Graph Neural Network based Double Machine Learning Estimator of Network Causal Effects

我们的论文解决了社交网络数据中推断因果效应的挑战，这些数据具有个体之间的复杂相互依赖关系，导致单位的非独立性、干扰（其中一个单位的结果受到邻居的处理影响）以及来自邻居单位的额外混淆因素等挑战。我们提出了一种新颖的方法，将图神经网络和双重机器学习相结合，利用单个观测社交网络准确高效地估计直接和同伴效应。我们的方法利用同构图网络和双重机器学习，有效地调整网络混淆因素，并一致地估计所需的因果效应。我们证明了我们的估计器既是渐进正态的，也是半参数有效的。通过对三个半合成社交网络数据集使用四种最先进的基准方法进行全面评估，我们展示了我们的方法在精确因果效应估计方面的同等或更高效性。此外，我们通过一个案例研究展示了我们方法的实际应用，该研究调查了自助小组参与对金融风险承受能力的影响。结果表明，存在显著的正向直接效应，凸显了我们的方法在社交网络分析中的潜力。此外，我们还探讨了网络稀疏性对估计性能的影响。

论文旨在解决社交网络数据中推断因果效应的挑战，包括单位之间的非独立性，干扰和邻居单位引入的附加混淆因素等。

论文提出了一种新的方法，将图神经网络和双重机器学习相结合，使用单个观察到的社交网络准确高效地估计直接和同伴效应。

实验使用了三个半合成的社交网络数据集对四种最先进的基线方法进行了全面评估，并显示出了与这些方法相当或更好的精确因果效应估计效果。

最近的相关研究包括使用深度学习技术进行因果推断的方法，例如神经网络因果推断（NCI）和因果图神经网络（CGNN）。