Claiming causal inferences in network settings necessitates careful consideration of the often complex dependency between outcomes for actors. Of particular importance are treatment spillover or outcome interference effects. We consider causal inference when the actors are connected via an underlying network structure. Our key contribution is a model for causality when the underlying network is unobserved and the actor covariates evolve stochastically over time. We develop a joint model for the relational and covariate generating process that avoids restrictive separability assumptions and deterministic network assumptions that do not hold in the majority of social network settings of interest. Our framework utilizes the highly general class of Exponential-family Random Network models (ERNM) of which Markov Random Fields (MRF) and Exponential-family Random Graph models (ERGM) are special cases. We present potential outcome based inference within a Bayesian framework, and propose a simple modification to the exchange algorithm to allow for sampling from ERNM posteriors. We present results of a simulation study demonstrating the validity of the approach. Finally, we demonstrate the value of the framework in a case-study of smoking over time in the context of adolescent friendship networks.


翻译:在网络环境中提出因果关系推断,需要仔细考虑行为者在结果之间往往十分复杂的依赖性,尤其重要的是处理外溢效应或结果干扰效应。当行为者通过一个基本的网络结构连接时,我们考虑因果关系推断。我们的主要贡献是当基础网络不受观察,而行为者共同变异随着时间推移而演变时,因果关系模型。我们为关系和共变生成过程开发了一个联合模型,以避免限制性的分离假设和确定性网络假设,而这些假设在大多数感兴趣的社会网络环境中并不存在。我们的框架利用了高度一般的指数-家庭随机网络模型(ERM),其中Markov随机场和指数-家庭随机图模型(ERGM)是其中的特殊案例。我们介绍了基于巴伊斯框架的推断的潜在结果,并提出了对交换算法的简单修改,以便允许从ERM后方进行抽样。我们介绍了模拟研究结果,以证明方法的有效性。最后,我们在青少年友谊网络的案例研究中展示了框架的价值。

0
下载
关闭预览

相关内容

Networking:IFIP International Conferences on Networking。 Explanation:国际网络会议。 Publisher:IFIP。 SIT: http://dblp.uni-trier.de/db/conf/networking/index.html
因果推断,Causal Inference:The Mixtape
专知会员服务
103+阅读 · 2021年8月27日
专知会员服务
52+阅读 · 2020年11月3日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
和积网络综述论文,Sum-product networks: A survey,24页pdf
专知会员服务
23+阅读 · 2020年4月3日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
已删除
将门创投
7+阅读 · 2019年10月15日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Active Inference for Stochastic Control
Arxiv
0+阅读 · 2021年8月27日
Arxiv
10+阅读 · 2021年2月18日
Arxiv
14+阅读 · 2020年12月17日
Arxiv
17+阅读 · 2019年3月28日
Arxiv
23+阅读 · 2018年8月3日
VIP会员
Top
微信扫码咨询专知VIP会员