Working Papers

Seria wydawnicza WNE WORKING PAPERS prowadzona jest przez WNE UW od 2008 r. i jak dotąd opublikowano w niej ponad 400 prac.

Seria WNE Working Papers służy szybkiemu upowszechnianiu wyników badań prowadzonych na Wydziale Nauk Ekonomicznych UW. Publikowane tu teksty mają charakter wersji roboczych (pre-printów): mogą być uzupełniane lub poprawiane w miarę postępu prac nad tekstem i procesu wydawniczego. Prezentujemy aktualną wersję udostępnioną przez autorów, opatrzoną datą oraz identyfikatorami DOI/ISSN – co ułatwia jej cytowanie i śledzenie kolejnych iteracji. Każdy dokument zachowuje pełne prawa autorskie swoich twórców, a w przypadku późniejszych zmian, autorzy mogą w dowolnym momencie zamieścić zaktualizowany plik lub wskazać miejsce ostatecznego wydania.

Do serii WORKING PAPERS przyjmowane są artykuły pracowników naukowych WNE UW oraz publikacje z konferencji organizowanych na WNE UW. Artykuły powinny dotyczyć ekonomii, mieć charakter oryginalnych prac badawczych, nie być wcześniej publikowane. Przyjmowane są wyłącznie teksty w języku angielskim.

Prace prosimy przesyłać e-mailem na adres: Z@/Hi~3KdE4?n=Y2o$`P7VWG9qw]#[R+|0Smu8F2t.bUQ{U/VHD889Fbd

Prosimy przesyłać dwa pliki:

(1) główny tekst bez podania tytułu artykułu oraz autorów (plik DOC/DOCX) oraz

(2) stronę tytułową zawierającą: tytuł opracowania, autorów oraz ich afiliację (plik DOC/DOCX). 

Przed przesłaniem tekstu prosimy zapoznać się z szczegółowymi wymogami edycyjnymi.

Redaktorem wydawniczym serii Working Papers jest dr Maciej Bukowski.

Ilość wyników 1

WP(7/2026)501. Causal Inference under Algorithmic Interference: Identification and Estimation without SUTVA in Platform Economies

Autorzy: Ryłow Jakub
The Stable Unit Treatment Value Assumption (SUTVA) fails systematically in platform economies where a deterministic algorithm mediates all interactions, making interference structural and mechanistically knowable. We introduce algorithmic interferenc…

WP501. Causal Inference under Algorithmic Interference: Identification and Estimation without SUTVA in Platform Economies

The Stable Unit Treatment Value Assumption (SUTVA) fails systematically in platform economies where a deterministic algorithm mediates all interactions, making interference structural and mechanistically knowable. We introduce algorithmic interference — a structural potential-outcomes model in which spillovers flow through the platform's known decision rule — and construct the Debiased Algorithmic Instrumental Variable (DAIV) estimator: a cross-fitted semiparametric procedure combining Double Machine Learning with the IV equation implied by the algorithmic mechanism. Under local algorithmic monotonicity (LAM), both the ATE and CATE are point identified; without LAM the sharp identified set is characterised. DAIV is sqrt(n)-consistent, asymptotically normal, and semiparametrically efficient, with a formal LAM test supplied. A synthetic ride-sharing example (n = 10,000) shows that standard DML overstates the treatment effect by 52% relative to DAIV; a Hausman-type specification test strongly rejects no algorithmic interference.


DOI: https://doi.org/10.33138/2957-0506.2026.7.501
Ryłow Jakub
algorithmic interference SUTVA potential outcomes causal identification double machine learning platform economies instrumental variables semiparametric efficiency partial identification
  • 1