非参数高效推断：在部分干扰下网络分位数因果效应
Nonparametric efficient inference for network quantile causal effects under partial interference
AI总结：
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。
摘要：
当一个人的治疗影响其他人的结果时，会出现干扰。通常，个体自然分为集群，干扰仅发生在同一集群内的个体之间，这种情况称为部分干扰。我们研究了在部分干扰下网络因果效应在结果分位数中的表现。我们开发了一种通用的非参数效率理论来估计这些网络分位数因果效应，从而得到一个非参数高效估计器。所提出的估计器是一致的，且具有参数收敛速率的渐近正态性，同时允许灵活、数据自适应地估计复杂的 nuisance 函数。我们利用一种三重交叉验证程序，避免直接估计条件结果分布。模拟显示所提出的估计器在有限样本性能上是足够的，并且我们将其应用于一个集群观察研究。
英文摘要：
Interference arises when the treatment assigned to one individual affects the outcomes of other individuals. Commonly, individuals are naturally grouped into clusters, and interference occurs only among individuals within the same cluster, a setting referred to as partial interference. We study network causal effects on outcome quantiles in the presence of partial interference. We develop a general nonparametric efficiency theory for estimating these network quantile causal effects, which leads to a nonparametrically efficient estimator. The proposed estimator is consistent and asymptotically normal with parametric convergence rates, while allowing for flexible, data-adaptive estimation of complex nuisance functions. We leverage a three-way cross-fitting procedure that avoids direct estimation of the conditional outcome distribution. Simulations demonstrate adequate finite-sample performance of the proposed estimators, and we apply the methods to a clustered observational study.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
