Interference occurs when the potential outcomes of a unit depend on the treatments assigned to other units. That is frequently the case in many domains, such as in the social sciences and infectious disease epidemiology. Often, the interference structure is represented by a network, which is typically assumed to be given and accurate. However, correctly specifying the network can be challenging, as edges can be censored, the structure can change over time, and contamination between clusters may exist. Building on the exposure mapping framework, we derive the bias arising from estimating causal effects under a misspecified interference structure. To address this problem, we propose a novel estimator that uses multiple networks simultaneously and is unbiased if one of the networks correctly represents the interference structure, thus providing robustness to the network specification. Additionally, we propose a sensitivity analysis that quantifies the impact of a postulated misspecification mechanism on the causal estimates. Through simulation studies, we illustrate the bias from assuming an incorrect network and show the bias-variance tradeoff of our proposed network-misspecification-robust estimator. We demonstrate the utility of our methods in two real examples.


翻译:当一个单位的潜在结果取决于分配给其他单位的治疗方法时,就会发生干扰。这往往是许多领域,例如社会科学和传染病流行病学领域经常出现的情况。干预结构通常由网络代表,通常假定网络是给人和准确的。然而,正确指定网络可能是具有挑战性的,因为边缘可以审查,结构会随着时间的推移而变化,而且集群之间的污染可能存在。根据暴露绘图框架,我们从估计错误的干扰结构下的因果关系中得出偏差。为了解决这个问题,我们建议建立一个新的估计器,如果一个网络正确代表了干扰结构,那么同时使用多个网络,而且这种估计器是不偏不倚的。此外,我们提出敏感度分析,以量度测定一个假定的错误区分机制对因果关系估计的影响。我们通过模拟研究,说明假设错误的网络的偏差,并表明我们提议的网络偏差-紫外线估测仪的偏差。我们用两个真实的例子展示了我们方法的效用。

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
不可错过!700+ppt《因果推理》课程!杜克大学Fan Li教程
专知会员服务
69+阅读 · 2022年7月11日
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12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
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
14+阅读 · 2022年10月15日
Arxiv
10+阅读 · 2021年11月3日
Arxiv
14+阅读 · 2020年12月17日
Arxiv
13+阅读 · 2019年11月14日
Arxiv
19+阅读 · 2018年10月25日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12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
相关论文
Arxiv
14+阅读 · 2022年10月15日
Arxiv
10+阅读 · 2021年11月3日
Arxiv
14+阅读 · 2020年12月17日
Arxiv
13+阅读 · 2019年11月14日
Arxiv
19+阅读 · 2018年10月25日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员