跳转至

Embracing Spillover: Spatial Effects in Experiments

作者: Samuel I. Watson, Penny Hancock, Jack Fraser-Govil, Kieran DeWalt, Thomas A. Smith
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2607.06506

一、领域脉络与小综述

这个方向是什么

本文研究的核心问题是：在空间实验中，当干预效应通过某种距离衰减机制（spillover kernel）在实验单元之间扩散时，如何定义、识别和估计因果效应？ 传统整群随机试验（CRT）依赖 SUTVA 假设（单元间无干扰），但在空间干预（如杀虫剂蚊帐、基因改造蚊子、疫苗）中，这一假设往往不成立。该子方向试图回答：在存在空间溢出效应的情况下，哪些因果量是可识别的？哪些需要额外假设？如何设计实验以最小化偏差或直接识别这些效应？当前该领域正从“通过设计避免溢出”转向“拥抱溢出并系统建模”，但识别理论仍不完整。

发展脉络

  1. 奠基工作：SUTVA 与部分干扰框架

    • Hudgens and Halloran (2008)：提出了“部分干扰”（partial interference）框架，假设干扰仅发生在预先定义的组内，组间无干扰。这是最早系统处理干扰的因果推断框架之一，但将空间视为离散组，无法处理连续空间中的距离衰减效应。
    • Vanderweele et al. (2013)：将中介分析与组随机试验中的溢出效应结合，考虑了教室间的同伴影响。这扩展了效应分解的范畴，但同样依赖离散分组假设。

  2. 主要进展：网络干扰与近似邻域干扰

    • Forastiere et al. (2021) 和 Leung (2022)：将干扰框架从离散组推广到网络结构，定义了直接效应和间接效应（网络溢出）。Leung (2022) 的“近似邻域干扰”（approximate neighborhood interference）假设干扰随网络距离衰减，为空间连续衰减提供了理论原型。
    • Sävje et al. (2021) 和 Sävje (2024)：证明了在“近似邻域干扰”下，即使暴露模型（exposure mapping）被误设，距离边缘化的对比效应（如 θ(d) - θ(d')）仍然可识别。这为本文的“零杠杆” estimand 提供了理论基础——本文明确指出这些对比效应属于 ℓ(w,c)=0 类，不受水平非识别性的影响。
    • Aronow and Samii (2017)：正式提出了“暴露映射”（exposure mapping）的概念，将每个单元的潜在结果定义为自身及其邻居处理状态的函数。本文的 spillover kernel 正是这种暴露映射的线性特例。

  3. 当前 Frontier：空间连续溢出与识别困境

    • Wang et al. (2025)：在伯努利随机化下，证明了随机化本身足以非参数识别“平均边缘化效应”（AME），即给定距离处激活一个处理源的平均效应。本文指出，这本质上是利用了分配间暴露变异（margin variation），但AME曲线本身（即 ϕ(d)）的水平（level）仍未被识别，其识别依赖于设计（伯努利分配）而非水平不变性。
    • Leung (2025)：通过“尾部锚定”（tail anchor）和显式引出的误差界来处理跨簇干扰，将偏差定价到推断中。其“被良好包围的排除”（well-surrounded exclusion）是分析阶段的锚定验证，而“随机化饱和度”（randomised saturation）设计则属于本文分类学中“设计自身强制执行识别假设”的那一行。
    • Watson and Smith (2025)：假设核函数具有紧支撑（compact support），从而直接识别剂量-响应函数。本文将其视为锚定验证路径的极限形式（ē=0 被精确假设），并指出该路径未考察核误设或支撑假设失败的后果。

  4. 本文的位置：本文统一了上述三条路径（Wang 的伯努利设计、Leung 的尾部锚定、Watson-Smith 的紧支撑假设），指出它们都是在一个线性暴露映射框架下的锚定选择。本文的核心贡献是：揭示了空间溢出效应中一个结构性的水平非识别性（level non-identifiability），并给出了一个完整的偏差分解和设计诊断框架。它不提供新的识别路径，而是为所有现有路径提供了一个统一的数学语言和代价核算体系。

子线索聚类

  1. 识别与估计理论：关注在何种假设下，哪些因果量是可识别的。代表工作：Hudgens & Halloran (2008), Forastiere et al. (2021), Leung (2022, 2025), Sävje et al. (2021), Wang et al. (2025), Watson & Smith (2025)。本文属于此线索，但提供了更系统的非识别性分析。
  2. 实验设计与偏差最小化：关注如何通过设计（如缓冲带、fried-egg设计、限制随机化）来减少或避免溢出偏差。代表工作：McCann et al. (2018), Leung (2025), Watson (2021)。本文将此线索纳入其框架，将“缓冲带”视为一种验证锚定（ϕ̄_b = 0）的设计手段。
  3. 空间统计建模与再分析：关注如何用空间统计模型（如高斯过程、条件自回归）分析CRT数据，并估计溢出效应的空间范围。代表工作：Jarvis et al. (2017, 2019), Anaya-Izquierdo & Alexander (2021), Multerer et al. (2021)。本文的偏差分解中的“形状误差”（shape error）和“泄漏项”（leakage term）直接与此线索相关，但本文不依赖复杂的空间模型，而是通过GLS投影来量化偏差。

核心问题与已知瓶颈

  • 核心问题 1：水平非识别性：在固定边缘（fixed-margin）的整群随机化下，spillover kernel 的水平（即常数偏移）与截距和直接效应完全混淆。这是本文的核心发现（Proposition 1）。瓶颈：所有 ℓ(w,c) ≠ 0 的 estimand（如直接效应、总效应、剂量-响应曲线本身）都受此影响，且无法通过增加样本量或改进结果模型来解决。
  • 核心问题 2：锚定假设的必要性：由于水平不可识别，任何估计量都必须依赖一个“锚定假设”（anchoring assumption）来固定水平。瓶颈：锚定假设（如紧支撑、尾部均值归零、缓冲带无溢出）通常是不可验证的（unfalsifiable），其有效性只能通过外部知识或设计来论证。
  • 核心问题 3：偏差分解与设计诊断：如何量化锚定假设失败带来的偏差？如何比较不同设计（锚定 vs. 估计水平）的优劣？瓶颈：现有工作缺乏一个统一的、在设计阶段即可计算的偏差分解公式和决策准则。

⚠️ 作者的 framing

  • 作者的缺口 frame：作者将现有工作（Wang, Leung, Watson-Smith）描述为“解决了同一个潜在问题但走了不同路线”，并声称这些路线都是其统一框架下的“锚定选择”。作者将核心缺口定义为：缺乏一个统一的数学框架来揭示水平非识别性，并量化不同锚定选择的代价。因此，本文的“显然的下一步”是提供一个这样的框架。
  • 被淡化或回避的竞争路线：
    • 非线性暴露映射：本文明确假设 spillover term 是处理源的线性函数（S[ϕ]_i(z) = Σ ϕ(d_i,t) z_ι(t)）。作者在结论中承认，非线性暴露映射下，水平非识别性不再是单个标量，且闭式解（如 ℓ(w,c), I_0）不再成立。这暗示了该框架的局限性，但作者并未深入探讨非线性情况。
    • 基于模型的方法（如贝叶斯空间模型）：本文的框架是设计/频率学派导向的，强调偏差的精确分解。它没有与贝叶斯方法（如通过先验信息识别水平）进行直接比较。作者可能认为贝叶斯先验本质上也是一种“锚定”，但未在文中展开。
  • 什么明显该被引/该存在、却没出现在 intro 里？
    • 更一般的因果推断与干扰文献：如 Manski (2013) 关于部分识别（partial identification）的工作，或 Tchetgen Tchetgen & VanderWeele (2012) 关于工具变量在干扰下的识别。本文的水平非识别性本质上是一个部分识别问题，但作者未引用相关文献。
    • 计算方面的文献：本文的偏差分解和设计诊断（如 I_0 的计算）依赖于 GLS 投影。对于大规模空间数据，这可能需要高效的数值线性代数或近似方法（如诱导点方法）。作者未提及计算挑战或相关文献。

张力

未见明显对立引用。各主要工作（Wang, Leung, Watson-Smith）在方法论上互补而非矛盾，本文将它们统一起来。潜在的张力在于：“通过设计避免溢出”（如缓冲带）与“通过建模拥抱溢出”之间的哲学对立。本文的框架实际上调和了这种对立，将前者视为后者的一个特例（锚定假设）。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型与可观测数据

  • 符号：
    • N: 个体总数。
    • s_i ∈ D ⊂ ℝ²: 个体 i 的空间位置。
    • K: 簇（cluster）总数。
    • k(i) ∈ {1,...,K}: 个体 i 所属的簇。
    • z ∈ {0,1}^K: 簇层面的处理分配向量。z_k = 1 表示簇 k 被处理。
    • T = {t_1, ..., t_M}: 所有处理源（source）的位置集合。在简单例子中，每个簇有一个处理源（如干预投放点），M = K。
    • T_i ⊆ T: 个体 i 的“暴露集”（exposure set），即可能影响 i 的处理源集合。
    • d(s_i, t): 个体 i 与处理源 t 之间的距离。
    • ϕ: [0, D] → ℝ: spillover kernel，是本文的核心参数。ϕ(d) 表示一个距离为 d 的处理源对个体结果的边际效应。这是要估计的对象。
    • τ: 直接处理效应（direct effect），即个体自身被处理（z_{k(i)} = 1）时的额外效应。
    • α: 截距，表示所有处理源都未激活时的基线结果。
    • Y_i(z): 个体 i 在分配 z 下的潜在结果。
    • θ(w, c): 因果 estimand，表示为 cτ + ⟨ϕ, w⟩，其中 w 是一个距离上的测度，c ∈ {0,1} 是直接效应指示器。
    • ℓ(w, c) = m(w) + qc: 水平杠杆（level leverage），其中 m(w) = w([0,D]) 是测度 w 的总质量，q 是每个个体排除的自身簇源数。这是衡量 estimand 对不可识别水平暴露程度的关键标量。
    • ē = A(ϕ) - a_0: 锚定误差，其中 A 是一个锚定泛函（如尾部均值），a_0 是其假设值（通常为0）。
  • 模型：本文采用加性空间响应模型（additive spatial response model）： Y_i(z) = α + τ z_{k(i)} + S[ϕ]_i(z) + ε_i 其中 S[ϕ]_i(z) = Σ_{t ∈ T_i} ϕ(d(s_i, t)) z_{ι(t)} 是 spillover 项，ε_i 是空间相关误差（如高斯过程）。
  • 可观测数据：
    • 可观测：每个个体的位置 s_i、其所属簇 k(i)、簇层面的处理分配 z、所有处理源的位置 T、个体结果 Y_i。
    • 不可观测/潜在：个体在反事实分配下的结果 Y_i(z')，特别是所有处理源都未激活时的结果 Y_i(0)。spillover kernel ϕ 本身也是不可观测的，需要从数据中估计。

第二步：最小内核——最简单的特例

考虑一个极度简化的特例，它包含了本文的核心数学困难：

  • 设定：

    • 只有 2 个簇（K=2），每个簇有 1 个处理源（M=2），且处理源位于簇中心。
    • 每个簇有 1 个个体（N=2），位于簇中心（与处理源重合）。
    • 处理分配是完全随机化的：一个簇被处理（z=1），另一个被控制（z=0）。这是固定边缘（M_0=1）的极端情况。
    • 每个个体排除自身簇的处理源（q=1），因此 T_i 只包含另一个簇的处理源。
    • 距离：两个簇中心之间的距离为 d_0。
    • 结果模型：Y_i = α + τ z_{k(i)} + ϕ(d_0) * z_{other} + ε_i，其中 z_{other} 是另一个簇的处理状态。
    • 我们想估计直接效应 τ。

  • 可观测数据：

    • 分配 1：簇1被处理（z_1=1），簇2被控制（z_2=0）。
      • Y_1 = α + τ*1 + ϕ(d_0)*0 + ε_1 = α + τ + ε_1
      • Y_2 = α + τ*0 + ϕ(d_0)*1 + ε_2 = α + ϕ(d_0) + ε_2
    • 分配 2：簇1被控制（z_1=0），簇2被处理（z_2=1）。
      • Y_1 = α + τ*0 + ϕ(d_0)*1 + ε_1 = α + ϕ(d_0) + ε_1
      • Y_2 = α + τ*1 + ϕ(d_0)*0 + ε_2 = α + τ + ε_2

  • 核心困难（水平非识别性）： 考虑一个简单的差分估计量 τ̂ = (Y_1 - Y_2) 在分配1下。其期望为： E[τ̂ | z=(1,0)] = (α + τ) - (α + ϕ(d_0)) = τ - ϕ(d_0) 这个估计量是有偏的，偏差为 -ϕ(d_0)。更关键的是，我们无法从数据中区分 τ 和 ϕ(d_0)。如果我们对 ϕ 做一个常数偏移 ϕ → ϕ + a，并对 τ 做相应的调整 τ → τ + a（因为 q=1），则 Y_1 和 Y_2 的期望不变：

    • Y_1 期望：α + (τ + a) + (ϕ(d_0) - a)*0 = α + τ + a → 需要同时调整 α 才能保持不变。实际上，Proposition 1(ii) 指出，在固定边缘下，平坦方向是 (α, τ, ϕ) → (α - aM_0, τ + aq, ϕ + a)。在我们的例子中，M_0=1, q=1，所以 (α, τ, ϕ) → (α - a, τ + a, ϕ + a)。检查 Y_1 期望：(α - a) + (τ + a)*1 + (ϕ(d_0) + a)*0 = α + τ。Y_2 期望：(α - a) + (τ + a)*0 + (ϕ(d_0) + a)*1 = α + ϕ(d_0)。期望不变！ 这意味着，无论样本量多大，数据都无法区分 (α, τ, ϕ) 和 (α - a, τ + a, ϕ + a)。ϕ 的水平（即其常数部分）与 α 和 τ 完全混淆。

  • 本文的关键想法：

    1. 识别水平杠杆：对于直接效应 τ，其 estimand 形式为 θ = cτ + ⟨ϕ, w⟩，其中 c=1, w=0。因此水平杠杆 ℓ(w,c) = m(0) + q*1 = 0 + 1 = 1。ℓ ≠ 0 意味着该 estimand 暴露于不可识别的水平。
    2. 锚定：要估计 τ，必须做一个锚定假设来固定 ϕ 的水平。例如，假设 ϕ(d_0) = 0（即距离 d_0 处无溢出）。这等价于假设 ē = 0。在此假设下，τ̂ 是无偏的。如果假设错误（ϕ(d_0) ≠ 0），则偏差为 -ℓ(w,c) * ē = -1 * ϕ(d_0)。
    3. 偏差分解：偏差 -ϕ(d_0) 可以分解为：
      • 水平项：-ℓ(w,c) * ē = -1 * ϕ(d_0)。这是由锚定假设错误导致的。
      • 形状项：-⟨ẽ, w⟩。由于 w=0，此项为0。
      • 泄漏项：P_{N,w,c}(ẽ; z)。由于 w=0 且工作模型简单，此项也为0。
    4. 设计诊断：水平信息 I_0 衡量设计能否打破混淆。在本例中，s_0(z) = S[1](z) = z_{other}。X_0(z) = [1, z_{k(i)}]。由于 z_{other} = 1 - z_{k(i)}（因为只有一个其他簇），s_0(z) 完全落在 X_0(z) 的列空间中。因此 I_0 = 0，设计无法提供任何水平信息。要获得水平信息，需要更复杂的设计（如伯努利分配、哨兵单元等）。

这个最小例子清晰地展示了：在固定边缘的整群随机化下，spillover kernel 的水平与直接效应完全混淆，任何 ℓ ≠ 0 的 estimand 都必须依赖一个不可验证的锚定假设，且偏差由水平杠杆和锚定误差的乘积决定。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在空间实验中，当干预效应通过一个距离衰减核（spillover kernel）在单元间扩散时，因果 estimand（直接、间接、总效应、剂量-响应）的识别、估计偏差和实验设计问题。
  2. 核心工具/方法：将因果 estimand 表示为 spillover kernel 的线性泛函，利用线性代数中的投影理论，揭示了 kernel 水平的非识别性，并推导了任意锚定估计量的偏差精确分解（水平项、形状误差、泄漏项）。
  3. 主要结论：在固定边缘的整群随机化下，spillover kernel 的水平与截距和直接效应完全混淆，且该混淆在任何样本量和任何结果模型下均存在。一个标量——水平杠杆——刻画了每个 estimand 对未识别水平的暴露程度。作者给出了一个设计增广的分类学，以及何时锚定、何时估计水平的判据。

关键设定与假设

  • 核心模型：加性空间响应模型（公式1）。关键假设是 spillover 是处理源的线性函数。非线性暴露映射不在本文框架内。
  • 关键假设：
    • (H1) 全局暴露：每个处理源都在每个个体的建模范围内（T_i = T \ A_i）。这保证了 s_0(z) = S[1](z) 对所有个体都有定义。
    • (H2) 同质排除：每个个体排除相同数量 q 的自身簇处理源。这简化了 s_0(z) 的表达式。
    • (H3) 固定边缘：所有分配 z ∈ Z 下，被处理的源总数恒定（M(z) = M_0）。这是整群随机化的标准特征。
    • Condition 1 (锚定兼容性)：这是一个技术性假设，要求工作模型（working class K）和设计使得形状误差的投影渐近可忽略（o_p(1)）。它保证了偏差分解中泄漏项的可忽略性。
  • 相比已有文献的放宽/强化：
    • 放宽：相比 Hudgens & Halloran (2008) 的离散组假设，本文允许连续空间中的距离衰减。相比 Wang et al. (2025) 的伯努利分配，本文考虑了更一般的固定边缘设计。
    • 强化：相比 Sävje et al. (2021) 的非参数方法，本文假设了线性暴露映射。这是本文框架能够进行精确偏差分解的关键，但也是其主要局限性。

主要结果

  • Proposition 1 (水平混淆)：这是本文最核心的识别结果。它证明了在 (H1)-(H3) 下，spillover kernel ϕ 的水平与 (α, τ) 完全混淆。任何 ℓ(w,c) ≠ 0 的 estimand 都是不可识别的，必须依赖锚定假设。该结果适用于任何均值-方差模型，不限于高斯线性模型。
  • Theorem 3 (投影偏差)：给出了任意锚定估计量 θ̂ 的条件偏差的精确分解： E(θ̂|z) - θ = -L_{N,w,c}(z) * ē (水平项) - ⟨ẽ, w⟩ (形状项) + P_{N,w,c}(ẽ; z) (泄漏项)。 在规范设计下，L_{N,w,c}(z) = ℓ(w,c)。该定理将偏差来源清晰地归因于：锚定假设的错误（ē）、工作核函数形状的误设（ẽ）、以及设计/随机化对形状误差的吸收（泄漏项）。
  • Proposition 4 (水平信息与锚定规则)：给出了一个设计准则。当设计能提供水平信息（I_0(z) > 0）时，可以选择估计水平而非锚定。锚定优于估计当且仅当 |ē| < 1/√I_0(z)。这为实验设计提供了定量依据。
  • Corollary 2 (偏差下限)：证明了对于 ℓ(w,c) ≠ 0 的 estimand，即使样本量趋于无穷，MSE 也不会趋于0，而是趋于 ℓ(w,c)² ē²（在工作核函数正确指定下）。这揭示了锚定假设失败带来的不可消除的偏差。

证明路线与技术技巧

  • 整体路线：
    1. 建立线性框架：将因果 estimand θ 表示为 cτ + ⟨ϕ, w⟩，将 spillover 项 S[ϕ]_i(z) 视为一个线性算子。
    2. 识别混淆方向：通过线性代数，证明 s_0(z) = S[1](z) 落在设计矩阵 X_0(z) = [1, z̃] 的列空间中（在 H1-H3 下）。这意味着 ϕ 的常数部分与 (α, τ) 无法区分。这等价于找到了似然函数的“平坦方向”。
    3. 量化暴露程度：定义水平杠杆 ℓ(w,c)，它等于 estimand 沿平坦方向的变化率。ℓ=0 的 estimand 对水平不敏感，是可识别的。
    4. 推导偏差分解：将真实核 ϕ 分解为锚定部分和误差部分。将估计量 θ̂ 视为 GLS 投影。通过投影的线性性质，将偏差分解为水平项、形状项和泄漏项。泄漏项是形状误差被 GLS 投影吸收的部分，在 Condition 1 下渐近可忽略。
    5. 设计诊断：定义水平信息 I_0(z) 为 s_0(z) 在投影到工作模型列空间后的残差范数。I_0 > 0 意味着设计能提供水平信息。通过比较锚定误差 |ē| 和 1/√I_0，给出锚定 vs. 估计的决策规则。
  • 关键跳跃点：
    • 从识别到偏差的跳跃：识别结果（Proposition 1）是确定性的（给定设计矩阵）。偏差分解（Theorem 3）则引入了估计量的随机性和工作模型的误设。关键跳跃在于将锚定误差 ē 和形状误差 ẽ 的概念引入，并证明泄漏项在 Condition 1 下可忽略。Condition 1(b) 要求工作模型足够丰富，使得任何锚定后的形状误差在投影到估计方向时都渐近消失。
    • 从偏差到设计的跳跃：Proposition 4 将偏差分析转化为一个设计问题。关键跳跃在于认识到 I_0(z) 是一个设计阶段即可计算的量，而锚定误差 ē 需要外部知识。通过比较 |ē| 和 1/√I_0，作者将“锚定还是估计”这个定性问题转化为一个定量的 MSE 比较。
  • 技术技巧点名：
    • 线性代数/投影：整个框架的核心。利用 s_0(z) 在 X_0(z) 列空间中的性质来证明非识别性。利用 GLS 投影的线性性质来分解偏差。
    • 锚定泛函：将不同的识别假设（如尾部均值归零、紧支撑）统一表示为线性泛函 A。这使得不同方法可以在同一框架下比较。
    • c-最优设计：在设计诊断部分，将最小化方差问题表述为 c-最优设计问题，并引用 Watson & Pan (2023) 的算法。

真实例子与应用

本文包含一个模拟研究（Section 6），但没有真实数据例子。

  • 模拟设置：在单位正方形上放置 K=30 个簇中心，每个簇有 n=30 个个体。结果由加性模型生成，包含一个 Matern 空间随机效应。真实核 ϕ 取 Matern 形状（光滑）和 Wendland 形状（紧支撑）。设置了“高溢出”和“低溢出”两个场景。
  • 方法应用：比较了三类估计量：传统 CRT 分析（K={0}）、半参数 Chebyshev 基、参数 Wendland 核。所有估计量都通过 GLS 拟合，空间协方差用 Hilbert 空间展开近似。
  • 结果：
    • 偏差：对于水平杠杆非零的 estimand（如 τ_DE, τ_cluster, ATET），当真实核光滑（Matern）且锚定假设（如尾部均值归零）不准确时，灵活估计量（Chebyshev, Wendland）仍有显著偏差，且偏差随溢出强度增大。这验证了 Theorem 3 的水平项。对于零杠杆的对比效应（θ(d) - θ(d')），所有 spillover-aware 估计量都几乎无偏。
    • MSE：随着 K 增大，水平杠杆非零的 estimand 的 MSE 趋近于一个非零常数（偏差下限），而零杠杆 estimand 的 MSE 趋于0。这验证了 Corollary 2。
    • 覆盖：模型标准误对某些 estimand（如剂量-响应、对比）校准良好，但对另一些（如直接效应）存在覆盖不足，这归因于估计量偏差和小样本问题。
  • 例子想说明什么：模拟研究旨在验证理论结果（Theorem 3, Corollary 2），并展示不同估计量在不同场景下的有限样本表现。它强调了水平非识别性带来的偏差是结构性的，无法通过使用更灵活的核函数来消除。

🔎 结论是否比证明窄

  • 是。本文的精确结果（如闭式偏差分解、水平杠杆恒等式）都是在线性暴露映射下证明的。作者在结论中明确承认，在非线性暴露映射下，水平非识别性不再是单个标量，且闭式解不再成立。然而，文章的标题和摘要并未强调这一限制，可能会让读者误以为该框架适用于任意形式的溢出。例如，结论中“Level-loaded estimands require an assumption bridging to the unobserved all-control state under any exposure structure” 是一个更泛化的 claim，但其支撑的数学结果（ℓ(w,c), I_0）仅在线性模型下被严格证明。
  • 另一个窄化之处在于Condition 1 (锚定兼容性)。Theorem 3 的偏差分解中，泄漏项 P_{N,w,c}(ẽ; z) 被声明为 o_p(1) 依赖于此条件。该条件要求工作模型和设计使得形状误差的投影渐近可忽略。在实际应用中，如果工作模型选择不当或设计不佳，泄漏项可能不可忽略，从而破坏偏差分解的准确性。作者在模拟中使用了 Chebyshev 基和 Wendland 核，这些可能恰好满足 Condition 1，但并未提供一般性的验证方法。

四、开放问题

  1. 非线性暴露映射下的识别与偏差：本文的核心结果（水平杠杆、偏差分解）严格依赖于线性暴露映射。扎根于：结论部分“outside the linear model that assumption is no longer a single scalar and the closed-form prices... do not survive as stated”。一个开放问题是：在更一般的非线性暴露映射（如 S[ϕ]_i(z) = g(Σ ϕ(d_i,t) z_ι(t))）下，水平非识别性如何表征？是否存在类似“水平杠杆”的标量？偏差分解是否仍然可行？

  2. 时间维度与动态核：本文简要讨论了时间增广（基线期），但假设核是静态的。扎根于：结论部分“a complete treatment of temporal effects may relax the static kernel and introduce carry-over effects”。一个开放问题是：当 spillover kernel 随时间变化（如干预效果衰减或增强）时，识别问题如何变化？是否存在类似于空间水平的“时间水平”非识别性？Mukaigawara et al. (2025) 的工作提供了一个起点，但将其与本文的偏差分解框架结合是一个开放方向。

  3. 最优设计下的效率边界：本文给出了设计诊断（I_0, Λ_F），但未给出在给定预算和空间布局下，同时最小化偏差和方差的最优设计。扎根于：结论部分“more work is required to maximise the efficiency of such designs”。一个开放问题是：如何将本文的偏差分解（特别是水平项和泄漏项）与 c-最优设计框架结合，构建一个同时考虑偏差和方差的目标函数，并开发相应的优化算法？这与研究者 moderately_familiar 的 M-estimation 理论和非常熟悉的 minimax 界工具高度相关。

  4. 锚定假设的敏感性分析：本文的框架依赖于一个外部给定的锚定误差 ē。扎根于：Proposition 4 的锚定规则 |ē| < 1/√I_0。一个开放问题是：如何系统地进行锚定假设的敏感性分析？例如，能否构建一个关于 ē 的部分识别区域（partial identification region），而不是依赖一个点假设？这与研究者 primary interest 中的 sensitivity analysis 直接相关。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论