Assessing spillover effects: Handling missing outcomes in network-based studies¶

作者: TingFang Lee, Ashley L Buchanan, Natallia Katenka, Laura Forastiere, M Elizabeth Halloran et al.
来源: Statistical Methods in Medical Research
主题: 因果推断
相关性: 9/10
机构绿灯: New York University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1177/09622802251382586

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是网络因果推断（network causal inference），它要解决的根本问题是：当个体之间通过社会网络相连，一个体是否接受干预（treatment）可能影响自身结果，也可能通过网络连接溢出（spillover） 影响其他未直接接受干预个体的结果（即 spillover effect 或 interference）。在观察性或准实验性网络研究中，结果变量常因研究终止或受试者中途退出而缺失（censoring），这使得溢出效应的识别与估计面临额外挑战。当前该方向正从"假设完全观测"向"整合缺失数据机制"演进，仍处于方法快速发展的阶段。

发展脉络（从 introduction + 参考文献构建）¶

奠基工作：Hudgens & Halloran (2008, Biometrics) 提出了二值处理的网络因果框架，定义了针对"个体是否被干预"与"网络中接受干预的邻居比例"的因果效应分解，首次系统处理了有限群组（group）中的干扰问题。但该工作默认结果完全可观测，未处理缺失。
主要进展——无缺失的识别与估计：Forastiere et al. (2021, JASA) 扩展至观察性网络设计，引入基于潜在结果框架的 IPW 估计量（"inverse probability weighted estimator for network-based observational studies"），利用处理分配机制的可忽略性假设识别稀疏效应。该文同时给出渐近正态性与方差闭合形式，但假设结果完全可观测。
当前 frontier——引入缺失数据：Tchetgen Tchetgen et al. (2020, JASA) 等工作开始将缺失数据（结果删失）纳入网络因果框架，但作者指出"除了少数个例……spillover effects estimation with outcome censoring remained largely unexplored"。本文位置：作者声称填补这一 gap，提出 IPC-censoring-weighted estimator，将 IPW 思想推广到网络结果删失场景，并保留了渐近正态性与闭合方差估计。

子线索聚类¶

被引文献大致可归为两条子线索： - （A）网络干扰效应识别/估计（无缺失）：Hudgens & Halloran (2008), Forastiere et al. (2021), 以及 Liu & Hudgens (2014) 等。这一簇主要研究如何通过处理分配机制假设（如条件饱和度随机化、无混淆性）识别溢出效应，但不涉及缺失数据。 - （B）缺失数据下的因果推断（非网络）：Robins et al. (2000, JASA) 的 IPCW、Rotnitzky et al. (2004) 等，框架是广义估计方程 + 逆概率删失加权，但只考虑个体不相互影响的标准设定。本文是（A）与（B）的交汇：将 IPCW 逻辑注入网络干扰模型。

这个方向在追问的核心问题¶

如何定义并识别网络中的"溢出效应"（给定特定的处理分配机制假设）？
当结果因删失而缺失时，如何识别并一致估计这些效应？
渐近分布的形式是什么？方差能否用闭合形式估计以便做推断？
有限样本（小网络/少连通子分量）下估计量的行为如何？

当前主流方法与瓶颈：主流是 IPW-type 估计量，通过倾向得分对（处理分配或删失）进行加权。瓶颈在于：（a）网络结构假设（如只有部分连通子网络）与删失机制假设（如无未观测混淆）往往难以实证验证；（b）当网络复杂（如连通子网络数量少、网络规模小）时，渐近理论失效，有限样本性能不稳定。

⚠️ 作者的 framing¶

作者的说法：作者把缺口 frame 成"将逆概率删失加权从标准因果推断扩展到网络环境以处理结果缺失"。具体而言，声称"inverse probability censoring weighted estimator … extend the inverse probability weighted estimator for network-based observational studies to handle possible outcome censoring"，并将主要贡献定位为第一次对网络背景下结果删失处理提出相合且渐近正态的估计量。

被淡化的竞争路线：作者没有讨论更灵活的缺失机制假设（如依赖网络结构的删失，即删失概率本身可能依赖于邻居的未观测变量）。从摘要看，删失机制假设是"可被处理分配与基线协变量预测"（即条件可忽略的 CCR / MAR 型假设），但网络协变量是否充分？作者未提最优工具（如多重插补或贝叶斯方法）作为替代路线。作者也未讨论非随机删失（MNAR） 或网络删失过程相互依赖的情况。

值得研究者去查的问题：以下是本研究方向中应该被提及但没有在摘要/正文出现的文献： - 处理网络干扰效应与非随机缺失的组合：如 Marijnissen et al. (2023) 的 "Causal inference with interference and nonignorable missing outcomes"——若存在，则是直接竞争者。 - 使用提升推论（bounds）处理网络缺失的方法：如 conditional odds ratio bounds、IPW sensitivity analysis 在标准设定中常见，但在网络设定中甚少。 - 本文将处理分配视为非随机化（观察性），但未讨论工具变量或转折点以减轻无混淆性假设的负担。网络 IV 方法（如 Bhattacharya & Nabi 2023）应被引用但可能被省略。

张力¶

未见明显对立引用。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据¶

符号： - \(i\)：个体索引，\(i=1,\ldots,n\)。 - \(\mathcal{N}_i\)：个体 \(i\) 在网络中的邻居集（immediate contacts）。 - \(A_i \in \{0,1\}\)：个体 \(i\) 是否接受干预（处理赋值）。 - \(Z_i\)：个体 \(i\) 的潜在结果（potential outcome）的“暴露/风险”型变量——但本文的主要 estimand 是溢出效应。 - \(\bar{A}_{\mathcal{N}_i} = \sum_{j \in \mathcal{N}_i} A_j / |\mathcal{N}_i|\)：个体 \(i\) 的邻居中接受干预的比例。这是常用的网络暴露变量，用于捕捉信息/资源溢出。 - \(Y_i(a_i, \bar{a}_{\mathcal{N}_i})\)：潜在结果（potential outcome），若个体 \(i\) 自己接受处理水平 \(a_i\) 且邻居接受干预比例为 \(\bar{a}_{\mathcal{N}_i}\) 时会发生的结果。核心可观测： \(Y_i = Y_i(A_i, \bar{A}_{\mathcal{N}_i})\)，即只有实际实现的结果被观测。 - \(C_i \in \{0,1\}\)：删失指示。\(C_i = 1\) 若个体 \(i\) 的结果缺失；否则 \(C_i = 0\)。可观测结果： \(C_i\) 总可观测，\(Y_i\) 仅在 \(C_i=0\) 时可观测。 - \(X_i\)：基线协变量向量（全部预先处理，不受干预影响），假定长度 \(p\)，\(\|X_i\|\) 以 \(p\) 表示维数（原文假设 \(p\) 固定，\(n \to \infty\)）。 - \(\pi_i(A_i, X_i)\)（亦称倾向得分）：处理分配概率，\(\pi_i(1,X_i) = P(A_i=1 \mid X_i)\)，估计为逻辑回归模型。可观测：\(A_i\)，\(X_i\)。 - \(\lambda_i(C_i \mid A_i, X_i, \dots)\)：删失概率模型。假设删失仅依赖于可观测信息：\(P(C_i=1 \mid Y_i, A_i, X_i, \text{network covariates})=P(C_i=1 \mid A_i, X_i)\)——条件可忽略删失（MAR / CCR 型）。可观测：使用逻辑回归从 \((A_i, X_i)\) 拟合。 - \(\mathcal{G}_h\)：子网络 / 连通分量索引（原文需要在连通子网络层面设置独立结构）。

模型：数据生成机制是含固定/可观测网络的一个观察性研究。干预分配 \(A_i\) 不一定随机分配，假设条件处理可忽略（ignorability）：

\[Y_i(a_i, \bar{a}_{\mathcal{N}_i}) \perp A_i \mid X_i, \{\text{network topology}\}\]

对于每个个体 \(i\)，实际结果是 \(Y_i = Y_i(A_i, \bar{A}_{\mathcal{N}_i})\)。删失是“较早退出研究”导致的结果缺失，假设如所述的条件可忽略删失。估计目标是： - 总体平均因果效应（针对处理本身）：\(\tau_{\text{treatment}} = E[Y_i(1, \bar{A}_{\mathcal{N}_i})] - E[Y_i(0, \bar{A}_{\mathcal{N}_i})]\)。 - 溢出效应（spillover effect）：最常用的定义是设定一个“自己的处理状态”固定，变化邻居暴露比例，例如对于未接受处理者（\(a_i = 0\)），定义 \(\delta(\bar{a}_1, \bar{a}_2) = E[Y_i(0, \bar{a}_1) - Y_i(0, \bar{a}_2)]\)；更多时候取平均溢出，与给定 \(\bar{A}_{\mathcal{N}_i}\) 的对比直接相关。

可观测数据（研究者实际能观测到的是什么）：对每个个体 \(i\)，研究者观测到： - \((A_i, X_i, C_i)\) → 全部个体。 - 若 \(C_i = 0\)：观测到 \(Y_i\)（实际结果），否则缺失。 - 网络拓扑：\(\mathcal{N}_i\)、连通分量结构已知。 研究者观测不到：\(Y_i(1, \bar{a})\) 或 \(Y_i(0, \bar{a})\)（反事实）；也观测不到 \(Y_i\) 对已删失个体。

第二步：最小内核¶

整篇论文方法的本质可以退化为一个最简单的特例： - 维数 / 结构特例：设定网络由一个单个连通子分量（即整个网络连通）构成，所有个体的处理分配已知且外生（例如任意饱和设计），删失完全随机（即 \(C_i \perp Y_i\) 给定 \(A_i\)，不依赖于 \(X_i\)），并且只关心一个溢出效应参数——"在未接受处理的人中，邻居暴露比例增加一个单位时的平均结果差异"。

在这个特例下： 1. 数据：观测到 \((A_i, Y_i)\) 对其中 \(C_i=0\) 的子集，\(C_i\) 本身可观测。 2. 识别：由于删失完全随机，子样本（未删失）中的期望就是总体期望：\(E[Y_i \mid A_i, \bar{A}_{\mathcal{N}_i}, C_i=0] = E[Y_i \mid A_i, \bar{A}_{\mathcal{N}_i}]\)——所以简单重抽样（不加权）也一致。 3. 但不可行/太简单：现实是删失依赖于可观测协变量 \(X_i\)，需要加权调整。

更现实的最小特例：设只考虑一个邻居的不对称二元结构——每个个体 \(i\) 最多只有一个邻居（如同配对设计的图），整个图由许多这样的配对组成。自己处理 \(A_i \in \{0,1\}\)；邻居处理只取 \(0\) 或 \(1\)（因为只有一个邻居，\(\bar{A}_{\mathcal{N}_i} \in \{0,1\}\)）。删失概率 \(\lambda_i(C_i=1 \mid A_i, X_i) = \expit(\alpha_0 + \alpha_1 A_i + \gamma^{\top} X_i)\)。

目标 estimand：配对设定下的溢出效应是“当我未处理（\(A_i=0\)）时，邻居处理（\(A_j=1\) vs \(A_j=0\)）对我结果的因果影响”：

\[\theta_{\text{spill}} = E[Y_i(0,1) - Y_i(0,0)].\]

可观测数据中只有一部分 \(i\) 同时观测到 \(Y_i\)（\(C_i=0\)）和被分类为\((A_i=0, A_j=1)\) 或 \((A_i=0, A_j=0)\)。难题：若 \((A_i=0, A_j=1)\) 的个体更有可能因高协变量 \(X_i\) 而早期退出（\(C_i\) 高），则原始删失偏将混淆溢出效应估计。

内核想法：用逆概率删失加权： - 对每个未删失个体分配权重 \(w_i = 1 / \hat{\lambda}_i(C_i=0 \mid A_i, X_i)\)—即删失概率乘积的逆数（标准化后更像 IPW）。 - 然后在配对设定下：\(\hat{\theta}_{\text{spill}} = \left[ \frac{\sum_i w_i \cdot Y_i \cdot \mathbf{1}(A_i=0, A_j=1, C_i=0)}{\sum_i w_i \cdot \mathbf{1}(A_i=0, A_j=1, C_i=0)} \right] - \left[ \frac{\sum_i w_i \cdot Y_i \cdot \mathbf{1}(A_i=0, A_j=0, C_i=0)}{\sum_i w_i \cdot \mathbf{1}(A_i=0, A_j=0, C_i=0)} \right]\)。 - 为什么工作：通过加权，使未删失子样本中已测与未测个体的协分布与若所有人未剔除时的分布等价（条件可忽略删失假设下）。

整篇论文的一般情形只是将这个特例的邻居数从1推广到多个（比例\(\bar{A}\)）、连通结构更复杂、以及估计更灵活的逆删失权重模型。核心思想仍是“用删失概率的逆标准化加权来修复缺失分布”。

目标：读者读完这一节，手中已握有读后面技术节所需的全部记号，且抓住核心思路——在做（网络因果目标）时遇到结果缺失，就重建类似观测数据的权重，改变采样子分布的加权方式以去除偏差，剩下的工作就是加权后的中心极限定理与方差估计。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在网络（观察性）研究中，当结局变量因删失而缺失时，如何识别并一致估计干预的溢出效应，包括系数形变化效应的假设检验。
核心方法：扩展了 Forastiere et al. (2021) 的 IPW 估计量，引入逆概率删失加权（inverse probability censoring weighting），利用逻辑回归估计删失概率，建立嵌入删失权重的估计量。
主要结论：证明了该估计量的相合性与渐近正态性，给出封闭形式的渐近方差估计量；模拟和真实数据（雅典 TRIP 项目）展示有限样本性能良好，指出社区警报可能通过信息共享降低 HIV 风险行为。

关键设定与假设¶

（在第二节记号基础上补充完整）

完整设定：考虑有 \(n\) 个个体的网络，网络由 \(G\) 个互不连接的连通子网络（subnetworks） 构成（假设 \(G \to \infty\)，\(| \mathcal{G}_g |\) 有界）。每个个体 \(i\) 被分配处理 \(A_i\)（非随机，但观察性假设成立）。感兴趣的结果 \(Y_i\) 是二值（如是否发生风险行为）且受自身处理 \(A_i\) 及其邻居处理比例 \(\bar{A}_{\mathcal{N}_i}\) 的影响。删失指示 \(C_i\) 为 1 表示结果缺失，删失机制建模为条件于 \((A_i, X_i)\) 的逻辑回归。

假设列表（摘自主文，依据近似推断逻辑重构）： 1. 一致性（Consistency，标准 SUTVA 放宽到部分干扰）：\(Y_i = Y_i(A_i, \bar{A}_{\mathcal{N}_i})\)——每个个体的结果只取决于它的处理分配和它邻居的处理比例，不依赖于更远邻居。 2. 条件处理可忽略（Ignorability for treatment）：给定基线协变量 \(X_i\) 和网络拓扑（确切说是连通子分量结构），处理分配 \(A_i\) 与潜在结果 \(Y_i(a, \bar{a})\) 独立。这是常见的无混淆性假设在网络版。 3. 条件删失可忽略（Ignorability for censoring, CCR）：\(C_i \perp Y_i \mid A_i, X_i, \text{neighbors' }A_j, \dots\)——删失的预测只依赖于可观测协变量（可能是处理、邻居处理、自己的协变量），而无与潜在结果的未观测关联。作者还进一步假定删失不依赖于邻居的小组结构（即连通子分中心内的交互不影响删失概率）。 4. 重叠（Positivity for censoring）：\(P(C_i = 0 \mid A_i, X_i) > \epsilon > 0\) 对所有个体成立——即每个人在未删失下都有正概率被观测。 5. 实验假设（Exposure Mapping）：作者实证定位针对 \(\bar{A}_{\mathcal{N}_i}\) 建模为离散暴露水平（可能分水平或连续化处理）。 6. 网络结构假设：连通子网络的大小有界，但个数 \(G\to\infty\)——典型假设用于估计量的 M-estimation 渐近理论。

与已有文献相比： - 相比 Hudgens & Halloran（无缺失，直接分组随机化）：本文放宽至观察性（引入倾向得分），同时加入删失。 - 相比 Forastiere et al. (2021)：保留相同的 IPW 处理权重量，增加删失权重层。 - 相比 Rotnitzky & Robins（非网络下的 IPCW）：将权重从特定目标（\(\tau_{\text{ATE}}\)）扩展到网络溢出目标。

主要结果¶

核心定理（Theorem 1）：设 \(n_G\) 依赖于连通子网络个数 \(G\)，基于删失权重 \(\hat{w}_i = 1/ \hat{\lambda}_i\)，定义的 \(\hat{\theta}\) 是目标溢出效应 \(\theta\) 的相合估计量，并且满足：

\[\sqrt{G}(\hat{\theta} - \theta) \xrightarrow{\mathcal{D}} N(0, \Sigma),\]

其中 \(\Sigma\) 可写成成分方差 + 删失权重估计方差 + 两者协方差的和（变异公式），提供一个闭合形式的 \(\hat{\Sigma}\)。

直觉：这是估计方程（M-estimation）的标准推论——把处理权重和删失权重的估计视为第一步的参数，用联合 Sandwich 方差捕捉二阶不确定度。关键困难在于网络层面的相关性（同一连通子网络内的个体结果相关）被独立子网络之间的独立性抵消。该结果保证标准化后的验证误差中心极限定理。

收敛性条件： - 所有的处理权重和删失权重模型都正确定义（全局逻辑回归）。 - 删失-处理-协变量联合分布足够光滑（bounded density + moment conditions）。 - 连通子网络个数 \(G\) 增长，但每个子网络内个体数 \(n_g\) 有界。二阶导数阵一致可逆。

解决的技术难点： - 删失权重的插入增加了估计量的非线性和相关性结构，作者需要论证非线性估计不影响相合性（一致性）且渐近正态仍成立。 - 获得闭合形式方差——通常用 delta 方法 & M-estimation 的鸡尾酒方差（sandwich matrix）完成，技术性不高但必须手算。

证明路线与技术技巧（理论型必写）¶

整体路线（M-estimation + 网络去相关）： 1. 步骤 1：将目标 estimand \(\theta\) 定义为某些样本矩的函数。例如，使用 IPCW 权重的差异，\(\theta = E\left[\frac{w_i Y_i \mathbb{1}(A_i=a,\bar{A}_{\mathcal{N}_i}=\bar{a}_1)}{E[w_i \mathbb{1}(\dots)]} - \frac{w_i Y_i \mathbb{1}(A_i=a,\bar{A}_{\mathcal{N}_i}=\bar{a}_2)}{E[w_i \mathbb{1}(\dots)]} \right]\)。 2. 步骤 2：两阶段估计：第一步，用逻辑回归估计 \(\pi_i\)（处理概率），并用带样条 / 极简的方式估计 \(\lambda_i\)（删失概率）。第二步，代入权重构造 \(k\)-统计量型的 \(\hat{\theta}\)。 3. 步骤 3：定义一个矩条件向量 \(m(\mathbf{O}_g, \psi) = 0\)，其中 \(\mathbf{O}_g\) 是连通子网络 \(g\) 的观测数据矩阵，\(\psi\) 包括（第一阶贫参数+目标参数）。建立联合 M-estimating 方程。 4. 步骤 4：检验连通子网络独立性假设，确保 \(\{m(\mathbf{O}_g, \hat{\psi})\}\) 是独立并近似正态的——这是一种去相关策略（打破网络依赖的唯一来源）。 5. 步骤 5：用标准 M-estimation 理论论证相合性 + DELTA 法 + 中心极限定理——要求对嵌入的 logistic 模型的收敛与光滑性进行敏感度条件。

关键跳跃点： - 主关键引理：\(\frac{1}{G}\sum_{g=1}^G m(\mathbf{O}_g, \hat{\psi}) = \frac{1}{G}\sum_{g=1}^G m(\mathbf{O}_g, \psi_0) + o_p(G^{-1/2})\)，这意味着第一步估计（处理/删失逻辑回归）在 \(\sqrt{G}\) 尺度上不破坏估计量分布（这是 Delta 方法 + 光滑条件 + 模型正定的标准验证）。 - 难点：权重几乎肯定内部相关——因为连通子网络内的删除和权重估计共享同一样本。作者通过令子网络间独立（本质假设）解决了这个问题。

技术技巧点名： - M-estimation / Sandwich variance：用于在重复抽样中导出 \(\hat{\theta}\) 的渐近分布与闭合方差。 - Influence Functions 推导（隐性）：用于得到方差表达式；文中使用了一阶泰勒展开推进行为。 - Logistic regression 作为第一阶段：一致的参数估计量，偏差项吸收到 Sandwich 的“模型不确定性”部分。 - 闭型阶乘加权：权重相除等价于比例的蒙脱卡洛直接近似。

真实例子与应用¶

数据：TRIP 项目（2013–2015, Athens, Greece）。这是一个基于响应驱动抽样（RDS）的网络队列研究，旨在评估社区警报对 PWID（注射吸毒者）及后面联系人的 HIV 风险行为的影响。

如何应用： - 处理变量 \(A\)：是否收到社区警报（一个纸质信息卡，包含低风险行为的提醒）。但注意：这是一个非随机化的观察性干预——有些人选择参加活动并获取卡、有些没有，作者利用 \(\text{倾向得分}\) 对处理分配进行调节。 - 结果变量：自报的 HIV 风险行为（二值，是否在过去 30 天内共用针头 / 发生危险行为）。 - 删失：参与者可能失访（\(C=1\)）或因故停止报告结果。 - 模型：处理权重与删失权重都拟合逻辑回归（以年龄、性别、药物使用模式等为协变量）。 - 将社区警报视为“公共传播型网络干预”，定义了“你的联系人中谁收到了警报”作为邻居暴露占比 \(\bar{A}_{\mathcal{N}_i}\)。

主要结果：对于收到社区警报者的自我处理效应不显著（或已经被先前研究涵盖），但溢出效应显著：当一个人的联系人中暴露于警报的比例从 0 增加到 1 时，其自身的 HIV 风险行为降低的概率增加（比值比约 0.6–0.7，p < 0.05）。这说明社区信息在接触者间扩散的行为改变。

这个例子想说明什么：验证本文方法能捕获一直被忽略的似溢出效应——在网络中，政策的效果远超直接接受者，而已往方法忽略的结果缺失会稀释甚至掩蔽这种效应。该例还展示了从没有处理的全随机或全观察设计到缺失处理的不同模式。

🔎 结论是否比证明窄¶

宽泛的空间：模拟实验中 \(G\) 取 200-600、子网络大小 3-10，属中等规模；真实网络约 947 人。作者结论提到"finite-sample performance … with sufficiently large sample sizes and number of connected subnetworks"——但案例研究中连通子网络数量仅约 200，较理论假设 \(G\to\infty\) 仍有距离。结论较弱于证明的一点是：模拟和实际例子未验证小型网络（\(G<50\)）的行为，这是标准线性。所以其宣称的“适用于一般网络”应为“适用于中等偏大网络”。
另一处窄化：作者假设删失仅依赖于个体自身处理分配和协变量，但这在 PWID 网络中可能过于严格——联系人中有人退出也可能影响其他个体是否失访。该假设被 \(C_i \perp Y_i \mid A_i, X_i\) 吸收，但没有做敏感性分析以评估其违反的影响，结论宽度小于假设面。

四、开放问题（点到为止，扎根具体语句）¶

放宽删失机制假设至非随机缺失（MNAR）
扎根：作者假设"\(C_i \perp Y_i \mid A_i, X_i\)"（序的删失可忽略），缺乏敏感性检验或界限分析。一条可写路径：“What is the sensitivity of the IPC-censoring-weighted estimator to violations of the ignorability assumption？”这个开放问题可联系标准因果推断中的偏倚公式（bias over unobserved confounders），拓展到网络环境下。
网络删失过程的相互依赖
扎根：自体结合力：假设删失只取决于个体自己的观测特征，未考虑网络中的删除过程是否本身相互影响（如同一个子网络的删失是否相关）。未来可问：如何在删失过程本身存在网络依赖时推断溢出效应？ 这需要修改独立性假设，可能要考虑亚组层面的聚集标准化。
更高效的估计（效率上界）
扎根：作者仅提出 IPC-censoring-weighted 估计量及其渐近分布，但未证明其半参效率。标准 IPCW 估计除非权量参数完全正确（如真模型已知），否则不一定达到效率界。一个开放问题是：网络 + 缺失数据环境下，半参数有效估计量（如 augmented IPCW）的形式是什么？ 如需引入结果回归模型（outcome regression），怎样矫正网络相关性和不均匀子网大小。
有限样本的精确分布或有限子网健壮性
扎根：模拟仅测试中等规模（连通分量 \(G \ge 200\)；现实应用 \(G\approx 200\)）。当连通分量很小（\(G < 30\)）且每个子网内相关性强时，渐近正态假设可能失效。开放问题：能否推导更紧凑的大偏差界或 自举改进后的置信区间以适用于实际少见但高杠杆的小网络场景？

Maintained by 陈星宇 · Homepage · Source on GitHub