跳转至

CUPED on Steroids: Multivariate Covariate Adjustment for Switchback Experiments

作者: Sergei Pankratev, Palash Arora
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2608.24038

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switchback实验（一种聚类随机化设计，处理分配在“空间聚类 × 时间周期”的单元格上）中，如何通过协变量调整来降低处理效应估计量的方差，从而提升统计功效。该方向是“在线实验方差缩减”与“聚类随机化试验设计”的交叉点，当前成熟度处于方法应用与理论深化阶段——基础框架（CUPED）已成熟并被广泛采用，但针对switchback特有结构（单元格级变异主导、聚类大小不平衡）的优化仍在快速发展中。

发展脉络（history）

  1. 奠基工作：CUPED与回归调整的经典争论
  2. Deng et al. (2013)：引入CUPED，利用实验前数据作为控制变量来降低方差，是后续所有工作的起点。本文引用称其为“model-free method”。

  3. Freedman (2008) / Lin (2013)：围绕回归调整是否损害精度展开经典争论。Lin (2013) 证明，在包含处理-协变量交互项时，OLS调整不会损害渐近精度。本文引用称“regression adjustment is known to improve precision when applied correctly”，并以此作为CUPED的理论正当性基础。

  4. 主要进展：从单协变量到机器学习预测

  5. Poyarkov et al. (2016)：提出CUPAC，用机器学习模型（如boosted trees）的预测值替代单变量滞后作为协变量。本文引用称其“widely adopted in industry”。
  6. Lin & Crespo (2024)：将实验前与实验内协变量结合，实现比仅用实验前数据更大的方差缩减。本文引用称其“achieving greater uncertainty reduction”。

  7. Chernozhukov et al. (2018)：建立双重/去偏机器学习（DML）框架，其中交叉拟合是标准做法。本文引用以说明交叉拟合的必要性。

  8. 当前frontier：switchback实验的方差结构分析与针对性调整

  9. Bojinov et al. (2023)：推导switchback实验的最优设计，提供基于随机化的推断方法。本文引用以说明switchback实验的广泛应用场景。
  10. Pankratev (2026b)：建立switchback实验的多层方差分解框架，将结果变异分解为空间、时间、交互和残差分量，并证明这些分量对不平衡的响应方式不同。这是本文最核心的理论基础。
  11. Pankratev (2026a)：在switchback设计中系统比较CUPED、CUPAC和双重稳健估计量，绘制各方法效率增益最大的情景地图。本文引用称其“treating the covariate model as given”。

  12. Pankratev (2026c)：研究当随机化发生在单元格层面时，CUPAC模型应如何训练和调整，推导与switchback方差结构匹配的训练和分析程序。本文引用称其“addresses a distinct but related question”。

  13. 本文的位置：在上述工作的基础上，本文回答一个具体问题：给定一个标准的预测目标，哪些协变量应该进入调整，以及额外的滞后和固定效应如何相互作用以达到驱动统计功效的单元格级结果变异。它介于单变量CUPED和全灵活CUPAC之间，是一种轻量级、可自动化的中间方案。

子线索聚类

子线索 代表工作 核心内容
经典方差缩减（CUPED/CUPAC） Deng et al. (2013), Poyarkov et al. (2016), Lin & Crespo (2024) 利用实验前/实验内数据作为协变量，通过回归调整降低方差
回归调整的理论基础 Freedman (2008), Lin (2013) 证明回归调整在正确使用下不损害精度，甚至提升效率
switchback实验设计与推断 Bojinov et al. (2023), Pankratev (2026b) 推导最优设计、方差分解、推断方法
switchback中的方差缩减方法比较与优化 Pankratev (2026a, 2026c), 本文 在switchback设定下比较/优化CUPED、CUPAC等方法的实际表现

这个方向在追问的核心问题

  1. 如何最大化方差缩减：在给定实验设计下，哪些协变量能最有效地降低处理效应估计量的方差？
  2. 方差缩减的上界是什么：协变量调整能达到的理论极限是多少？这个极限如何依赖于结果变异的组成（空间/时间/交互/残差）？
  3. 如何避免过拟合导致的虚假效率：当协变量集丰富时，如何确保方差缩减的估计是真实的而非由过拟合膨胀的？
  4. 方法在实践中的可部署性：方法是否轻量级、自动化、易于集成到现有分析流程中？

当前主流方法与已知瓶颈：主流方法是CUPED（单滞后）和CUPAC（机器学习预测）。瓶颈在于：CUPED受限于单协变量的预测能力；CUPAC虽灵活但可能引入偏差（当预测模型包含与当前处理分配相关的特征时），且需要手动特征工程。本文的“多变量滞后+固定效应+交叉拟合”方案试图在两者之间取得平衡。

⚠️ 作者的framing

作者把缺口frame成什么：作者将缺口定位为“在switchback实验中，标准CUPED仅使用单滞后，未能充分利用单元格级结果变异的可预测结构（空间/时间主效应、持久交互效应）”。因此，本文的“显然的下一步”是：在不引入新假设、不增加部署复杂度的前提下，通过丰富协变量集（多滞后+固定效应）来更直接地针对单元格级变异。

哪些竞争路线被他淡化或回避了： - CUPAC的灵活性：作者明确将本文定位为“介于CUPED和CUPAC之间”，并称“不是全灵活CUPAC模型的替代品”。这淡化了CUPAC在丰富个体级特征可用时的潜在优势。 - 双重稳健估计量：Pankratev (2026a) 比较了双重稳健估计量，但本文未将其作为baseline。作者可能认为双重稳健估计量在switchback中的表现已被另一篇论文覆盖。 - 最优实验设计：Bojinov et al. (2023) 的工作关注设计本身（如配对、镜像），而本文关注后验调整。作者未讨论“更好的设计是否可以减少对调整的依赖”。

什么明显该被引/该存在、却没出现在intro里？ - 聚类随机化试验的经典样本量公式：Eldridge et al. (2006) 和 Moulton (1986) 被引用，但更近期的、关于聚类随机化试验中协变量调整的文献（如 Murray (1998) 或 Donner & Klar (2000) 的教科书）未被提及。这可能是因为本文聚焦于switchback这一特定设计。 - 高维协变量调整的惩罚方法：本文使用ridge回归，但未引用高维统计中关于惩罚回归在因果推断中应用的理论工作（如 Belloni et al. (2014) 的“post-double-selection”）。这可能是因为本文的协变量维度（最多200+）远低于高维设定。 - 因果推断中的交叉拟合理论：虽然引用了Chernozhukov et al. (2018)，但未深入讨论交叉拟合在非i.i.d.数据（如时间序列或聚类数据）中的理论性质。本文的交叉拟合是“按单元格随机分配折叠”，但未证明其在switchback的依赖结构下是否仍保持有效性。

张力

未见明显对立引用。所有被引工作基本一致地认为：协变量调整在正确使用时能提升效率；switchback实验的方差结构需要针对性处理。唯一的“张力”可能是Freedman (2008) 对回归调整的批评，但Lin (2013) 已基本解决了该批评，本文也站在Lin的立场上。

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： - \( Y_{i,j,h} \)：个体 \( i \) 在单元格 \( (j, h) \) 中的结果变量（可观测）。 - \( W_{j,h} \in \{0,1\} \)：单元格 \( (j, h) \) 的处理分配（可观测）。 - \( \tau \)：平均处理效应（ATE），目标参数（estimand）。 - \( j = 1,\dots,J \)：空间聚类索引。 - \( h = 1,\dots,H \)：时间周期索引。 - \( i = 1,\dots,n_{j,h} \)：单元格 \( (j, h) \) 内的个体索引。 - \( \alpha_j \)：空间聚类主效应（潜在，不可观测）。 - \( \gamma_h \)：时间周期主效应（潜在，不可观测）。 - \( \delta_{j,h} \)：聚类-时间交互效应（潜在，不可观测）。 - \( \epsilon_{i,j,h} \)：个体级残差噪声（潜在，不可观测）。 - \( \bar{n} \)：平均单元格大小。 - \( cv \)：单元格大小的变异系数。 - \( \sigma^2_{\text{macro}} = \text{Var}(\alpha_j) + \text{Var}(\gamma_h) + \text{Var}(\delta_{j,h}) \)：宏观方差（单元格级变异）。 - \( \sigma^2_{\text{res}} = \text{Var}(\epsilon_{i,j,h}) \)：残差方差（个体级变异）。 - \( X_{i,j,h} \)：协变量向量（可观测，用于调整）。 - \( \hat{\tau} \)：处理效应的OLS估计量。

模型： 数据生成机制由方程 (1) 给出：

\[Y_{i,j,h} = \mu + \tau W_{j,h} + \alpha_j + \gamma_h + \delta_{j,h} + \epsilon_{i,j,h}\]
其中所有随机分量 \( \alpha_j, \gamma_h, \delta_{j,h}, \epsilon_{i,j,h} \) 相互独立且均值为零。这是一个多层线性模型，将结果变异分解为四个正交分量。

可观测数据： 研究者实际能观测到的是： - 每个个体 \( i \) 在单元格 \( (j, h) \) 中的结果 \( Y_{i,j,h} \)。 - 每个单元格 \( (j, h) \) 的处理分配 \( W_{j,h} \)。 - 每个单元格 \( (j, h) \) 的大小 \( n_{j,h} \)。 - 实验前（pre-period）的滞后结果数据（如 \( \bar{Y}_{j,h}^{(-k)} \)，第 \( k \) 周前单元格 \( (j, h) \) 的平均结果）。

不可观测（潜在）量： - 各变异分量 \( \alpha_j, \gamma_h, \delta_{j,h}, \epsilon_{i,j,h} \) 本身。 - 它们的方差 \( \sigma^2_{\text{macro}}, \sigma^2_{\text{res}} \) 及其组成（\( S_{\text{cl}}, S_{\text{time}}, S_{\text{int}} \)）。

第二步：讲最小内核

最简特例：考虑一个极度简化的switchback实验： - 只有 \( J=2 \) 个聚类（如两个街区），\( H=2 \) 个时间周期（如两个小时）。 - 每个单元格大小相等：\( n_{j,h} = n \)（无不平衡，\( cv=0 \)）。 - 无空间主效应和时间主效应：\( \alpha_j = 0, \gamma_h = 0 \)。 - 无交互效应：\( \delta_{j,h} = 0 \)。 - 残差方差 \( \sigma^2_{\text{res}} = 1 \)。

在这个特例下，模型退化为：

\[Y_{i,j,h} = \mu + \tau W_{j,h} + \epsilon_{i,j,h}, \quad \epsilon_{i,j,h} \sim (0,1)\]
处理分配 \( W_{j,h} \) 在4个单元格上独立随机化（每个单元格以0.5概率接受处理）。

要估计什么：\( \tau \)。

可观测数据：每个单元格有 \( n \) 个观测值 \( Y_{i,j,h} \)，以及对应的 \( W_{j,h} \)。

无调整时的估计量：个体级OLS估计量 \( \hat{\tau}_{\text{raw}} \) 等于处理组均值减去对照组均值。其方差为：

\[\text{Var}(\hat{\tau}_{\text{raw}}) = \frac{4}{JH} \cdot \frac{\sigma^2_{\text{res}}}{n} = \frac{4}{4} \cdot \frac{1}{n} = \frac{1}{n}\]
（因为 \( J=2, H=2 \)，且每个处理组有2个单元格，每个单元格有 \( n \) 个个体。）

CUPED调整：假设我们有实验前一周的单元格平均结果 \( \bar{Y}_{j,h}^{(-1)} \) 作为协变量。CUPED估计量通过回归 \( Y_{i,j,h} \) 对 \( W_{j,h} \) 和 \( \bar{Y}_{j,h}^{(-1)} \) 得到 \( \hat{\tau}_{\text{CUPED}} \)。由于 \( \bar{Y}_{j,h}^{(-1)} \) 与当前结果相关（因为共享相同的 \( \epsilon \) 结构），调整后方差降低。

最小内核的核心思路：在这个特例中，CUPED的方差缩减完全取决于 \( \bar{Y}_{j,h}^{(-1)} \) 与 \( Y_{i,j,h} \) 的相关性。如果 \( \epsilon_{i,j,h} \) 在时间上独立，则 \( \bar{Y}_{j,h}^{(-1)} \) 与当前结果无关，CUPED无效。本文的扩展在于：当存在持久性结构（如 \( \alpha_j, \gamma_h, \delta_{j,h} \) 非零）时，单滞后 \( \bar{Y}_{j,h}^{(-1)} \) 只能部分捕捉这些结构，而多滞后 + 固定效应能更完整地捕捉它们，从而获得更大的方差缩减。

推广到一般情形：在一般设定下，方差公式 (3) 显示，宏观方差 \( \sigma^2_{\text{macro}} \) 被不平衡系数 \( cv \) 放大。CUPED的目标是移除 \( \sigma^2_{\text{macro}} \) 中可预测的部分。本文的“多滞后+固定效应”策略就是通过更丰富的协变量集来更准确地预测 \( \alpha_j + \gamma_h + \delta_{j,h} \) 中的可预测成分。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在switchback实验中，如何通过丰富协变量集（多滞后、固定效应）来扩展标准CUPED，以更有效地降低处理效应估计量的方差。
  2. 核心工具/方法：提出一个扩展的CUPED框架，使用交叉拟合的ridge回归，协变量包括多个实验前滞后、循环小时编码、小时固定效应虚拟变量（可选），并明确排除高维空间固定效应虚拟变量。
  3. 主要结论：扩展CUPED在所有模拟的方差组成情景下均优于基本CUPED，方差缩减增益达14.8-20.1个百分点；小时固定效应有帮助，空间固定效应有害；交叉拟合是防止虚假效率增益的必要条件；在NYC出租车数据验证中，扩展CUPED达到理论可达到上限的85.9%。

关键设定与假设

完整设定（在第二节最小记号基础上补充）： - 数据生成过程：方程 (1) 的多层线性模型，所有分量独立高斯。 - 交互项分解：\( \delta_{j,h,t} = \delta^{\text{rec}}_{j,h} + \delta^{\text{trans}}_{j,h,t} \)，其中 \( \delta^{\text{rec}}_{j,h} \) 是跨周恒定的“可重复”部分，\( \delta^{\text{trans}}_{j,h,t} \) 是周间演变的“瞬态”部分（AR(3)过程）。这是本文模拟的关键结构，它决定了多滞后为何能提供额外信息。 - 协变量：实验前单元格均值 \( \bar{Y}_{j,h}^{(-k)} \)，每个聚类实验前均值，循环小时编码（正弦/余弦），以及可选的小时/聚类固定效应虚拟变量。 - 估计方法：个体级OLS，方程 (2)，其中协变量 \( X_{i,j,h} \) 在单元格内为常数（等于 \( X_{j,h} \)）。 - 推断：聚类稳健标准误（cluster-robust standard errors）。

关键假设： - 无干扰（No interference）：一个单元格的处理不影响其他单元格的结果。这是switchback实验的标准假设。 - 无结转效应（No carryover）：当前周期的处理不影响未来周期的结果。本文的模拟假设处理效应是瞬时的。 - 随机化：处理分配 \( W_{j,h} \) 在单元格间独立随机化。 - 协变量外生性：实验前协变量与当前处理分配独立（因为处理是随机分配的）。这是CUPED有效性的基础。 - 线性可加性：结果模型 (1) 是线性和可加的。这是方差分解公式 (3) 的基础。

相比已有文献的放宽/强化： - 放宽：相比标准CUPED（单滞后），本文允许更丰富的协变量集。 - 强化：相比CUPAC（全灵活模型），本文的协变量集是结构化的（滞后+固定效应），且明确排除了高维空间固定效应。本文的假设集与标准CUPED相同，没有引入新假设。

主要结果

理论结果： 1. 方差公式 (3)：给出了个体级OLS估计量在switchback设计下的渐近方差，将宏观方差和残差方差的作用分离，并显示不平衡（\( cv \)）放大宏观方差。 2. 方差缩减上界 (4) 和 (5)： - (4) 给出了乐观上界：如果所有宏观方差都能被移除，方差缩减可达 \( \text{VR}_{\text{max}} = 1 - \sqrt{ \frac{S_{\text{res}}/\bar{n}}{S_{\text{res}}/\bar{n} + S_{\text{macro}} \kappa} } \)。 - (5) 给出了可达上界：考虑到交互项中只有可重复部分 \( r \) 能被移除，可达上界为 \( \text{VR}_{\text{att}} = 1 - \sqrt{ \frac{S_{\text{res}}/\bar{n} + (1-r)S_{\text{int}} \kappa}{S_{\text{res}}/\bar{n} + S_{\text{macro}} \kappa} } \)。这是本文的核心理论贡献，它量化了方差缩减的组成依赖性。

模拟结果（300次重复）： - 方差组成的影响：扩展CUPED在所有三个方差组成情景下均优于基本CUPED，增益在14.8-20.1个百分点之间。增益在“聚类-时间冲击主导”情景下最大（20.1%），在“交互冲击主导”情景下最小（14.8%）。 - 特征选择的影响（表1）：小时固定效应有帮助（VR从57.5%提升至61.8%），聚类固定效应有害（VR从57.5%降至55.1%）。最佳配置是“3滞后 + 小时固定效应”（61.8%）。 - 交叉拟合的必要性（图2）：随着纯噪声特征增加，样本内 \( R^2 \) 从36.9%虚假上升至51.5%，而交叉拟合 \( R^2 \) 从19.9%下降至11.0%。交叉拟合防止了过拟合导致的虚假效率增益。 - 多滞后何时最有价值（图3）：当交互项的可重复份额 \( r \) 从0增加到0.9时，扩展CUPED相对于基本CUPED的标准误差增益从2.78单调增加到4.58个单位。

NYC出租车数据验证： - 数据：2024年1月黄色出租车数据，以“接客区×小时”为单元格，注入合成处理效应 \( \tau = -30 \) 秒。 - 结果：基本CUPED达到78.7%方差缩减（SE=4.23）；扩展CUPED（3滞后+小时固定效应）达到85.9%（SE=2.81），接近理论可达上界84%。空间固定效应再次有害（SE=3.16 vs 2.81）。 - 说明：该验证展示了方法在真实、非高斯、具有季节性结构的数据上的表现，与模拟结果一致。

证明路线与技术技巧

整体路线（理论部分，主要是方差公式和上界的推导）： 1. 建立方差公式 (3)：从模型 (1) 出发，写出个体级OLS估计量 \( \hat{\tau} \) 的表达式，利用处理分配的独立随机化，计算其条件方差（给定单元格大小），然后取期望得到渐近方差。关键步骤是将方差分解为残差项（除以 \( \bar{n} \)）和宏观项（乘以 \( \kappa = 1/\bar{n} + 1 + cv^2 \)）。 2. 推导方差缩减上界 (4) 和 (5)： - 假设协变量调整能完美移除所有宏观方差（\( \alpha_j + \gamma_h + \delta_{j,h} \)），则剩余方差仅来自残差项，代入 (3) 得到 (4)。 - 更现实地，假设只有 \( \alpha_j, \gamma_h \) 和 \( \delta_{j,h} \) 的可重复部分 \( r \) 能被移除，则剩余宏观方差为 \( (1-r)S_{\text{int}} \)，代入得到 (5)。 3. 连接模拟与理论：将模拟参数（\( \bar{n}, cv, S_{\text{res}}, S_{\text{macro}}, S_{\text{int}}, r \)）代入 (5)，计算理论可达上界，并与模拟中基本/扩展CUPED的实际表现比较。

关键跳跃点： - 从个体级到单元格级的方差分解：公式 (3) 的关键在于将个体级OLS估计量的方差表达为单元格级变异（宏观）和个体级变异（残差）的加权和。这个跳跃依赖于处理分配在单元格层面的随机化，以及单元格大小可能不平衡的事实。 - 上界 (5) 的组成依赖性：将交互项分解为可重复和瞬态部分，并假设只有可重复部分能被协变量捕捉，这是本文模拟设计的核心，也是上界 (5) 的关键洞察。这个分解不是从数据中识别的，而是模拟中人为设定的。

技术技巧点名： - 方差分解：将总方差分解为正交分量（空间、时间、交互、残差），这是理解switchback方差结构的基础。 - 交叉拟合（Cross-fitting）：来自DML文献，用于避免过拟合导致的虚假效率增益。本文将其应用于ridge回归的预测模型训练。 - Ridge回归：用于拟合扩展协变量集，通过L2惩罚控制高维固定效应（200个聚类虚拟变量）的方差膨胀。 - 聚类稳健标准误：用于推断，考虑单元格内的相关性。

真实例子与应用

数据：纽约市出租车和豪华轿车委员会（TLC）2024年1月的黄色出租车行程记录。以“接客区×小时”为单元格（共3,066个候选单元格，筛选后1,443个），结果变量为行程时长（秒）。

如何应用： 1. 将一个月数据分为前3周（实验前）和最后1周（实验期）。 2. 在实验周内，为每个单元格独立生成一个Bernoulli(0.5)处理分配，并注入一个已知处理效应 \( \tau = -30 \) 秒（即处理组行程时长减少30秒）。 3. 对每个单元格，计算实验前3周的周平均行程时长（\( y_{\text{lag1}}, y_{\text{lag2}}, y_{\text{lag3}} \)）作为滞后协变量。 4. 训练一个交叉拟合的ridge回归模型，以滞后值、循环小时编码、以及可选的小时/接客区固定效应为特征，预测实验周的结果。 5. 使用模型预测值作为CUPED协变量，运行个体级OLS回归（方程2），得到 \( \hat{\tau} \) 及其聚类稳健标准误。

结果： - 所有调整后的点估计都在注入的 \( \tau = -30 \) 秒附近（-26.7到-29.1秒）。 - 基本CUPED（单滞后）SE=4.23，方差缩减78.7%。 - 扩展CUPED（3滞后+小时固定效应）SE=2.81，方差缩减85.9%，接近理论可达上界84%。 - 包含接客区固定效应的配置SE更高（3.08-3.16），验证了模拟中“空间固定效应有害”的结论。

这个例子想说明什么： 1. 验证理论：在真实、非高斯、具有强季节性和空间异质性的数据上，扩展CUPED的表现与模拟预测一致。 2. 展示实际优势：相对于基本CUPED，扩展CUPED提供了额外的方差缩减（7.2个百分点），转化为更窄的置信区间和更高的统计功效。 3. 强调特征选择的重要性：小时固定效应有帮助，空间固定效应有害——这个模式在真实数据中复现，说明它不是模拟的假象。

🔎 结论是否比证明窄

是。有几个地方结论比证明窄： 1. 方差上界 (4) 和 (5) 的“证明”：这些上界是推导出来的，但推导依赖于“协变量调整能完美移除特定方差分量”的假设。在实际中，这个假设几乎不可能完全满足。作者在模拟中通过设定 \( r=0.85 \) 来近似，但并未证明任何实际估计量（如扩展CUPED）能渐近达到这个上界。结论中“enriched CUPED approaches that bound far more closely”是一个经验观察，而非理论保证。 2. 交叉拟合的必要性：作者通过模拟（图2）展示了交叉拟合防止过拟合，但没有理论证明在switchback的依赖结构下，交叉拟合的估计量是渐近无偏的或方差达到最优。Chernozhukov et al. (2018) 的理论适用于i.i.d.数据，而switchback数据在单元格间是独立的，但在单元格内是相关的。作者在模拟中“随机分配折叠”可能破坏了单元格内的依赖结构，但未讨论其理论影响。 3. “空间固定效应有害”的结论：这个结论基于模拟和NYC数据，但作者的解释是“per-cluster pre-period mean already captures much of the spatial main effect”。这是一个经验观察，而非理论证明。在理论上，如果空间固定效应捕捉了 \( \alpha_j \) 中未被预周期均值捕捉的部分，它们可能是有益的。作者没有证明在什么条件下空间固定效应必然有害。

四、开放问题

  1. 理论方差缩减上界的紧性：本文推导的方差缩减上界 (5) 依赖于交互项可重复份额 \( r \) 的已知性。在实际中，\( r \) 是未知的且可能随时间变化。能否从数据中估计 \( r \)，并构建一个自适应的协变量选择程序，使其渐近达到 (5) 中依赖于 \( r \) 的上界？（扎根于：方程 (5) 及其讨论，Section 3）

  2. 交叉拟合在非i.i.d.数据下的理论性质：本文的交叉拟合按单元格随机分配折叠，但未证明在switchback的依赖结构（单元格内相关、时间序列依赖）下，交叉拟合估计量是否仍保持渐近正态性和有效性。能否为switchback设计下的交叉拟合提供严格的理论保证？（扎根于：Section 3中“folds should respect the randomization structure”的讨论，以及图2的模拟）

  3. 扩展到更复杂的处理分配机制：本文假设处理在单元格间独立随机化。但在实践中，switchback实验可能使用更复杂的分配机制（如配对、镜像、或Bojinov et al. (2023) 的最优设计）。本文的扩展CUPED框架在这些设计下是否仍然有效？方差公式 (3) 和上界 (5) 如何修改？（扎根于：Bojinov et al. (2023) 的引用，以及Section 5中“broadly applies to other randomized experimental designs”的声明）

  4. 与CUPAC的正式比较：作者将本文定位为“介于CUPED和CUPAC之间”，但未与CUPAC进行正式比较。在什么条件下，结构化的多滞后+固定效应优于全灵活的CUPAC？反之亦然？是否存在一个“甜蜜点”，其中结构化扩展优于全灵活模型？（扎根于：Section 5中“rather than a replacement for flexible CUPAC models”的声明）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论