A Nonparametric Test for Cross-Unit Spillovers¶

作者: Margherita Comola, Camila Comunello, Abhimanyu Gupta
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.00136

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向要解决的根本问题是：在存在跨单元依赖（interference / spillover）的因果推断中，如何检测这种依赖的存在。当个体i的结果不仅取决于自身的处理/协变量，还取决于其他个体（“同伴”）的处理/协变量/结果时，标准的SUTVA假设被违反，传统的估计和推断方法可能失效。该方向的成熟度较高，已有大量关于估计和识别的工作，但检测（尤其是非参数检测）的工具相对较少，且大多依赖线性参数假设。

发展脉络（history）¶

奠基工作：线性模型与识别问题。Manski (1993) 的“反射问题”（reflection problem）奠定了社会交互识别的基础，指出了区分内生效应（endogenous effects，同伴结果影响自身结果）与外生效应（exogenous / contextual effects，同伴特征影响自身结果）的困难。Bramoullé et al. (2009) 在社交网络框架下给出了线性-in-均值模型可识别的充要条件，利用网络结构（如存在“朋友的朋友”但非直接朋友）来构造工具变量。Jochmans (2023) 进一步处理了因不可观测的同质性（assortative matching）导致的链接内生性问题，同样使用工具变量策略。
主要进展：实验设计与参数估计。在存在干扰的实验中，Hudgens and Halloran (2008) 提出了部分干扰（partial interference）框架和两阶段随机化设计。Liu and Hudgens (2014) 在该设计下推导了因果效应估计量的渐近分布。Baird et al. (2018) 形式化了随机化饱和度设计（randomized saturation designs）的最优性。Vazquez-Bare (2023) 在非参数识别框架下提出了溢出效应的非参数估计量，但需要指定处理分配机制。Viviano (2025) 在存在网络干扰时研究政策目标（policy targeting），使用半参数方法。
当前Frontier：非参数与半参数方法。近期工作开始放松参数假设。Hoshino and Yanagi (2023, 2024) 分别处理了存在策略性交互和未知干扰结构时的因果推断，后者使用非参数方法。Hoshino and Yanagi (2026) 提出了一个针对干扰结构设定的条件随机化检验（specification test for interference structure），这是与本文最接近的竞争工作。本文（Comola, Comunello, Gupta, 2026）则提出一个非参数检验，用于检测溢出效应是否存在，而非估计其大小或结构。

子线索聚类¶

线索一：线性模型中的识别与估计。以 Manski (1993), Bramoullé et al. (2009), Jochmans (2023) 为代表。核心是解决线性-in-均值模型中的反射问题和内生网络形成问题，通常依赖工具变量。
线索二：实验设计与参数估计。以 Hudgens and Halloran (2008), Liu and Hudgens (2014), Baird et al. (2018) 为代表。核心是在部分干扰或已知网络结构下，设计实验（如两阶段随机化）并估计因果参数（如直接效应、溢出效应）。
线索三：非参数/半参数识别与估计。以 Vazquez-Bare (2023), Viviano (2025), Hoshino and Yanagi (2024) 为代表。核心是放松对溢出函数形式的参数假设，但仍侧重于估计（如平均处理效应、最优政策）。
线索四：非参数检验。以 Hoshino and Yanagi (2026) 和本文为代表。核心是检测干扰/溢出是否存在，而非估计其大小。这是相对较新的子线索。

这个方向在追问的核心问题¶

如何检测非线性溢出？ 现有线性模型可能因正负溢出相互抵消或非线性形式而无法检测到溢出。本文直接回应此问题。
如何在不指定溢出机制的情况下进行检验？ 大多数现有方法（如 Vazquez-Bare, 2023）需要指定处理分配机制或溢出函数形式。本文的检验仅需在原假设（无溢出）下估计一个线性模型。
检验能否适应多种交互结构（分组、网络、空间）？ 不同数据结构（如分组 vs. 网络）对检验方法的要求不同。本文声称其方法具有通用性。
检验能否处理测量误差？ 实际中的网络数据常含有噪声。本文在附录B.2中讨论了在潜空间模型下测量误差渐近可忽略的条件。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者把缺口 frame 成什么？ 作者将缺口定位为：缺乏一个简单、易实施、非参数的诊断工具，用于在应用研究的第一步检测溢出效应是否存在。他们强调，现有方法要么依赖参数假设（线性），要么侧重于估计而非检验，要么实施复杂。因此，本文的检验是“显然的下一步”——一个“LM型”的非参数检验，只需在原假设下估计，且渐近标准正态。
哪些竞争路线被他淡化或回避了？ 作者淡化了 Hoshino and Yanagi (2026) 的工作。后者也提出了一个针对干扰结构的设定检验（specification test），但作者将其定位为检验“给定的暴露映射（exposure mapping）是否正确”，而非本文的“是否存在任何溢出”。作者在引言中仅用一句话提及，并称其为“更近期的工作”。这暗示作者认为自己的检验更基础、更通用。此外，作者回避了与 Vazquez-Bare (2023) 的非参数估计方法的直接比较，因为后者虽然灵活，但需要估计非参数函数，而本文的检验完全避免了这一点。
什么明显该被引 / 该存在、却没出现在 intro 里？ 作者没有引用任何关于高阶U统计量或张量网络的工作。考虑到检验统计量涉及多个基函数的乘积和交互，其高阶矩或组合结构可能与U统计量有关。对于一位熟悉高阶U统计量的研究者（如陈星宇），这是一个值得查证的点：检验统计量的方差估计或高阶渐近性质是否可以用U统计量理论来理解或改进？

张力¶

未见明显对立引用。所有被引工作基本都承认线性模型可能不足，并朝着更灵活的方向发展。主要张力在于“检测”与“估计”之间的权衡，以及“参数”与“非参数”之间的选择，但这不是矛盾，而是互补。

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, ..., n: 个体索引。
- y_i: 个体i的可观测结果变量（标量）。
- x_i: 个体i的可观测协变量向量（k×1），可能包含内生变量。
- W: 可观测的社交权重矩阵（n×n），w_ij表示j对i的影响权重，对角线为0。可以是分组（block）或网络（network）结构。
- w_i': W的第i行，表示i的所有同伴的权重向量。
- c_j: 第j个可观测的同伴协变量向量（n×1），j = 1, ..., l。例如，c_1可以是所有个体的种族指示变量。
- ϵ_i: 不可观测的误差项。
- f(·), g_j(·): 未知的非参数函数，分别刻画“结果溢出”（outcome spillover）和“协变量溢出”（covariate spillover）。
- β: 线性部分的系数向量（k×1），是要估的参数。
- Z: 工具变量矩阵（n×m），用于处理X中的内生性。在OLS特例下，Z = X。
- ψ_i(·): 用户选择的基函数（如Hermite多项式），i = 1, ..., p。
- p: 基函数个数，随n增长（p → ∞）。
- q: 检验的约束个数，q = p(l+1)。
- G: 集群个数。n_g是第g个集群的大小，假设n_g有界，因此n ~ G。
模型：数据生成机制由下式给出： y_i = f(w_i' y) + x_i' β + Σ_{j=1}^l g_j(w_i' c_j) + ϵ_i 这是一个部分线性模型。f(·)和g_j(·)是未知的非参数部分，代表溢出效应。x_i'β是线性部分。ϵ_i在集群内可以相关，但集群间独立。
可观测数据：
- 可观测：y_i, x_i, W, c_j, Z。研究者拥有这些量的样本。
- 想要但观测不到：f(·), g_j(·), ϵ_i。溢出函数的形式和误差项都是未知的。核心识别假设是：在原假设H0: f(s)=0, g_j(s)=0下，模型退化为y_i = x_i'β + ϵ_i，这是一个标准的线性回归模型，其参数β可以通过OLS或IV识别。

第二步：讲最小内核¶

本文的核心思路是将非参数检验问题转化为一个参数检验问题，通过级数展开（series approximation）来近似未知的非参数函数。

最简特例： 假设： 1. 没有内生性（X外生），因此Z = X，使用OLS。 2. 只有一个协变量溢出通道（l=1），且没有结果溢出（f(·)=0）。模型简化为： y_i = x_i'β + g(w_i' c) + ϵ_i 原假设为 H0: g(s) = 0 对所有s成立。 3. 使用多项式基函数 ψ_i(s) = s^{i-1}（为简单起见，忽略常数项）。

在这个特例下，要证的命题退化成什么？ 原假设 H0: g(s)=0 等价于 g(s) 的所有多项式系数为零。我们用p个多项式来近似g(s)： g(s) ≈ Σ_{i=1}^p μ_i s^{i-1} 那么近似原假设为 H0A: μ_1 = μ_2 = ... = μ_p = 0。

证明怎么走？ 1. 构造LM统计量：在原假设H0A下，模型是线性回归 y_i = x_i'β + ϵ_i。我们估计这个模型，得到残差 ê_i = y_i - x_i'β̂。LM检验的思想是：如果H0A成立，那么残差ê_i应该与任何“被遗漏的变量”不相关。这里的“被遗漏的变量”就是用来近似g(s)的基函数项，即 z_i = (w_i'c, (w_i'c)^2, ..., (w_i'c)^p)。 2. 计算辅助回归：将残差ê对X和Z（这里Z是基函数矩阵）进行回归。LM统计量等于这个辅助回归的n * R^2，其中R^2是仅由Z解释的那部分变差。 3. 处理维度发散：由于p随n增长，标准的χ²_p临界值不再适用。本文的关键技巧是对LM统计量进行中心化和缩放，使其渐近服从标准正态分布。具体地，他们构造的统计量S（公式2.11）本质上是一个“标准化后的LM统计量”，其形式为 (n * R^2 - p) / sqrt(2p)。 4. 证明渐近正态性：证明的核心是展示S可以近似为一个关于误差项ϵ的二次型，然后利用一个针对发散维度二次型的中心极限定理（CLT，如Gupta et al., 2025的Theorem A.1）来证明其渐近标准正态性。这个CLT要求p^3/n → 0，即基函数个数不能增长太快。

为什么成立？ 因为当H0成立时，g(s)=0，所以z_i与y_i无关（在控制了x_i后）。因此，辅助回归的R^2应该很小，其期望为p/n。经过中心化和缩放后，S的均值为0，方差为1，且渐近正态。如果H0不成立，z_i能解释y_i的额外变差，R^2会显著大于p/n，导致S发散到正无穷，从而拒绝原假设。

结论：本文的核心数学操作是：用一个发散维度的线性模型（级数展开）来近似一个非参数函数，然后构造一个LM型检验，并证明其标准化后的统计量渐近标准正态。这避免了在备择假设下进行非参数估计的复杂性。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：提出了一个非参数检验（s检验），用于检测通过同伴属性（c通道）、同伴结果（y通道）或两者共同传导的跨单元溢出效应。
核心工具/方法：基于拉格朗日乘子（LM）检验思想，使用级数展开（如Hermite多项式）来近似未知的非参数溢出函数，将检验问题转化为对级数系数是否为0的假设检验。检验统计量在原假设下仅需估计一个线性模型，并经过中心化和缩放后渐近服从标准正态分布。
主要结论：在p^3/n → 0和近似误差足够小的条件下，检验统计量S在原假设下渐近标准正态，且检验是一致的。通过四个实证例子（高尔夫球手、大学室友、小学生、经济学家）展示了该检验能检测到线性模型遗漏的非线性溢出效应。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

模型：y_i = f(w_i' y) + x_i'β + Σ_{j=1}^l g_j(w_i' c_j) + ϵ_i。这是最一般的设定，同时包含c和y通道的溢出。
数据：观测数据为(y_i, x_i, w_i, c_{1i}, ..., c_{li})。W是固定的或外生的。数据被划分为G个集群，集群内相关，集群间独立。n_g有界，因此n ~ G。
假设：
- Assumption 1 (误差项)：ϵ_i均值为0，方差有界，8+τ阶矩有界。集群间独立，集群内允许任意相关（协方差矩阵Σ_g）。
- Assumption 2 (矩条件)：x_i和z_i（工具变量）的四阶矩有界。
- Assumption 3 (正则性与近似误差)：
  - Σ_g的特征值有界且远离0。
  - 工具变量矩阵M = E(Z'Z/n)和设计矩阵L = E(U'U/n)的特征值有界且远离0（无多重共线性）。
  - 关键：级数近似误差r_f(s)和r_gj(s)以速率p^{-ν}一致收敛到0，且ν > 5/2。这保证了近似是足够好的。
  - n/p^{ν+1/2} = o(1)，结合p^3/n = o(1)，意味着ν > 5/2。
- Assumption 4 (截面依赖性)：对工具变量和设计矩阵的交叉矩的协方差之和施加了O(n)的界。这类似于Lee and Robinson (2016)中的条件，用于控制截面依赖性，使得CLT成立。
- Assumption 5 (备择假设下的正则性)：在备择假设下，Φ矩阵及其导数有界且可逆。

相比已有文献的放宽或强化： - 放宽：相比Bramoullé et al. (2009)等线性模型，本文完全放松了对溢出函数f和g的线性假设。 - 强化：相比Vazquez-Bare (2023)的非参数估计，本文的检验不需要估计非参数函数，但需要假设级数近似误差以足够快的速率衰减（Assumption 3中的ν > 5/2）。这个假设在理论上合理，但在应用中难以验证。

主要结果¶

Theorem 1 (原假设下渐近正态性)：在H0、p^3/n = o(1)和ν > 5/2等条件下，检验统计量S渐近服从标准正态分布N(0,1)。这为使用单侧标准正态临界值提供了理论依据。
- 直觉：S是标准化后的LM统计量。证明的核心是展示S可以近似为一个关于误差项ϵ的二次型，然后应用一个针对发散维度二次型的CLT（Gupta et al., 2025的Theorem A.1）。
- 必要条件：p^3/n → 0是关键速率条件，限制了基函数个数p的增长不能太快。ν > 5/2保证了近似误差的衰减足够快，不影响渐近分布。
- 解决的技术难点：处理发散维度q（q = p(l+1) → ∞）下的LM统计量，并证明其标准化后收敛到标准正态，而非χ²分布。
Theorem 2 (检验的一致性)：在全局备择假设H1A（至少一个μ_i ≠ 0）下，检验统计量S以概率1发散到无穷大，因此检验是一致的（即当样本量足够大时，能检测到任何非零的溢出效应）。
- 直觉：当存在溢出时，辅助回归的R^2会显著大于p/n，导致S发散。
- 必要条件：除了原假设下的条件外，还需要Assumption 5来保证备择假设下统计量的行为良好。

证明路线与技术技巧¶

整体路线：
1. 近似：用级数展开Σ μ_i ψ_i(s)近似非参数函数f和g_j，将原假设H0: f=0, g_j=0转化为近似原假设H0A: μ=0。
2. 构造统计量：基于IV/OLS目标函数，构造LM型梯度向量ˆd（公式2.9），并构建其协方差矩阵的稳健估计ˆH（公式2.10）。然后构造中心化、缩放后的统计量S（公式2.11）。
3. 近似误差处理：证明ˆd与一个理想化的、不含近似误差的d之间的差异是O_p(p^{3/2}/n)（Theorem C1），在p^3/n → 0下可忽略。
4. 二次型近似：证明S与一个关于误差项ϵ的二次型nd'H^{-1}d之间的差异是o_p(1)（Theorem C2）。
5. 中心极限定理：将d表示为d = - (2/n) J' M^{-1/2} K_{NM} M^{-1/2} Z' ϵ。利用误差项的“线性过程”表示ϵ = Bη，将nd'H^{-1}d转化为η'B'GBη的形式。然后应用Gupta et al. (2025)的Theorem A.1，该定理给出了一个针对发散维度二次型的CLT，其条件（如G矩阵的特征值有界且远离0，元素g_ij = O(p/n)）在Assumptions 1-4下得到满足。
关键跳跃点：
- 从ˆd到d的近似：Theorem C1的证明需要处理ˆJ, ˆM, ˆN等随机矩阵与其期望的差异，以及近似误差R的影响。这需要精细的矩阵范数运算和概率不等式。
- 从S到二次型的近似：Theorem C2的证明需要处理ˆH与H的差异，以及ˆd与d的差异，证明它们对统计量的影响是o_p(1)。这涉及复杂的代数展开和范数估计。
- CLT的应用：将nd'H^{-1}d转化为η'B'GBη后，需要验证Gupta et al. (2025)的Theorem A.1的所有条件。其中，验证G矩阵的元素g_ij = O(p/n)和Σ_j g_ij^2 = O(p/n)是关键，这依赖于工具变量z_i的矩条件和A矩阵的有界性。
技术技巧点名：
- LM检验框架：核心思想，将检验问题转化为对约束条件的检验，且只需在原假设下估计。
- 级数展开（Series Approximation）：用发散维度的线性模型近似非参数函数。
- 集群稳健方差估计（Cluster-Robust Variance）：ˆH的构造使用了集群内残差乘积的协方差矩阵ˆΦ，以处理集群内相关。
- 线性过程表示（Linear Process Representation）：将误差项ϵ表示为ϵ = Bη，其中η是i.i.d.的，这简化了二次型CLT的应用。
- 发散维度二次型的中心极限定理（CLT for Quadratic Forms with Diverging Dimension）：Gupta et al. (2025)的Theorem A.1是证明的核心工具。

真实例子与应用¶

论文包含四个真实数据例子，全部来自已发表的实证研究。

数据/场景：
1. Guryan et al. (2009)：职业高尔夫球手比赛数据。研究同伴能力对球员成绩的影响。
2. Corno et al. (2022)：开普敦大学随机分配室友的数据。研究跨种族室友互动对学业表现的影响。
3. Wu et al. (2023)：中国小学随机分配同桌的干预实验。研究同桌能力对学生成绩和性格的影响。
4. Bosquet et al. (2022)：法国大学经济学家的研究产出数据。研究同事的科研产出对个人产出的影响。
如何应用：对每个例子，作者都根据原文的设定定义了同伴属性w_i'c和同伴结果w_i'y。然后，他们使用本文提出的s检验（包括c、y和cy三个通道）来检测溢出效应，并与原文使用线性模型得出的结论进行比较。
结果：
- Guryan et al. (2009)：原文在线性模型下未发现溢出效应（specifications i, ii）。本文的s检验在所有三个规范下都拒绝了无溢出的原假设，表明存在非线性溢出。
- Corno et al. (2022)：原文发现对黑人学生有显著溢出，对白人学生无。本文的s检验在12个案例中有9个与原文结论一致，但在3个案例中（白人学生的“考试通过数”和“继续资格”，以及全样本的“GPA”），原文未发现溢出，而s检验拒绝了原假设。
- Wu et al. (2023)：原文在线性模型下发现溢出效应很弱。本文的s检验在大多数案例中拒绝了原假设，表明存在线性模型未能捕捉到的非线性同伴效应。
- Bosquet et al. (2022)：原文发现当同伴定义在同一领域时存在溢出。本文的s检验在所有规范下都拒绝了原假设，包括原文未发现溢出的规范（i, ii）。
这些例子想说明什么：这些例子旨在证明本文提出的s检验的实用价值和区分能力。它能够：
1. 检测到线性模型遗漏的溢出：在多个案例中，当线性模型结论为“无溢出”时，s检验结论为“有溢出”，暗示溢出效应是非线性的。
2. 保持一定的“保守性”：在Corno et al. (2022)的例子中，s检验在9/12的案例中与原文结论一致，包括在白人学生样本中保留了“不拒绝”的结论。作者强调，这证明了检验并非“见什么就拒绝什么”，而是有选择性的。

🔎 结论是否比证明窄¶

是。论文的证明（Theorem 1）严格依赖于p^3/n → 0和ν > 5/2。然而，在实证应用中，作者推荐使用p = max(2, [n^{1/3}])，这满足p^3/n → 0。但ν > 5/2（近似误差衰减速率）是一个无法验证的假设。作者在引言和结论中声称检验适用于“多种交互结构”，但证明主要针对集群依赖结构（n_g有界）。对于更一般的空间依赖或网络依赖，作者仅在附录B.2中讨论了在潜空间模型下测量误差可忽略的条件，但没有提供正式的证明来保证在这些更复杂的依赖结构下，检验统计量S的渐近分布仍然是标准正态。因此，论文的理论保证实际上比其声称的适用范围要窄。作者在Section 3开头说“Extensions to alternative error dependence structures... are conceptually straightforward”，但这只是一个断言，而非证明。

四、开放问题¶

局部幂性质（Local Power）：论文证明了检验的一致性（能检测到任何固定备择），但没有分析其局部幂（local power），即当溢出效应以1/√n速率趋近于0时，检验能否检测到。这需要推导检验统计量在局部备择下的渐近分布。扎根点：Theorem 2只给出了全局一致性，未涉及局部备择。对于熟悉非参数统计和M估计理论的研究者，这是一个自然的延伸。
更复杂的溢出结构：论文的检验主要针对“同伴均值”形式的溢出（w_i'y, w_i'c_j）。如何将检验扩展到更复杂的溢出结构，例如高阶网络效应（“朋友的朋友”）、或基于整个同伴特征分布（而非均值）的溢出？扎根点：模型（2.1）中的f(w_i'y)和g_j(w_i'c_j)是标量函数，限制了溢出形式。作者在附录B.1中讨论了多个W矩阵的情况，但未涉及高阶网络。
测量误差的正式处理：附录B.2讨论了在潜空间模型下测量误差可忽略的条件，但这依赖于对网络形成模型的正确设定和参数估计的√n一致性。如果网络形成模型被误设，或者估计速率更慢，检验的尺寸和幂会如何变化？扎根点：附录B.2的条件（B.6）和（B.9）是充分条件，但并非必要。一个更鲁棒的检验或对测量误差更敏感的分析是开放问题。
与Hoshino and Yanagi (2026)的比较：本文与Hoshino and Yanagi (2026)都提出了针对干扰的检验，但目标不同（检测存在性 vs. 检验设定）。一个自然的问题是：在什么条件下，一个检验可以转化为另一个？或者，是否存在一个统一的框架？扎根点：引言中作者将Hoshino and Yanagi (2026)定位为“specification test for the latter [interference structure]”，暗示了互补性，但未深入探讨。这是一个值得研究者去查的张力点。

Maintained by 陈星宇 · Homepage · Source on GitHub