Apr, 2014

网络实验的设计与分析：降低干扰误差

PDF
TL;DR评估减少网络干扰的随机实验设计和分析方法，通过仿真实验证明这些方法能够在各种网络结构和社会行为中显著地减少偏差和误差，特别是对于网络中存在更多聚类的情况和数据生成过程中存在更强的治疗直接效应和单位之间更强的相互作用的情况。
network interferencerandomized experimentsbias reductiongraph cluster randomizationsocial behaviors
发现论文，激发创造
  • 级联式随机化在扩散干扰下推断因果效应

    通过利用干预结构减小干扰和限制级联增长，我们提出了基于级联的网络实验设计框架，用于估计网络数据中的因果效应。

    May, 2024

  • 网络实验设计中的干扰和选择偏差最小化

    提出了一种在网络中设计 A/B 测试的方法，通过最小化干扰和选择偏差，利用边传播概率和集群匹配等考虑因素，重新设计了基于集群随机化的方法，结果表明该方法能够显著降低因干扰而导致的因果效应估计误差。

    Apr, 2020

  • 图形群集随机化：网络暴露于多个宇宙

    该研究提出了一种利用图聚类进行平均处理效应分析的新方法，包括确定被称作网络曝光的个体的图论条件，并使用聚类随机化算法计算每个顶点在多种曝光情况下的概率，并使用 Horvitz-Thompson 估计量提供无偏的效应估计。同时，该研究还展示了正确聚类随机化可以大大降低在干扰下实验中平均处理效应的估计方差。

    May, 2013

  • 在干扰存在的情况下分析双阶段实验

    本文探讨了在干预效果评估实践中实用的两阶段实验分析方法，包括处理家庭大小变化问题、基于个人和家庭权重的无偏估计方法以及使用线性回归和随机化推断等方法，证明了这两种方法可以产生相同的点估计和方差估计，并提出了融合协变量以提高精度的选项。

    Aug, 2016

  • 具有部分网络信息的干扰下的 A/B 测试

    本研究提出了一种名为 UNITE 的新估计方法，可以在不知道具体底层网络的情况下，仅依赖于图中任意主体的邻居超集的信息，来识别全局平均治疗效应（GATE）。通过理论分析和大量实验证明，所提出的方法在比较中表现更好。

    Apr, 2024

  • 一种两部分的机器学习方法用于表征 A/B 测试中的网络干扰

    提出了一种基于机器学习的方法来识别和表征异质网络干扰，该方法通过引入因果网络模式和透明机器学习模型来建立反映潜在网络干扰模式的最适 exposure mapping，为管理网络干扰和提高 A/B 测试精确性提供了全面的自动化解决方案。

    Aug, 2023

  • 连续治疗干扰下网络上的因果推断

    本文提出了一种非实验设置下绘制因果关系的方法，并展示了一个广义倾向得分估计器，该估计器允许我们估计连续治疗的直接效应和溢出效应，并研究了溢出效应如何塑造农业市场政策干预的最优水平。结果表明，在这种情况下，忽略干扰可能会导致在评估政策有效性时出现向下偏差。

    Apr, 2020

  • 基于异质性同伴影响推断因果效应

    提出一种通过结构因果模型来解决网络中存在异质性干预的方法，使用图神经网络估算个体因果效应来较好地解决同质性影响的偏见问题。

    May, 2023

  • 网络因果效应的自动 G - 计算

    该论文提出了一种基于网络分析的新的统计方法，可以用于推断出现具有干扰和长程依赖的网络单元的平均因果效应，并通过自动 - g 计算算法进行推断。

    Sep, 2017

  • 基于目标学习的网络干扰下的双重稳健因果效应估计

    利用神经网络适应目标学习技术提出的一种新的网络干扰下的双重稳健因果效应估计器，通过将理论条件转化为有针对性的损失函数，保证了估计器的双重稳健性，并通过理论分析揭示了与单一干扰模型相比更快的收敛速度。通过对两个现实世界网络上的半合成数据进行广泛的实验，证明了我们提出的估计器的有效性。

    May, 2024