Randomization Tests for Peer Effects in Group Formation Experiments¶

作者: Guillaume Basse, Peng Ding, Avi Feller, Panos Toulis
来源: Econometrica
主题: 因果推断
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本方向关注的是群组形成实验（group formation experiments） 中的因果推断问题。这类实验的核心特征是：研究者将个体随机分配到不同的群组（如大学室友、企业团队、商业协会），然后观测个体的结局（如成绩、生产力、利润）。目标是检验同伴效应（peer effects）——即群组构成（如室友的学术背景、团队成员的技能水平）是否对个体结局有因果影响。该子方向当前处于方法成熟化与推广阶段：基础识别问题已被广泛讨论，但如何在不依赖强模型假设的前提下进行严格、有限样本下精确的推断，仍是活跃的研究前沿。

发展脉络（history）¶

奠基工作：因果推断框架与同伴效应的识别困境
- Rubin (1974) 奠定了基于潜在结果的因果推断框架，明确了随机化在因果识别中的核心地位。
- Manski (1993) 提出了著名的“反射问题（reflection problem）”，系统性地指出了在观察性研究中识别同伴效应的困难：个体行为与群体平均行为相互决定，难以区分是同伴影响了个体，还是个体选择了相似的同伴。Angrist (2014) 进一步指出，即使有群组层面的工具变量，同伴效应的估计也面临弱工具变量和测量误差等复杂问题。这些工作共同确立了“随机化”是解决同伴效应识别问题的黄金标准。
主要进展：随机化推断（Randomization Inference）的复兴与扩展
- Fisher (1935) 的随机化检验（Fisher Randomization Test, FRT）是这一系列工作的理论源头。它利用随机化分配机制本身作为推断的依据，无需模型假设，在有限样本下是精确的（exact）。
- Lehmann & Romano (2005) 和 Imbens & Rubin (2015) 等教科书系统性地整理了随机化检验的理论，使其在现代因果推断中重新受到重视。Young (2019) 通过大规模实证研究，展示了随机化检验在经济学实验中的应用，发现其比传统方法发现更少的“显著”结果，强调了其稳健性。
- 关键突破：处理干扰（Interference）。经典FRT假设“无干扰”（SUTVA），即一个体的结局不受其他个体处理分配的影响。但在群组实验中，同伴效应本身就是一种干扰。Basse, Feller, & Toulis (2019) 提出了“条件机制（conditioning mechanism）”框架，为在一般干扰形式下构造有效的随机化检验提供了通用方法。Puelz, Basse, Feller, & Toulis (2022) 则用图论（二分图）方法，将寻找检验的“锐利（sharp）”子集问题转化为寻找图中的“双团（biclique）”，为处理任意干扰结构提供了算法路径。
当前 Frontier：群组形成实验的专门化方法
- Li, Ding, Lin, & Yang (2019) 是本文最直接的前驱工作。他们针对随机分配室友的场景，提出了一个基于随机化的推断框架，专门用于检验同伴效应。该工作定义了基于潜在结果的同伴效应，并提出了一个不依赖参数模型的推断程序。本文（Basse, Ding, Feller, & Toulis） 正是在此基础上，将方法一般化到更广泛的群组形成实验，并系统性地连接了随机化检验与经典的线性均值模型（linear-in-means model）。
- 同时，Cai & Szeidl (2018) 和 Fafchamps & Quinn (2018) 等实地实验（field experiments）为方法提供了真实的应用场景和验证平台，推动了理论与实证的互动。

子线索聚类¶

随机化检验的理论基础与扩展：这条线索关注如何利用随机化本身进行推断，核心是FRT。包括其理论基础（Fisher, 1935; Lehmann & Romano, 2005）、在弱零假设下的行为（Wu & Ding, 2018; Zhao & Ding, 2020）、以及通过条件化（conditional test）处理协变量不平衡（Hennessy et al., 2016）或干扰（Basse et al., 2019; Puelz et al., 2022）等问题。
同伴效应的识别与估计：这条线索关注在给定数据下，如何定义和估计同伴效应。包括对线性均值模型的批判性分析（Angrist, 2014）、对溢出效应（spillover effects）的非参数估计（Vázquez-Baré, 2017）、以及更结构化的网络模型（Bramoullé et al., 2020）。本文属于此线索，但侧重于检验而非估计。
群组形成实验的设计与分析：这条线索关注实验设计本身，如如何通过“重新随机化（rerandomization）”改善协变量平衡（Morgan & Rubin, 2012），以及如何将设计特征（如分层、多中心）纳入分析（Zheng & Zelen, 2008; Abadie et al., 2020）。本文的方法论直接服务于这类实验的分析。

这个方向在追问的核心问题¶

如何在不依赖模型假设的情况下，对同伴效应进行严格推断？ 主流方法（如线性均值模型）依赖强参数假设，其有效性常受质疑。随机化检验提供了一个“模型无关”的替代方案。
如何定义和检验“同伴效应”这个因果参数？ 同伴效应有多种定义（如外生同伴效应、内生同伴效应、相关效应），不同定义对应不同的零假设和检验方法。本文聚焦于“外生同伴效应（exogenous peer effect）”，即群组构成（由个体基线特征定义）对结局的因果效应。
如何处理群组实验中普遍存在的“干扰”问题？ 个体的结局不仅受自身处理影响，还受同组其他成员的处理或特征影响。这破坏了经典FRT的“锐利零假设”条件。本文通过构造“可归因（imputable）”的检验统计量来解决此问题。
如何桥接随机化检验与传统的参数/半参数方法？ 随机化检验虽然稳健，但可能效率较低。如何利用参数模型（如线性均值模型）的系数作为检验统计量，同时保留随机化检验的有限样本有效性，是一个重要的方法论问题。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者将缺口 frame 成：“尽管已有随机化检验处理干扰的通用框架（Basse et al., 2019; Puelz et al., 2022），但针对群组形成实验这一特定且重要的设计，尚缺乏一个系统性的、可直接应用的随机化检验方法。” 作者声称，他们的贡献在于： 1. 为群组形成实验提供了一个“一站式”的随机化检验框架。 2. 展示了如何将线性均值模型的回归系数作为检验统计量，从而“桥接”了参数方法与随机化检验。 3. 通过两个真实数据例子，展示了方法的实用性。

哪些竞争路线被他淡化或回避了？ * 非参数估计方法：作者明确将讨论限定在“检验”而非“估计”上。他们回避了与Vázquez-Baré (2017)等非参数估计方法的直接比较，后者能提供效应大小和置信区间，而不仅仅是p值。作者在文中提到“我们的方法可以互补”，但并未深入讨论在什么情况下检验优于估计。 * 更复杂的网络结构：作者的处理主要针对“群组内完全连接、群组间无连接”的简单结构。对于重叠群组（overlapping groups）或更一般的网络，他们承认其方法需要扩展，并引用了Puelz et al. (2022)的图论方法作为可能的路径，但并未将其作为本文的核心。

什么明显该被引 / 该存在、却没出现在 intro 里？ * 关于“弱零假设”检验的近期进展：作者主要关注“强零假设”（对所有个体无任何效应）。对于更实用的“弱零假设”（平均处理效应为零），他们引用了Wu & Ding (2018)和Zhao & Ding (2020)。但未提及更近期的、关于如何在干扰下检验弱零假设的工作（如Hoshino & Yanagi, 2023，该文被引用在另一语境）。这可能是一个值得研究者去查的缺口。

张力¶

未见明显对立引用。文献脉络较为一致，都承认随机化检验的价值，并致力于解决干扰带来的挑战。主要张力存在于“模型依赖的估计”与“模型无关的检验”之间，但作者通过将两者桥接（使用模型系数作为检验统计量）来化解这一张力。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \(i = 1, \dots, N\)：个体索引。
- \(g = 1, \dots, G\)：群组索引。每个群组 \(g\) 包含 \(n_g\) 个个体，总个体数 \(N = \sum_{g=1}^G n_g\)。
- \(Z_i \in \{0, 1\}\)：个体 \(i\) 的处理分配（treatment assignment）。在群组形成实验中，这通常不是个体层面的处理，而是群组层面的一个特征。例如，\(Z_i = 1\) 表示个体 \(i\) 被分配到一个“混合型”群组，\(Z_i = 0\) 表示被分配到“同质型”群组。注意：在本文的设定中，\(Z_i\) 是群组构成的一个函数，而非个体是否接受某种干预。
- \(\mathbf{Z} = (Z_1, \dots, Z_N)^\top\)：所有个体的处理分配向量。
- \(Y_i(\mathbf{z})\)：个体 \(i\) 的潜在结局（potential outcome），当整个分配向量为 \(\mathbf{z}\) 时的结局。这是因果推断的核心，它明确允许干扰：\(Y_i\) 可以依赖于任何其他个体的分配。
- \(Y_i^{obs} = Y_i(\mathbf{Z})\)：个体 \(i\) 的观测结局，即实际发生的分配下的结局。
- \(\mathbf{X}_i\)：个体 \(i\) 的基线协变量（baseline covariates），如性别、入学成绩等。这些是可观测的，且在随机化之前就已确定。
- \(\mathbf{W}_g\)：群组 \(g\) 的构成特征（compositional attributes），是群组内所有个体基线协变量的函数。例如，\(\mathbf{W}_g\) 可以是群组内个体的平均入学成绩。这是定义“同伴效应”的关键。
- \(H_0\)：零假设。本文主要考虑强零假设（sharp null hypothesis）：\(H_0: Y_i(\mathbf{z}) = Y_i(\mathbf{z}')\) 对所有 \(\mathbf{z}, \mathbf{z}'\) 成立。即，无论群组如何构成，个体的潜在结局都相同。这意味着不存在任何形式的同伴效应。
- \(T(\mathbf{Z}, \mathbf{Y}^{obs})\)：检验统计量（test statistic），是分配向量和观测结局的函数。例如，\(T\) 可以是线性均值模型中 \(\mathbf{W}_g\) 的回归系数。
- \(P(\mathbf{Z})\)：随机化机制（randomization distribution），即分配向量 \(\mathbf{Z}\) 被选中的概率。在群组形成实验中，这是由实验设计决定的，是已知的。
模型：
- 本文不假设任何参数模型。数据生成过程由潜在结局 \(Y_i(\cdot)\) 和随机化机制 \(P(\mathbf{Z})\) 共同决定。\(Y_i(\cdot)\) 是完全未知的、任意的函数。\(P(\mathbf{Z})\) 是已知的、由实验者控制的。
- 核心模型假设是随机化：个体被随机分配到群组，且群组的构成（由 \(\mathbf{W}_g\) 定义）是随机化的一部分。这意味着 \(\mathbf{Z}\) 的分布 \(P(\mathbf{Z})\) 是已知的。
可观测数据：
- 可观测：每个个体的基线协变量 \(\mathbf{X}_i\)、处理分配 \(Z_i\)、观测结局 \(Y_i^{obs}\)。由此可计算出群组构成特征 \(\mathbf{W}_g\)。
- 不可观测（潜在）：对于每个个体 \(i\)，除了实际发生的分配 \(\mathbf{Z}\) 对应的潜在结局 \(Y_i(\mathbf{Z})\) 外，所有其他分配 \(\mathbf{z} \neq \mathbf{Z}\) 下的潜在结局 \(Y_i(\mathbf{z})\) 都是不可观测的。这是因果推断的根本挑战。

第二步：讲最小内核¶

最简特例：假设只有 \(N=4\) 个学生，被随机分配到 \(G=2\) 个宿舍，每个宿舍 \(n_g=2\) 人。我们想检验“室友的学术背景是否影响你的成绩”。

设定：
- 每个学生 \(i\) 有一个基线协变量 \(X_i\)，代表其入学成绩（例如，\(X_i \in \{0, 1\}\)，1表示高分）。
- 群组构成特征 \(\mathbf{W}_g\) 定义为群组内另一个室友的入学成绩。例如，如果学生1和2是室友，那么对于学生1，\(\mathbf{W}_1 = X_2\)；对于学生2，\(\mathbf{W}_2 = X_1\)。
- 处理分配 \(Z_i\) 定义为 \(\mathbf{W}_i\) 的值。例如，\(Z_i = 1\) 如果 \(\mathbf{W}_i = 1\)（室友是高分），\(Z_i = 0\) 如果 \(\mathbf{W}_i = 0\)（室友是低分）。
- 随机化机制：4个学生被随机分成2个2人宿舍。所有可能的分配方式（共3种）等可能发生。
  - 分配1：{1,2} 和 {3,4}
  - 分配2：{1,3} 和 {2,4}
  - 分配3：{1,4} 和 {2,3}
零假设：
- \(H_0\): 对于每个学生 \(i\)，无论室友是谁，其成绩 \(Y_i\) 都相同。即，\(Y_i(\mathbf{z}) = Y_i(\mathbf{z}')\) 对所有 \(\mathbf{z}, \mathbf{z}'\) 成立。
检验统计量：
- 我们选择最简单的统计量：处理组（室友是高分）与对照组（室友是低分）的平均成绩之差。
- \(T(\mathbf{Z}, \mathbf{Y}^{obs}) = \bar{Y}_{Z=1} - \bar{Y}_{Z=0}\)。
核心思路：
- 在 \(H_0\) 下，每个学生的成绩是固定的，不随室友变化。因此，无论实际发生的是哪种随机分配，我们观测到的成绩 \(Y_i^{obs}\) 都会是一样的。例如，如果学生1在分配1下的成绩是85分，那么在 \(H_0\) 下，他在分配2和分配3下的成绩也必须是85分。
- 这意味着，在 \(H_0\) 下，我们可以完整地“归因”（impute） 所有潜在结局。对于每一种可能的分配 \(\mathbf{z}\)，我们都可以计算出对应的检验统计量 \(T(\mathbf{z}, \mathbf{Y}^{obs})\)。
- 由于随机化机制 \(P(\mathbf{Z})\) 已知，我们可以计算出 \(T\) 在 \(H_0\) 下的精确分布（即置换分布）。例如，对于上述3种分配，我们可以计算出3个 \(T\) 值。
- 最后，我们比较实际观测到的 \(T^{obs}\) 在这个置换分布中的位置。如果 \(T^{obs}\) 非常极端（例如，大于所有其他3种分配下的 \(T\) 值），我们就拒绝 \(H_0\)，认为存在同伴效应。

为什么这个例子是“最小内核”？ * 它剥离了所有复杂的模型（如线性均值模型）和一般性设定（如任意群组大小、任意协变量）。 * 它清晰地展示了随机化检验的核心逻辑：利用随机化机制和强零假设下的“可归因性”，构造一个精确的、有限样本下有效的检验。 * 本文的一般化工作，本质上就是在这个简单逻辑的基础上，处理更复杂的群组结构、更一般的同伴效应定义（如群组平均特征而非单个室友特征），以及如何将线性均值模型的系数作为检验统计量。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究了在群组形成实验中，如何对外生同伴效应（即群组构成对个体结局的因果效应）进行严格的假设检验。
核心工具/方法：本文的核心工具是随机化推断（Randomization Inference），具体是将经典的Fisher随机化检验（FRT） 扩展到群组形成实验场景，通过构造“可归因（imputable）”的检验统计量来保证检验在强零假设下的有限样本精确性。
主要结论：本文证明了所提出的检验程序在有限样本下是精确的（exact），并展示了如何将线性均值模型（linear-in-means）的回归系数作为检验统计量，从而桥接参数方法与随机化检验。通过两个真实数据例子（大学室友实验和企业网络实验），验证了方法的实用性。

关键设定与假设¶

在第二节最小记号的基础上，本文的完整设定如下：

群组形成实验：个体 \(i=1,\dots,N\) 被随机分配到 \(G\) 个群组。每个群组 \(g\) 有 \(n_g\) 个个体。随机化机制 \(P(\mathbf{Z})\) 是已知的，由实验设计决定（如完全随机化、分层随机化等）。
同伴效应的定义：本文关注的是外生同伴效应（exogenous peer effect），即群组构成特征 \(\mathbf{W}_g\) 对个体结局的因果效应。\(\mathbf{W}_g\) 是群组内所有个体基线协变量 \(\{\mathbf{X}_i: i \in g\}\) 的已知函数。例如，\(\mathbf{W}_g\) 可以是群组内除个体 \(i\) 外其他个体的平均协变量（leave-one-out mean）。
关键假设：
1. 随机化（Randomization）：\(\mathbf{Z}\) 的分布 \(P(\mathbf{Z})\) 是已知的。这是整个推断的基础。
2. 强零假设（Sharp Null Hypothesis）：\(H_0: Y_i(\mathbf{z}) = Y_i(\mathbf{z}')\) 对所有 \(\mathbf{z}, \mathbf{z}'\) 成立。这是FRT的核心假设，它使得所有潜在结局在 \(H_0\) 下都是已知的（等于观测结局）。
3. 可归因性（Imputability）：检验统计量 \(T(\mathbf{Z}, \mathbf{Y}^{obs})\) 在 \(H_0\) 下必须是“可归因的”。即，对于所有可能的 \(\mathbf{Z}\)，\(T(\mathbf{Z}, \mathbf{Y}(\mathbf{Z})) = T(\mathbf{Z}, \mathbf{Y}^{obs})\) 成立。这意味着，在 \(H_0\) 下，我们可以用观测结局 \(\mathbf{Y}^{obs}\) 来计算任何分配 \(\mathbf{Z}\) 下的统计量值。这是Basse et al. (2019) 提出的关键概念，本文继承并应用之。
相比已有文献的放宽或强化：
- 放宽：相比线性均值模型等参数方法，本文不假设任何结局模型或误差分布。相比Li et al. (2019) 针对特定室友分配场景的工作，本文的方法适用于更一般的群组形成实验设计。
- 强化：本文的检验在有限样本下是精确的（exact），而许多基于渐近理论的方法（如线性均值模型的t检验）仅在大样本下近似有效。本文的零假设是“强零假设”，比“弱零假设”（平均效应为零）更强，因此检验的结论也更严格。

主要结果¶

本文的核心结果是定理1，它陈述了所提出的随机化检验程序的有效性。

定理1（有限样本有效性）：在随机化机制 \(P(\mathbf{Z})\) 和强零假设 \(H_0\) 下，对于任何满足“可归因性”条件的检验统计量 \(T\)，由算法1（标准FRT程序）计算出的p值 \(p_{val}\) 满足：
\[P(p_{val} \le \alpha) \le \alpha\]
对所有 \(\alpha \in [0,1]\) 成立。即，检验的I类错误率被 \(\alpha\) 控制。
- 直觉：这个定理是FRT标准结论的直接应用。关键在于“可归因性”条件，它保证了在 \(H_0\) 下，我们可以通过置换分布精确地计算出 \(T\) 的分布，从而得到精确的p值。
- 必要条件：检验统计量 \(T\) 必须是“可归因的”。作者在文中给出了构造可归因统计量的具体方法，例如使用群组平均结局或线性均值模型的系数。
- 解决的技术难点：主要的难点在于，在群组形成实验中，许多直观的统计量（如处理组与对照组的均值差）可能不满足“可归因性”。作者通过将统计量定义为群组构成特征 \(\mathbf{W}_g\) 的函数，巧妙地绕过了这个难点。
推论1（线性均值模型统计量的有效性）：如果使用线性均值模型（LIM）的回归系数 \(\beta_{LIM}\) 作为检验统计量，那么只要该模型在 \(H_0\) 下是可归因的（即，\(\beta_{LIM}\) 可以仅由 \(\mathbf{Z}\) 和 \(\mathbf{Y}^{obs}\) 计算得出），则定理1成立。
- 意义：这个推论桥接了参数方法与随机化检验。研究者可以继续使用他们熟悉的LIM模型，但通过随机化检验来获得更稳健的p值，而不是依赖模型假设下的渐近p值。

证明路线与技术技巧¶

整体路线：
1. 定义与假设：明确群组形成实验的设定、随机化机制 \(P(\mathbf{Z})\)、强零假设 \(H_0\) 和“可归因性”条件。
2. 构造检验程序：提出算法1，即标准的FRT程序：在 \(H_0\) 下，根据 \(P(\mathbf{Z})\) 生成 \(M\) 个随机分配 \(\mathbf{Z}^{(m)}\)，计算每个分配下的统计量 \(T^{(m)} = T(\mathbf{Z}^{(m)}, \mathbf{Y}^{obs})\)，然后计算p值为 \(p_{val} = \frac{1}{M+1} \sum_{m=1}^M \mathbb{I}(T^{(m)} \ge T^{obs})\)。
3. 证明有效性：证明的关键在于，在 \(H_0\) 和“可归因性”条件下，\(T^{obs}\) 和 \(T^{(1)}, \dots, T^{(M)}\) 是来自同一个分布（即 \(T\) 在 \(P(\mathbf{Z})\) 下的置换分布）的独立同分布样本。因此，\(p_{val}\) 服从均匀分布（或离散均匀分布），从而控制I类错误率。证明过程是标准且直接的，主要依赖组合数学和概率论的基本原理。
4. 构造可归因统计量：作者专门用一节（Section 3.2）来讨论如何构造可归因的统计量。他们提出，任何可以写成 \(\mathbf{Z}\) 和 \(\mathbf{Y}^{obs}\) 的函数的统计量都是可归因的。例如，群组平均结局 \(\bar{Y}_g\) 是可归因的，因为它只依赖于群组内个体的观测结局。线性均值模型的系数 \(\beta_{LIM}\) 也是可归因的，因为它可以通过OLS公式由 \(\mathbf{Z}\) 和 \(\mathbf{Y}^{obs}\) 计算得出。
关键跳跃点：
- 本文没有特别“吃劲”的证明跳跃点。其理论贡献主要在于概念化和系统化，而非攻克一个极其困难的数学问题。关键跳跃在于认识到，对于群组形成实验，只要将检验统计量定义为群组构成特征 \(\mathbf{W}_g\) 的函数，就能自然地满足“可归因性”，从而将Basse et al. (2019) 的通用框架实例化。
技术技巧点名：
- 置换检验（Permutation Test）：这是整个方法的核心，用于生成零分布。
- 可归因性（Imputability）：这是Basse et al. (2019) 提出的关键概念，本文将其作为检验有效性的核心条件。
- 线性均值模型（Linear-in-Means Model）：本文展示了如何将这一经典参数模型与随机化检验结合，作为构造检验统计量的工具。

真实例子与应用¶

本文应用所提出的方法分析了两个真实的群组形成实验。

例子1：大学室友实验（数据来自Li et al., 2019）
- 数据/场景：一所中国顶尖大学随机分配新生到宿舍（每间4人）。数据包含学生的入学成绩（高考成绩或竞赛保送）和大学第一学期的GPA。目标是检验室友的学术背景（以入学成绩衡量）是否影响学生的GPA。
- 方法应用：作者将群组构成特征 \(\mathbf{W}_g\) 定义为宿舍内其他三位室友的平均入学成绩。处理分配 \(Z_i\) 则根据 \(\mathbf{W}_g\) 是否高于某个阈值来定义。他们使用线性均值模型的回归系数作为检验统计量，并运行随机化检验。
- 结果：随机化检验给出了一个p值。作者将其与基于模型假设的渐近p值进行比较，发现两者在某些设定下一致，在另一些设定下则存在差异，凸显了随机化检验的稳健性。
- 例子想说明什么：这个例子展示了方法在经典的教育学场景中的应用，并说明了随机化检验可以作为模型依赖方法的有效补充或替代。
例子2：企业网络实验（数据来自Cai & Szeidl, 2018）
- 数据/场景：一项在中国进行的实地实验，随机将企业主组成小型商业协会（群组）。实验将群组分为“混合规模（SL）”和“小规模（S）”两种类型。目标是检验群组构成（不同类型的企业家组合）是否影响企业的绩效（如收入、利润）。
- 方法应用：处理分配 \(Z_i\) 由群组类型决定（SL vs. S）。作者使用群组平均结局作为检验统计量，并运行随机化检验。
- 结果：随机化检验的结果支持了原文的结论，即参加商业协会对企业绩效有积极影响，且群组构成（与更好的同伴在一起）会放大这种影响。
- 例子想说明什么：这个例子展示了方法在更复杂的实地实验中的应用，其中群组构成是实验设计的一部分，而非由个体协变量简单定义。它证明了方法的灵活性。

🔎 结论是否比证明窄¶

是。本文的核心理论结果（定理1） 严格依赖于强零假设（对所有个体无任何效应）。这是一个非常强的假设。然而，在实证应用中，研究者通常更关心弱零假设（平均处理效应为零）。作者在文中承认了这一点，并引用了Wu & Ding (2018) 和 Zhao & Ding (2020) 关于弱零假设检验的工作，但并未在本文中提供类似的理论保证。因此，本文的结论（检验的有限样本精确性）严格限于强零假设，而其实证应用中的解释（如“存在同伴效应”）则依赖于对强零假设的拒绝，这比证明所覆盖的范围要宽。

四、开放问题（点到为止，扎根具体语句）¶

弱零假设下的检验：本文的检验严格依赖于强零假设。如何将本文的框架扩展到检验“平均同伴效应为零”的弱零假设，同时保持有限样本下的有效性？扎根点：作者在文中提到“Our approach focuses on the sharp null hypothesis... Extensions to weak null hypotheses are an important direction for future work (see Wu and Ding, 2018; Zhao and Ding, 2021).”
更复杂的干扰结构：本文主要处理群组内完全连接、群组间无连接的简单结构。对于重叠群组（如一个学生同时属于多个学习小组）或更一般的网络结构，如何构造有效的随机化检验？扎根点：作者在结论部分提到“Extending our approach to more complex interference structures, such as overlapping groups or general networks, is a natural next step (see Puelz et al., 2022).”
检验功效（Power）分析：本文证明了检验的有效性（控制I类错误），但未系统性地分析其功效（II类错误）。在什么条件下，基于随机化检验比基于模型的方法更有效或更无效？如何选择检验统计量以最大化功效？扎根点：作者在模拟研究中讨论了功效，但未给出一般性的理论结果。文中提到“The power of the proposed tests depends on the choice of test statistic and the underlying data generating process.”
与“暴露映射（Exposure Mapping）”方法的整合：本文的框架依赖于对“同伴效应”的特定定义（通过 \(\mathbf{W}_g\)）。Savje (2021) 指出，暴露映射的定义和假设可以分离。如何将本文的随机化检验与更灵活的暴露映射定义相结合，以检验更复杂的假设（如“同伴效应的形式是线性的”）？扎根点：作者引用了Hoshino & Yanagi (2023) 关于暴露映射规范检验的工作，但未将其整合到本文框架中。这是一个潜在的连接点。

Maintained by 陈星宇 · Homepage · Source on GitHub