In randomized experiments, interactions between units might generate a treatment diffusion process. This is common when the treatment of interest is an actual object or product that can be shared among peers (e.g., flyers, booklets, videos). For instance, if the intervention of interest is an information campaign realized through the distribution of a video to targeted individuals, some of these treated individuals might share the video they received with their friends. Such a phenomenon is usually unobserved, causing a misallocation of individuals in the two treatment arms: some of the initially untreated units might have actually received the treatment by diffusion. Treatment misclassification can, in turn, introduce a bias in the estimation of the causal effect. Inspired by a recent field experiment on the effect of different types of school incentives aimed at encouraging students to attend cultural events, we present a novel approach to deal with a hidden diffusion process on observed or partially observed networks.Specifically, we develop a simulation-based sensitivity analysis that assesses the robustness of the estimates against the possible presence of a treatment diffusion. We simulate several diffusion scenarios within a plausible range of sensitivity parameters and we compare the treatment effect which is estimated in each scenario with the one that is obtained while ignoring the diffusion process. Results suggest that even a treatment diffusion parameter of small size may lead to a significant bias in the estimation of the treatment effect.


翻译:在随机实验中,单元之间的互动可能会产生一种治疗扩散过程。当兴趣处理是同龄人之间可以分享的实际客体或产品(例如传单、小册子、录像等)时,这是很常见的。例如,如果兴趣干预是通过向目标个人分发视频实现的宣传运动,其中一些受治疗的个人可以与朋友分享他们收到的视频。这种现象通常得不到观察,造成个人在两种治疗武器中的错位:有些最初未经处理的单元可能实际上已经通过传播得到治疗。治疗错误分类可能反过来在估计因果关系方面造成偏差。由于最近对旨在鼓励学生参加文化活动的不同类型学校奖励的影响进行的实地试验,我们提出了一个新办法,处理观察或部分观察的网络上隐藏的传播过程。我们进行基于模拟的敏感性分析,评估估计数的可靠性和可能存在的治疗扩散的可能性。我们模拟了几种可能的敏感参数范围内的传播假想。我们比较了治疗效果,我们根据最近进行的关于鼓励学生参加文化活动的不同类型学校奖励的影响的实地试验,我们提出了一个新办法,处理观察或部分观察过的网络上隐藏的传播过程。我们进行了一种基于模拟的敏感性分析,以评估估计数是否可靠,以可能存在某种治疗的传播情况。我们甚至可以比较了一种重要的传播结果。

0
下载
关闭预览

相关内容

CVPR 2021 | 时间序列疾病预测的因果隐马尔可夫模型
专知会员服务
62+阅读 · 2021年4月11日
专知会员服务
50+阅读 · 2020年12月14日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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
已删除
将门创投
3+阅读 · 2017年10月12日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
0+阅读 · 2021年11月5日
VIP会员
相关VIP内容
CVPR 2021 | 时间序列疾病预测的因果隐马尔可夫模型
专知会员服务
62+阅读 · 2021年4月11日
专知会员服务
50+阅读 · 2020年12月14日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19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
相关资讯
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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
已删除
将门创投
3+阅读 · 2017年10月12日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员