混淆假设。在模拟实验中，我们的方法是更好地在去偏估计比现有的逆倾向加权估计的基础上的邻域暴露模型。我们用我们的方法重新分析了一个实验，在中国农村的一组村庄进行的天气保险采用。
2019-03-05 cs.SI 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
Rerandomization under Interference
University of Chicago（芝加哥大学）
本文提出在干扰下利用再随机化设计，通过限制协变量不平衡来改进Hájek估计器对期望平均处理效应的估计，在温和条件下渐近提升精度，并开发了保守方差估计器，保持无损害性质且对干扰结构不可知。
2026-09-29 stat.ME
Estimating dynamic treatment regimes for ordinal outcomes with household interference: Application in household smoking cessation
本文提出加权比例优势模型（WPOM）及其动态扩展dWPOM，用于估计具有家庭干扰的序数结果动态治疗方案，并通过模拟和烟草研究数据验证，提供家庭戒烟的最优策略。
2023-12-21 stat.AP stat.ME
Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference
Duke University（杜克大学）
我们提出了一种匹配的方法，恢复直接处理效应从随机实验中的单位连接在一个观察到的网络，和单位，共享边缘可能会影响彼此的结果。传统的处理效应估计随机实验是有偏见的，在这种情况下容易出错。我们的方法匹配单位几乎完全在其邻域图内的唯一子图的计数。我们构建的匹配是可解释的和高质量的。我们的方法可以很容易地扩展到容纳额外的单位水平的协变量信息。我们的经验表明，我们的方法比其他现有的方法更好地解决这个问题，同时产生有意义的，可解释的结果。
2020-03-02 cs.LG 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
Optimized Covariance Design for AB Test on Social Network under Interference
本文研究社交网络干扰下的A/B测试问题，提出通过优化处理分配向量的协方差矩阵来平衡偏差和方差，并使用投影梯度下降算法最小化MSE上界，实验证明该方法在多种设置下优于现有方法。
2023-11-23 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
Regression Discontinuity Designs Under Interference
Yale University（耶鲁大学）；Tor Vergata University of Rome（罗马托尔维加塔大学）
该研究拓展了断点回归设计的连续性框架，提出多得分RDD方法与基于距离的非参数估计量以分析网络干扰下的因果效应，并通过PROGRESA数据验证了方法在估计现金转移支付入学效应的有效性。
2026-09-09 stat.ME
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
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
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
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
Assessing Time-Varying Causal Effect Moderation in the Presence of Cluster-Level Treatment Effect Heterogeneity
微随机试验（MRT）是一种顺序随机试验设计，以经验评估可能在数百或数千个决策点提供的移动健康（mHealth）干预组件的有效性。MRT已经激发了一类新的因果被估量，称为“因果偏移效应”，对于该因果被估量，可以通过加权的中心最小二乘准则进行半参数推断（Boruvka等人，2018年）。现有的方法假设主体之间的独立性和不干涉。与这些假设的偏差经常发生。在本文中，因果漂移效应下重新集群水平的处理效应异质性和干扰，感兴趣的处理效应可能取决于集群水平的主持人。所提出的方法的效用是通过分析来自多机构队列的第一年在美国的医疗居民的数据。
2021-12-10 stat.ME
Adjusting auxiliary variables under approximate neighborhood interference
针对网络干扰场景下传统因果推断假设失效的问题，本文提出ANI假设下网络实验回归调整通用框架，扩展传统方法并通过设计推断确保有效性，提升精度且无需正确结果模型。
2024-11-29 stat.ME
Spillover Effects in Experimental Data
我们目前的方法估计处理效应和溢出效应下的“干扰”，一个术语，它涵盖了广泛的一类情况下，一个单位的结果不仅取决于该单位收到的治疗，但也对其他单位收到的治疗。在某种程度上，单位相互反应，相互作用，或以其他方式传递治疗效果，有效的推理要求我们考虑到这种干扰，这是一个背离传统的假设，即单位的结果只受自己的治疗分配。干扰和相关的溢出效应可能是一种滋扰，也可能是研究人员的实质性兴趣。在本章中，我们将重点讨论随机实验背景下的干扰。我们审查的方法，当干扰发生在一般的网络设置。然后，我们考虑的特殊情况下，干扰包含在一个层次结构。最后，我们讨论了干扰和传染之间的关系。我们使用干扰R包和模拟数据来说明关键点。我们认为有效的设计，允许估计的治疗和溢出效应，并讨论最近的实证研究，试图捕捉这种影响。
2020-01-15 cs.SI stat.AP 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
Designing Multi-Arm Experiments for Global Average Treatment Effects Under Partial Interference
该研究针对部分干扰下的全局平均处理效应，提出通过Dirichlet-多项设计的两阶段随机化多臂实验，可平衡统计效率与偏差，降低全局效应估计的均方根误差，适用于大规模部署。
2026-08-28 stat.AP 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
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
Estimation of Monotone Treatment Effects in Network Experiments
在社交网络上进行的随机实验会带来统计学上的挑战，因为单元之间可能存在干扰。我们提出了新的方法来估计归因于处理效应在这样的设置。该方法不需要部分干扰，而是需要一个识别假设，这类似于需要非负处理效应。网络或空间信息可用于自定义检验统计量;原则上，这可以增加功效，而无需对数据生成过程进行假设。
2015-10-12 cs.SI 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
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
Experimentation on Endogenous Graphs
Central Applied Science, Meta（中央应用科学，Meta）
本文研究了内生图中的实验问题，提出了一种无偏且渐近正态的总治疗效应估计器，并通过模拟验证其优于现有方法。
2026-01-17 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
