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。
Apr, 2014
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
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
本论文提出了一种新算法 ——Dual Weighting Regression (DWR),其通过学习注意力权重和样本权重来解决网络场景下的干扰异质性问题,同时实验表明该算法优于目前的其他算法。
Oct, 2022
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
我们研究在单个聚合单元上进行的回溯实验的设计和分析问题,推导出了误差估计依赖于交叉效应、周期性、序列相关的结果以及同步实验的影响等四个因素,并提出了三个新的设计见解,最后提出了一种基于经验贝叶斯的设计方法,并在实际数据的基础上进行了验证。
Jun, 2024
本文探讨了在混杂线性回归模型和多元治疗中从混合的观测和干预数据中估计因果效应,并展示了通过结合来自观测和干预设置的估计器可以提高统计效率。
Jun, 2023
观察性研究常常存在客观性问题,本文讨论了如何通过仔细设计的方案来近似随机化实验,以获得更准确的因果推断。涉及的问题包括关键协变量数据缺失、治疗和对照组关键协变量分布的重叠度分析等,同时提出了可能的解决方案并分析了潜在结果的定义和因果效应的关键问题。
Nov, 2008
研究了如何通过使用基线共变量数据和随机分配的治疗和结局数据,来辨别出所有适合个体的潜在(反事实)结局均值和平均治疗效应,并评估了它们的估计器在模拟研究中的有限样本表现,最后通过应用这些估计器对慢性冠状动脉疾病的研究结果进行了说明。
Sep, 2017
用整个块来进行估计,我们提出了一种替代性的估计器,令人惊讶的是,它在相同的假设下实际上实现了对原始独立于设计的全局平均治疗效应的估计率为 sqrt (log T/T) 的速度。
Dec, 2023