Off-policy causal estimation in networks¶

作者: Sahil Loomba, Dean Eckles
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2609.02756

一、领域脉络与小综述¶

这个方向是什么¶

本子方向研究的是网络干扰下的离策略因果估计。核心统计问题是：在实验（设计）策略与目标策略不同的情况下，如何利用实验数据，估计在目标策略下的因果效应（如期望平均结果EAO、直接/间接效应等）。由于干扰的存在，因果效应依赖于整个处理分配策略，因此从设计策略到目标策略的“传输”（transport）需要施加结构假设，否则权重方差会随网络规模指数增长。当前该方向正处于从“特定假设下的特例方法”向“统一框架”过渡的阶段。

发展脉络（history）¶

奠基工作：Neyman (1990) 奠定了无干扰假设下的设计因果推断基础，但该假设在网络中常被违反。Sävje, Aronow & Hudgens (2017) 首次系统研究了未知干扰下估计量的渐近性质，证明即使错误假设无干扰，标准估计量在有限干扰下仍可能一致，但置信区间不准确。这打开了“干扰存在但未知”的研究方向。
主要进展：Hu, Li & Wager (2022) 提出了网络干扰下直接效应与间接效应的非参数定义，并建立了分解定理（EAO的一阶导数 = EATE + EAIE）。Yu, Airoldi, Borgs & Chayes (2022) 和 Cortez, Eichhorn & Yu (2022) 分别提出了无需网络知识的估计方法，前者利用设计原则，后者利用交错推出设计，但都依赖于低阶干扰假设。Chin, Eckles & Ugander (2018) 首次将离策略评估引入网络实验，用于评估随机播种策略。
当前 frontier：Sävje (2021) 严格区分了暴露映射的“定义效应”与“施加假设”两种角色，指出两者可分离。Loomba & Eckles (2025) 论证了常用因果量（如间接效应）不足以识别最优策略，EAO才是更相关的目标。Viviano (2025) 研究了网络干扰下的策略优化问题。
本文位置：本文在上述工作的基础上，提出了一个统一的傅里叶谱框架，将全局/局部逆概率权重、线性干扰权重、无干扰权重等作为特例纳入，并系统分析了偏差-方差权衡、方差非可识别性及保守估计。它直接回应了“如何将EAO等政策相关量从实验策略传输到目标策略”这一核心问题。

子线索聚类¶

基于网络距离/邻域的方法：如 Leung (2022) 的近似邻域干扰、Jagadeesan, Pillai & Volfovsky (2020) 的准着色设计。这些方法以网络拓扑为原始输入，假设干扰随距离衰减。本文认为傅里叶谱能更直接地表示策略传输所需的复杂性。
基于暴露映射的方法：如 Aronow & Samii (2017)、Sävje (2021)。通过定义暴露指示函数来定义因果对比，但通常需要假设暴露映射正确指定。本文沿用 Sävje (2021) 的分离思想，仅用暴露映射定义效应，不用于施加干扰假设。
基于设计/策略优化的方法：如 Viviano (2025)、Chin, Eckles & Ugander (2018)。关注如何设计实验或选择策略以优化目标。本文的傅里叶框架为设计选择（如沿政策路径的积分风险）提供了新视角。

这个方向在追问的核心问题¶

如何在不完全知道网络结构的情况下，从实验数据估计目标策略下的因果效应？ 当前主流方法依赖于低阶干扰或近似邻域假设，但缺乏统一的理论框架来刻画假设错误时的偏差。
离策略估计的方差与偏差如何权衡？ 更复杂的权重（如全局IPW）方差大，更简单的权重（如SUTVA）偏差大。如何选择权重子空间以优化这一权衡？
方差是否可识别？ 在潜在结果框架下，方差通常不可识别。如何构造可识别的方差界或保守估计量？
如何将离策略估计与实验设计结合？ 设计一个实验以支持整个政策曲线（而非单个点估计）的估计，是一个开放问题。

⚠️ 作者的 framing¶

作者的说法：作者将缺口 frame 为“现有方法要么需要网络知识（如距离衰减），要么只适用于特定设定（如局部IPW），缺乏一个统一框架来刻画策略传输的复杂性”。他们声称傅里叶谱方法“直接针对策略传输的复杂性”，能自动表示低有效复杂度，即使网络稠密。
被淡化/回避的竞争路线：作者淡化了基于网络距离的方法（如 Leung 2022），认为傅里叶谱“更直接”。但未讨论当网络结构已知且干扰确实随距离衰减时，基于距离的方法是否可能更高效或更易解释。此外，作者回避了相关设计（如聚类随机化）的详细处理，仅作为未来方向提及。
明显该被引/该存在、却没出现在 intro 里：作者未引用半参数效率理论（如 efficient influence function）在网络干扰下的应用。虽然本文的权重是最小L2的，但未讨论其是否达到半参数效率界。此外，随机矩阵理论在高维网络干扰分析中的潜在应用未被提及。高阶U统计量与傅里叶展开的联系（如U统计量的Hoeffding分解与傅里叶谱的对应）也未讨论。

张力¶

未见明显对立引用。各工作主要在假设强度、目标量、方法工具上有所不同，而非结论矛盾。例如，Sävje et al. (2017) 的“未知干扰下估计量仍一致”与本文的“假设错误导致偏差”并不矛盾，因为前者针对的是特定设计下的特定估计量，后者针对的是离策略传输。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号：
\( n \)：单位数量（有限总体）。
\( \mathbf{z} \in \{0,1\}^n \)：完整的处理分配向量。
\( y_i: \{0,1\}^n \to \mathbb{R} \)：单位 \( i \) 的固定潜在结果函数，将处理分配映射到结果。
\( \pi \in (0,1)^n \)：设计策略，即实验中的处理分配概率向量。\( Z \sim P_\pi \)，其中 \( P_\pi(\mathbf{z}) = \prod_{i=1}^n \pi_i^{z_i} (1-\pi_i)^{1-z_i} \)（独立伯努利设计）。
\( \pi' \in [0,1]^n \)：目标策略，我们想估计其下的因果效应。
\( t_i^+, t_i^-: \{0,1\}^n \to \{0,1\} \)：互斥的暴露指示函数，定义正/负条件。
\( p_i^+(\pi') = \mathbb{E}_{\pi'}[T_i^+] \)，\( p_i^-(\pi') = \mathbb{E}_{\pi'}[T_i^-] \)：目标策略下暴露概率。
\( \delta_{\pi'} \)：政策索引的因果对比（如暴露加权潜在结果之差）。
\( \text{EAO}(\pi') = \frac{1}{n} \sum_{i=1}^n \mathbb{E}_{\pi'}[Y_i] \)：期望平均结果。
\( \chi^V_\pi(\mathbf{z}) = \prod_{j \in V} \frac{z_j - \pi_j}{\sqrt{\pi_j(1-\pi_j)}} \)：\( \pi \)-偏置傅里叶基函数，\( V \subseteq [n] \)。
\( \hat{f}_\pi(V) \)：函数 \( f \) 在 \( \pi \)-偏置傅里叶基下的系数。
\( \Delta^V_{\pi\pi'} = \prod_{j \in V} \Delta^j_{\pi\pi'} \)，其中 \( \Delta^j_{\pi\pi'} = \frac{\pi'_j - \pi_j}{\sqrt{\pi_j(1-\pi_j)}} \)：策略偏移系数。
\( \mathcal{S} \subseteq \mathcal{P}([n]) \)：假定的傅里叶支持集（包含 \( \emptyset \)）。
\( \mathcal{H}_\mathcal{S} = \text{span}\{\chi^V_\pi : V \in \mathcal{S}\} \)：对应的傅里叶子空间。
\( w^\mathcal{S}_{\pi\pi'}(\mathbf{z}) = \sum_{V \in \mathcal{S}} \Delta^V_{\pi\pi'} \chi^V_\pi(\mathbf{z}) \)：\( \mathcal{S} \)-限制权重。
\( \Gamma_f \)：函数 \( f \) 的影响集，即其傅里叶支持中所有集合的并集。
\( \deg(f) \)：函数 \( f \) 的度，即其非零傅里叶系数的最大集合大小。
模型：
数据生成机制：固定潜在结果函数 \( \{y_i\} \)，处理分配 \( Z \sim P_\pi \)（独立伯努利），观测结果 \( Y_i = y_i(Z) \)。
已知量：设计策略 \( \pi \)（实验者已知）、目标策略 \( \pi' \)（分析者指定）、暴露指示函数 \( t_i^+, t_i^- \)（分析者选择）。
待估对象：\( \delta_{\pi'} \) 或 \( \text{EAO}(\pi') \)。
可观测数据：
可观测：\( Z \)（处理分配向量）、\( Y_i \)（结果）、\( T_i^+ = t_i^+(Z) \)、\( T_i^- = t_i^-(Z) \)（暴露指示）。
不可观测/潜在：\( y_i(\mathbf{z}) \) 在 \( \mathbf{z} \neq Z \) 时的值。这是因果推断的核心缺失数据问题。

第二步：最小内核¶

最简特例：假设所有单位独立（无干扰），即 \( y_i(\mathbf{z}) = y_i(z_i) \)。此时，每个单位的结果只取决于自己的处理。目标为估计 \( \text{EAO}(\pi') = \frac{1}{n} \sum_i \mathbb{E}_{\pi'}[Y_i] \)。

在这个特例下：
每个 \( y_i \) 的傅里叶支持只包含 \( \emptyset \) 和 \( \{i\} \)。因此，\( \mathcal{S}_i = \{\emptyset, \{i\}\} \)。
权重 \( w^{\mathcal{S}_i}_{\pi\pi'}(z) = 1 + \Delta^i_{\pi\pi'} \chi^{\{i\}}_\pi(z) = 1 + \frac{\pi'_i - \pi_i}{\sqrt{\pi_i(1-\pi_i)}} \cdot \frac{z_i - \pi_i}{\sqrt{\pi_i(1-\pi_i)}} = 1 + \frac{(\pi'_i - \pi_i)(z_i - \pi_i)}{\pi_i(1-\pi_i)} \)。
注意到 \( \mathbb{E}_\pi[W^{\mathcal{S}_i}_{\pi\pi'}] = 1 \)，且 \( \mathbb{E}_\pi[Y_i W^{\mathcal{S}_i}_{\pi\pi'}] = \mathbb{E}_{\pi'}[Y_i] \)（因为 \( Y_i \) 只依赖于 \( Z_i \)）。
这实际上就是每个单位的逆概率权重：\( w^{\mathcal{S}_i}_{\pi\pi'}(z_i) = \frac{\pi'^{z_i}(1-\pi')^{1-z_i}}{\pi^{z_i}(1-\pi)^{1-z_i}} \)。验证：当 \( z_i=1 \) 时，\( w = \frac{\pi'_i}{\pi_i} \)；当 \( z_i=0 \) 时，\( w = \frac{1-\pi'_i}{1-\pi_i} \)。这正是IPW。
核心思路：在无干扰特例下，傅里叶支持只包含单点集，权重退化为每个单位的IPW。这展示了傅里叶框架如何将“干扰结构”编码为傅里叶支持：支持越大（包含更多单位、更高阶交互），权重越复杂，方差越大。

核心数学困难：当存在干扰时，\( y_i \) 可能依赖于其他单位的处理，其傅里叶支持包含高阶交互项（如 \( V \) 包含多个单位）。要无偏传输 \( \mathbb{E}_{\pi'}[Y_i] \)，权重必须包含所有 \( V \in \text{supp}_\pi(y_i) \) 对应的傅里叶项。如果假定的支持 \( \mathcal{S}_i \) 小于真实支持，则产生偏差。本文的关键想法是：将权重限制在假定的傅里叶子空间 \( \mathcal{H}_\mathcal{S} \) 上，并证明该限制权重是唯一的最小L2权重，其方差等于该子空间内策略偏移系数的平方和。偏差则来自真实函数在 \( \mathcal{H}_\mathcal{S} \) 正交补上的投影与策略偏移系数的内积。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在独立伯努利设计下，网络干扰中离策略因果估计的问题，即如何利用实验数据估计目标策略下的期望平均结果（EAO）或因果对比。
核心工具/方法：将潜在结果函数和暴露指示函数表示为设计策略下的偏置傅里叶基的线性组合，利用傅里叶系数在策略变化下的简单变换（\( \Delta^V_{\pi\pi'} \)），构造了任意预设傅里叶子空间上的唯一最小L2权重。
主要结论：给出了权重的显式形式、方差（结构化卡方距离）、假设错误时的精确偏差界、基于谱重叠的一致性条件、方差非可识别性证明及保守方差估计量，并给出了Doob鞅中心极限定理。

关键设定与假设¶

设定：有限总体 \( n \) 个单位，固定潜在结果函数 \( y_i \)，独立伯努利设计 \( Z \sim P_\pi \)，目标策略 \( \pi' \) 也是独立伯努利。暴露指示函数 \( t_i^+, t_i^- \) 由分析者选择，用于定义因果对比。
假设：
正性：\( \pi_i \in (0,1) \)（设计策略有全支撑），\( p_i^+(\pi'), p_i^-(\pi') > 0 \)（目标策略下暴露概率为正）。
傅里叶支持假设：分析者指定一个傅里叶支持集 \( \mathcal{S}_i \)（对每个单位或全局），假设 \( \text{supp}_\pi(y_i t_i^+) \subseteq \mathcal{S}_i^+ \) 等。这是核心假设，但论文允许其错误，并分析了错误时的偏差。
无额外结构假设：不假设网络已知、干扰距离衰减、或特定参数模型。傅里叶支持是唯一的结构编码。
相比已有文献：相比 Sävje et al. (2017) 的“未知干扰”，本文要求分析者明确指定傅里叶支持（即干扰结构），但允许错误。相比 Yu et al. (2022) 的“无需网络知识”，本文需要指定支持，但提供了更精细的偏差-方差分析。相比 Chin et al. (2018) 的特定离策略方法，本文提供了统一框架。

主要结果¶

Proposition 3.1 (谱传输)：对于任意预设傅里叶子空间 \( \mathcal{H}_\mathcal{S} \)，权重 \( w^\mathcal{S}_{\pi\pi'} \) 是唯一的最小L2权重，能无偏传输 \( \mathcal{H}_\mathcal{S} \) 中所有函数的期望。其方差为 \( d^2_\mathcal{S}(\pi', \pi) = \sum_{V \in \mathcal{S} \setminus \{\emptyset\}} (\Delta^V_{\pi\pi'})^2 \)。直觉：权重是全局IPW在 \( \mathcal{H}_\mathcal{S} \) 上的正交投影，方差只来自保留的傅里叶方向。
Proposition 4.1 (谱错误指定偏差)：当真实函数 \( f \) 的傅里叶支持超出 \( \mathcal{S} \) 时，偏差为 \( -\sum_{V \notin \mathcal{S}} \hat{f}_\pi(V) \Delta^V_{\pi\pi'} \)，且被 \( \|f - P_\mathcal{S} f\|_{2,\pi} \cdot d_{\mathcal{S}^c}(\pi', \pi) \) 界住。直觉：偏差是“被忽略的傅里叶谱”与“对应策略偏移”的内积。高阶交互的偏差随 \( |q-p|^r \) 衰减（\( r \) 为阶数）。
Theorem 5.1 (谱重叠下的一致性)：若每个单位估计量的二阶矩有界且谱重叠度 \( D^{(n)} = o(n) \)，则估计量一致。直觉：重叠度衡量依赖关系，有效样本量为 \( n/(D+1) \)。这给出了傅里叶邻域大小与网络重叠的联合条件。
Proposition 6.1 & 6.2 (方差非可识别性与保守界)：方差一般不可识别，但可构造可识别的方差上界和下界，并给出无偏估计量。直觉：方差涉及不同分配下的潜在结果乘积，无法从单一分配观测到。但利用条件独立性，可用可观测的平方和/差来界住协方差。
Theorem B.1 (Doob鞅CLT)：在Doob鞅差满足Lindeberg条件和二次变差收敛条件下，离策略估计量渐近正态。直觉：为构造置信区间提供了理论基础。

证明路线与技术技巧¶

整体路线：
傅里叶展开：将任意函数 \( f \) 在 \( \pi \)-偏置傅里叶基下展开。
期望传输：利用 \( \mathbb{E}_{\pi'}[\chi^V_\pi(Z)] = \Delta^V_{\pi\pi'} \)，将 \( \mathbb{E}_{\pi'}[F] \) 表示为 \( \sum_V \hat{f}_\pi(V) \Delta^V_{\pi\pi'} \)。
权重构造：寻找权重 \( u \)，使得 \( \mathbb{E}_\pi[F U] = \sum_V \hat{f}_\pi(V) \hat{u}_\pi(V) \)。令 \( \hat{u}_\pi(V) = \Delta^V_{\pi\pi'} \) 对 \( V \in \mathcal{S} \)，其余为0，即得 \( w^\mathcal{S}_{\pi\pi'} \)。L2最小性由Parseval恒等式和正交投影保证。
偏差分析：将真实期望与加权期望之差展开为傅里叶系数差，应用Cauchy-Schwarz。
一致性：利用谱重叠度控制协方差和，应用Chebyshev不等式。
方差界：利用条件期望和Jensen不等式，将不可识别的协方差项替换为可观测的平方和/差。
CLT：构造Doob鞅，验证Lindeberg条件和二次变差收敛条件。
关键跳跃点：
从傅里叶系数到权重的构造：将权重视为一个函数，其傅里叶系数恰好等于策略偏移系数。这是核心洞察，将“传输”问题转化为“傅里叶系数匹配”问题。
偏差的谱解释：将偏差表示为被忽略的傅里叶谱与策略偏移的内积，而非一个无结构的模型误差。这使得偏差分析具有可操作性（如通过控制谱能量来界偏差）。
方差界的构造：利用条件独立性，将不可识别的协方差项转化为可观测的平方和/差，并应用Jensen不等式。这是处理方差非可识别性的标准技巧，但在此处与傅里叶支持结合。
技术技巧点名：
傅里叶分析（偏置傅里叶基）：用于表示函数和权重，是全文的数学基础。
正交投影：用于构造最小L2权重（Proposition 3.1）。
Cauchy-Schwarz不等式：用于推导偏差界（Proposition 4.1）。
谱重叠度：用于控制协方差和，推导一致性条件（Theorem 5.1）。
条件期望与Jensen不等式：用于构造可识别的方差界（Proposition 6.2）。
Doob鞅与McLeish CLT：用于证明渐近正态性（Theorem B.1）。

真实例子与应用¶

数据/场景：模拟实验。随机生成一个 \( n=1000 \)、平均度为4的网络，固定不变。处理分配概率 \( p=0.5 \)。结果模型有两种：
线性邻域干扰：\( y_i = \alpha + \bar{z}_i \beta \)，其中 \( \bar{z}_i \) 是单位 \( i \) 及其邻居的平均处理。
非线性邻域干扰：\( y_i = \alpha + \bar{z}_i (\beta + \gamma (|N_i| \bar{z}_i - 1)/(|N_i| - 1)) \)，引入交互项。
如何应用：估计离策略变化 \( \text{EAO}(q) - \text{EAO}(p) \)，其中 \( q \) 从0到1变化。使用三种傅里叶子空间对应的权重：SUTVA（度≤1）、线性（度≤1但包含所有邻居）、完全局部（度≤|N_i|）。
结果：
完全局部估计量在两种模型下均无偏，但远离 \( p \) 时方差剧增。
低阶估计量（SUTVA、线性）在模型正确时方差小，但模型错误时产生偏差。
图1展示了偏差-方差权衡：完全局部估计量的置信区间在 \( q \) 远离 \( p \) 时变宽；低阶估计量的均值偏离真值。
想说明什么：验证了理论结果（偏差-方差权衡、方差随策略距离增长），并展示了不同傅里叶子空间在实际中的表现差异。注意：这是模拟，非真实数据。

🔎 结论是否比证明窄¶

是。论文的许多结论是在独立伯努利设计下严格证明的，但讨论部分声称“相关设计”也可通过提升到种子空间来处理。这只是一个conjecture，未给出具体条件或证明。例如，对于聚类随机化，提升后的函数可能失去低度稀疏性，使得傅里叶方法失效。
另一个例子：Theorem 5.1 的一致性条件依赖于谱重叠度 \( D^{(n)} \)，但 \( D^{(n)} \) 本身依赖于傅里叶邻域 \( \Gamma_i^{(n)} \)，而 \( \Gamma_i^{(n)} \) 的确定需要知道哪些单位影响 \( \hat{\theta}_i \)。在实际中，这可能需要先验知识或估计，论文未讨论如何从数据中学习 \( \Gamma_i^{(n)} \)。
方差界（Proposition 6.2） 是保守的，可能很宽。论文承认了这一点，但未给出其紧性条件或与半参数效率界的比较。

四、开放问题（点到为止，扎根具体语句）¶

相关设计下的扩展：论文的傅里叶框架依赖于独立伯努利设计。对于相关设计（如聚类随机化、图着色设计），如何构造类似的谱传输权重？论文在讨论中提及“提升到种子空间”的思路，但未给出具体条件或证明。扎根：Section 8 “Correlated designs lose the product basis used in this paper, but two extensions appear plausible... The obstacle is that the lift may increase dimension or destroy low-degree sparsity”。
自适应傅里叶支持选择：论文假设分析者预先指定傅里叶支持 \( \mathcal{S} \)。如何从数据中自适应地选择 \( \mathcal{S} \)（例如，通过模型选择或正则化），同时保证后续推断的有效性？扎根：Section 8 “adaptive Fourier support selection with valid inference remain fruitful directions for future work”。
方差界的紧性：Proposition 6.2 给出的方差界是保守的。在什么条件下这些界是紧的？能否构造更紧的界或达到半参数效率界？扎根：Section 6 “the proposed bounds can be wide” 以及 Section 8 未讨论效率界。
与半参数效率理论的连接：本文的权重是最小L2的，但未讨论其是否达到半参数效率界。能否将傅里叶框架与efficient influence function（EIF）结合，得到半参数有效的离策略估计量？扎根：论文未引用任何半参数效率理论文献，也未讨论EIF。这是一个明显的理论缺口。

Maintained by 陈星宇 · Homepage · Source on GitHub