跳转至

Unbiased Treatment Effect Estimation under Network Interference via Neighborhood-Excluded Cross-Fitting

作者: Haoyang Yu, Anqi Zhao, Hanzhong Liu
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2609.23284

一、领域脉络与小综述

这个方向是什么

本文所处的子方向是网络干扰下的设计-based 因果推断。其根本科学问题是：当个体间的处理分配通过一个已知网络相互影响（即"干扰"或"溢出效应"）时，如何利用随机化实验的数据，对直接效应、间接效应和全局平均处理效应进行无偏估计和有效推断。该方向的成熟度处于快速成长期：设计-based（ randomization-based）推断框架已成为主流，但协变量调整与高维预测方法在网络干扰下的理论性质仍是开放前沿。本文的核心贡献在于，将无干扰情形下成熟的"交叉拟合 + 协变量调整"范式，推广到网络干扰下，并解决了由此产生的有限样本偏差问题。

发展脉络

奠基工作：无干扰下的设计-based 推断与协变量调整。 这一脉络的起点是 Neyman 的随机化推断框架，以及 Lin (2013) 的关键洞见——在完全随机化实验中，包含处理-协变量交互的 OLS 回归调整"不能伤害"渐近方差（引用 [1] 的语境："In settings without interference, ordinary least-squares adjustment can simultaneously reduce the variance of the point estimator and the expected squared length of Wald confidence intervals"）。这一"无伤害"性质随后被推广到高维协变量（Bloniarz et al. 2016, 引用 [4]；Wager et al. 2016, 引用 [5]）和一般机器学习预测方法（Su et al. 2023, 引用 [17]；Lu, Yang & Wang 2025）。留下的口子：这些工作均假设无干扰，即 SUTVA 成立。

主要进展：网络干扰下的设计-based 推断。 这一脉络将因果推断拓展到干扰存在的情形。Aronow & Samii (2017) 提出了 Horvitz-Thompson 型估计量的一般框架，通过逆概率加权处理暴露映射（exposure mapping）来实现无偏估计。Hu et al. (2022, 引用 [8]) 明确定义了直接效应和间接效应，并建立了相应的渐近理论。Ugander et al. (2013, 引用 [3]) 提出了图聚类随机化（graph cluster randomization）设计，以降低暴露概率的方差。当前 frontier：这一脉络的最新进展集中在协变量调整上。Gao & Ding (2025, 引用 [12]) 系统研究了网络实验中的回归调整，证明了 Hàjek 估计量与加权最小二乘系数的数值等价性，并提出了修正的协方差估计量。Fan et al. (2025, 引用 [20]) 进一步证明了线性回归调整在特定干扰模型下的最优性。留下的口子：这些工作或假设固定维数协变量，或未处理交叉拟合带来的有限样本偏差问题。

本文的位置：本文填补的正是上述两条脉络的交汇处。它指出，在无干扰情形下成立的"交叉拟合 + 协变量调整"范式（Lu, Shi, Liu & Ding 2025, 引用 [16]），在网络干扰下会失效：训练集中的处理分配可能通过网络影响评估集中的结果，从而破坏交叉拟合所需的"预测与权重条件独立"这一关键性质。本文提出的邻域排除交叉拟合（NECF），通过构造估计量特定和设计特定的训练样本，恢复了这一条件独立性，从而在不要求正确设定结果模型的前提下，实现了有限样本无偏性和渐近正态性。

子线索聚类

被引文献大致落在三条子线索上：

  1. 无干扰下的协变量调整（引用 [1], [4], [5], [13], [14], [16], [17], [18]）：这一簇在回答"如何利用协变量和机器学习方法提高随机化实验的效率，同时不引入偏差"。核心工具是设计-based 推断、交叉拟合、以及"无伤害"（no-harm）性质。代表工作包括 Lin (2013) 的 OLS 调整、Wager et al. (2016) 的高维调整、Su et al. (2023) 的去相关方法、以及 Lu, Shi, Liu & Ding (2025) 的条件交叉拟合。

  2. 网络干扰下的因果估计（引用 [3], [6], [7], [8], [9], [10], [12], [19], [20], [22]）：这一簇在回答"当干扰存在时，如何定义和估计因果效应"。核心工具是暴露映射、Horvitz-Thompson 加权、图聚类随机化。代表工作包括 Aronow & Samii (2017) 的一般框架、Hu et al. (2022) 的直接/间接效应分解、Ugander et al. (2013) 的图聚类随机化、以及 Gao & Ding (2025) 的回归调整。

  3. 网络数据下的机器学习推断（引用 [11], [15]）：这一簇在回答"如何用机器学习方法处理观测网络数据中的干扰"。代表工作包括 Emmenegger et al. (2025) 的依赖图交叉拟合，以及 Cohen & Fogarty (2024) 的校准方法。本文与这一簇的关系最为密切，但区别在于本文聚焦于随机化实验而非观测数据。

这个方向在追问的核心问题

  1. 如何在不正确设定结果模型的前提下，实现网络干扰下的有效推断？ 当前主流方法（如 Gao & Ding 2025）依赖线性模型假设，而机器学习方法（如 Emmenegger et al. 2025）则面临有限样本偏差问题。
  2. 协变量维度可以多高？ 现有网络干扰下的理论大多假设固定维数，而实际网络实验（如社交平台实验）往往伴随高维或结构化的协变量。
  3. 如何选择交叉拟合的折数 K？ 折数 K 与网络密度之间存在根本的权衡：K 太小则训练集不足，K 太大则预测稳定性要求过高。本文首次系统刻画了这一权衡。

⚠️ 作者的 framing

作者将缺口 frame 成："标准交叉拟合在网络干扰下失效，因为训练集中的分配会影响评估集的权重"。这一 framing 将问题从"如何设计更好的估计量"转化为"如何构造训练样本以恢复条件独立性"。作者淡化的竞争路线包括：(i) 基于模型的方法（如假设线性干扰结构），作者认为这些方法依赖正确设定；(ii) 完全放弃协变量调整的纯 Horvitz-Thompson 方法，作者认为其效率不足。值得研究者去查的问题：作者在引言中未提及 Leung (2022) 的"近似邻域干扰"（approximate neighborhood interference）框架，也未讨论 Li & Wager (2022) 的图on 渐近理论。这两条路线是否与本文的框架兼容，是一个值得追问的开放问题。

张力

未见明显对立引用。但存在一个微妙的张力：Gao & Ding (2025) 的回归调整方法在固定维数下被证明是最优的，而本文的 NECF 框架在允许高维协变量的同时，其最优性（在渐近方差意义上）并未被证明。这两条路线在"效率最优性"上的关系，是一个值得研究者深挖的点。

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

符号清单（逐个点名）：

  • 个体与网络：\(n\) 个实验单元，有向网络邻接矩阵 \(A \in \{0,1\}^{n\times n}\)，\(A_{ij}=1\) 表示 \(j\) 的处理可能影响 \(i\) 的结果（\(j\) 是 \(i\) 的 in-neighbor）。\(N_{i,\text{in}} = \{j: A_{ij}=1\}\) 是 \(i\) 的入邻居集合，\(N_{i,\text{out}} = \{j: A_{ji}=1\}\) 是 \(i\) 的出邻居集合。\(M_i = \{i\} \cup N_{i,\text{in}}\) 是 \(i\) 的分配邻域（assignment neighborhood），即可能影响 \(i\) 结果的单元集合。
  • 处理分配：\(Z = (Z_1, \dots, Z_n) \in \{0,1\}^n\) 是处理分配向量。在 Bernoulli 随机化下，\(Z_i \overset{\text{i.i.d.}}{\sim} \text{Bernoulli}(r)\)。\(Z_{M_i}\) 表示 \(M_i\) 中单元的处理分配子向量。
  • 潜在结果：\(Y_i(z)\) 是 \(i\) 在分配向量 \(z\) 下的潜在结果。Assumption 1（邻域干扰）：\(Y_i(z) = Y_i(z')\) 若 \(z_{M_i} = z'_{M_i}\)，即 \(i\) 的结果只依赖于其分配邻域内的处理分配。
  • 目标估计量（estimand）：
  • 直接效应：\(\tau_{\text{dir}} = n^{-1} \sum_{i=1}^n \{E(Y_i | Z_i=1) - E(Y_i | Z_i=0)\}\)。注意这里的期望是对其他单元的处理分配取的（在 Bernoulli 设计下）。
  • 间接效应：\(\tau_{\text{ind}} = n^{-1} \sum_{i=1}^n \sum_{j=1}^n A_{ij} \{E(Y_i | Z_j=1) - E(Y_i | Z_j=0)\}\)。这是所有入邻居处理对 \(i\) 结果的平均边际影响之和。
  • 全局平均处理效应（GATE）：\(\tau_{\text{gate}} = n^{-1} \sum_{i=1}^n \{Y_i(1^n) - Y_i(0^n)\}\)，即全体处理与全体对照之差。
  • Horvitz-Thompson 权重：\(\omega_{\text{dir},i} = Z_i / r - (1-Z_i)/(1-r)\)；\(\omega_{\text{ind},i} = \sum_{j=1}^n A_{ij} \{Z_j/r - (1-Z_j)/(1-r)\}\)；\(\omega_{\text{gate},i} = \prod_{\ell \in G_{i,\text{in}}} (Z^{[\ell]}/r) - \prod_{\ell \in G_{i,\text{in}}} ((1-Z^{[\ell]})/(1-r))\)（其中 \(G_{i,\text{in}}\) 是 \(i\) 的分配邻域在聚类层面的对应集合）。这些权重满足 \(E(\omega_{*,i}) = 0\)，且 \(E(\omega_{*,i} Y_i) = \tau_*\) 的单元贡献。
  • 预测函数：\(f^*: \mathbb{R}^d \to \mathbb{R}\) 是oracle 预测函数，用于预测潜在结果中可由协变量解释的部分。\(f^{\text{ora}}_*\) 是理论最优预测函数（最小化某个准则）。\(\hat{f}_{*,[k]}\) 是在第 \(k\) 折训练集上估计的预测函数。
  • 交叉拟合：将 \(n\) 个单元随机分成 \(K\) 折 \(\{I_k\}_{k=1}^K\)。对每个 \(k\)，用 \(T_{*,k}\)（排除邻域后的训练集）拟合 \(\hat{f}_{*,[k]}\)，然后在 \(I_k\) 上计算残差。
  • 邻域排除：\(E_{*,k}\) 是第 \(k\) 折的排除集。对于直接效应，\(E_{\text{dir},k} = I_k \cup N_{I_k,\text{out}}\)（评估单元及其出邻居）；对于间接效应，\(E_{\text{ind},k} = I_k \cup N_{I_k,\text{out}} \cup N_{N_{I_k,\text{out}},\text{out}}\)（评估单元、其出邻居、以及出邻居的出邻居）。训练集 \(T_{*,k} = \{1,\dots,n\} \setminus E_{*,k}\)。
  • 调整后估计量：\(\hat{\tau}^{\text{adj}}_* = n^{-1} \sum_{k=1}^K \sum_{i \in I_k} \omega_{*,i} \hat{e}_{*,i}\)，其中 \(\hat{e}_{*,i} = Y_i - \hat{f}_{*,[k]}(X_i)\) 是残差。

模型与可观测数据：

  • 数据生成机制：潜在结果 \(Y_i(z)\) 和协变量 \(X_i\) 是固定的（设计-based 视角），唯一随机性来自处理分配 \(Z\) 和样本划分。观测数据为 \(\{(Y_i, X_i, Z_i)\}_{i=1}^n\) 以及已知网络 \(A\)。
  • 可观测 vs 不可观测：研究者能观测到：\(Y_i\)（观测结果）、\(X_i\)（协变量）、\(Z_i\)（处理分配）、\(A\)（网络结构）。研究者观测不到：潜在结果 \(Y_i(z)\) 在 \(z \neq Z\) 时的取值、oracle 预测函数 \(f^{\text{ora}}_*\)、以及干扰机制的具体形式。关键识别假设：邻域干扰（Assumption 1）限定了干扰的范围，使得 Horvitz-Thompson 权重可以正确反映暴露概率。

第二步：最小内核

核心问题：在无干扰情形下，交叉拟合通过"训练集预测 + 评估集残差"的方式，保证了 \(\hat{f}\) 与评估集权重 \(\{\omega_i\}_{i \in I_k}\) 的条件独立性，从而 \(\hat{\tau}^{\text{adj}}\) 保持无偏。在网络干扰下，这一独立性被破坏：评估单元 \(i \in I_k\) 的权重 \(\omega_{*,i}\) 依赖于其分配邻域 \(M_i\) 的处理分配，而这些处理分配可能同时影响训练集 \(T_k\) 中某些单元的结果（因为 \(M_i\) 中的单元可能是 \(T_k\) 中单元的出邻居）。因此，\(\hat{f}_{*,[k]}\) 与 \(\omega_{*,i}\) 不再独立，导致有限样本偏差。

最小例子：考虑一个只有两个单元 \(i\) 和 \(j\) 的网络，\(A_{ij}=1\)（\(j\) 的处理影响 \(i\) 的结果），\(K=2\) 折。假设 \(i \in I_1\)，\(j \in I_2\)。标准交叉拟合用 \(I_2\)（包含 \(j\)）训练 \(\hat{f}\)，然后用 \(\hat{f}\) 预测 \(i\) 的结果。但 \(i\) 的权重 \(\omega_{\text{dir},i}\) 依赖于 \(Z_i\)，而 \(Z_i\) 不影响 \(j\) 的结果（因为 \(A_{ji}=0\)），所以此时无偏差。但如果 \(A_{ji}=1\) 且 \(A_{ij}=1\)（双向边），则 \(Z_i\) 影响 \(j\) 的结果，而 \(j\) 在训练集中，于是 \(\hat{f}\) 的拟合值依赖于 \(Z_i\)，进而与 \(\omega_{\text{dir},i}\) 相关，产生偏差。

NECF 的解法：对于直接效应，排除 \(i\) 的出邻居（即可能被 \(Z_i\) 影响的单元）——这些单元的结果与 \(Z_i\) 相关，不能用于训练。对于间接效应，排除 \(i\) 的出邻居的出邻居（因为 \(Z_i\) 影响出邻居的结果，出邻居的结果又影响其出邻居的结果，所以二阶邻居的结果也与 \(Z_i\) 相关）。通过这种估计量特定的排除，NECF 保证了训练集 \(T_{*,k}\) 中所有单元的结果都与评估集权重 \(\{\omega_{*,i}\}_{i \in I_k}\) 所依赖的处理分配条件独立，从而恢复了有限样本无偏性。

为什么这个例子是"最小内核"：它揭示了 NECF 的本质——不是简单地"留出评估集"，而是"留出所有与评估集权重相关的处理分配所影响的单元"。这个原理贯穿全文：直接效应只需一阶排除，间接效应需要二阶排除，GATE 在聚类随机化下需要聚类层面的二阶排除。整篇论文的理论贡献（定理 1-3）本质上是在不同估计量和设计下，刻画这个排除规则如何保证条件独立性，以及由此产生的 K 与网络密度的权衡。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在网络干扰下，如何通过交叉拟合进行协变量调整，同时保持有限样本无偏性和渐近有效的推断。
  2. 核心工具/方法：提出了邻域排除交叉拟合（NECF），通过构造估计量特定和设计特定的训练样本（排除评估单元的出邻居或二阶邻居），恢复训练集与评估集权重之间的条件独立性。
  3. 主要结论：NECF 在无需正确设定结果模型的前提下，对直接效应、间接效应和 GATE 实现了有限样本无偏性；在稀疏网络中，单元级分割需要 K 随平均排除邻域大小增长，而聚类级分割在部分干扰下允许固定 K；线性调整下推导了方差最优和置信区间长度最优的程序，并给出了协变量维度可发散的显式速率条件。

关键设定与假设

  • 设计-based 框架：潜在结果、协变量、网络均固定，随机性仅来自处理分配和样本划分。这与超总体（superpopulation）框架形成对比，后者假设潜在结果来自某个分布。
  • Assumption 1（邻域干扰）：结果只依赖于分配邻域内的处理。这比一般的"任意干扰"假设强，但比"部分干扰"（只依赖自身处理）弱。相比已有文献（如 Gao & Ding 2025），本文不假设干扰的具体函数形式。
  • Assumption 2（条件独立性）：\(Z_{O_{*,I_k}} \perp Z_{M_{T_{*,k}}} \mid \{I_l\}\)。这是 NECF 的核心假设，通过排除规则构造性地满足。
  • Assumption 3（网络稀疏性）：包括 \(\rho_n \to 0\)、\(\tilde{\rho}_n \to 0\)、最大度有界等。这些条件控制局部依赖的强度，是渐近正态性的基础。
  • Assumption 4（预测稳定性）：要求交叉拟合的预测误差在聚合意义下收敛，即 \(\sum_{k=1}^K \epsilon^2_{*,[k]}(\delta) \to 0\)。相比已有文献（如 Su et al. 2023），本文允许 K 发散，因此对预测误差的控制是跨折聚合的，而非单折一致。
  • Assumption 5-6（结果有界性与非退化性）：潜在结果有界，且方差非退化。相比无干扰情形，本文的 Assumption 6 额外要求网络诱导的协方差结构不退化。

主要结果

定理 1（有限样本无偏性）：在 Assumption 1-2 下，\(E(\hat{\tau}^{\text{adj}}_*) = \tau_*\)。这是全文的基础，证明思路是：条件于样本划分，利用条件独立性将 \(\hat{f}\) 与权重分离，然后利用 Horvitz-Thompson 权重的无偏性。关键点：无偏性对预测函数 \(\hat{f}\) 的形式没有任何要求，只要它不依赖于评估集权重的处理分配即可。

定理 2（渐近正态性）：在 Assumption 1-6 下，\((\hat{\tau}^{\text{adj}}_* - \tau_*) / \sqrt{\text{var}(\hat{\tau}^{\text{ora}}_*)} \xrightarrow{d} N(0,1)\)。证明思路是：将 \(\hat{\tau}^{\text{adj}}_* - \hat{\tau}^{\text{ora}}_*\) 分解为预测误差项和加权项，利用 Assumption 4 控制预测误差，利用网络稀疏性（Assumption 3）建立 Lindeberg 型中心极限定理。技术难点：网络依赖使得标准的独立同分布 CLT 不适用，需要利用 Stein's method 或依赖图（dependency graph）论证。

定理 3（方差估计）：给出了 \(\hat{V}^{\text{adj}}_{\text{AS},*}\) 和 \(\hat{V}^{\text{adj}}_{\text{dense},*}\) 的相合性。稀疏网络中，AS 估计量（基于依赖图）是保守的；稠密网络中，dense 估计量是渐近精确的。关键点：方差估计的相合性依赖于网络结构的稀疏性假设，这比无干扰情形下的方差估计更复杂。

定理 4-6（线性调整的最优性）：在协变量维度 \(d\) 发散的条件下，推导了方差最优和置信区间长度最优的调整系数，并给出了显式速率条件。关键点：方差最优系数 \(\beta^{\text{ora-V}}_*\) 的估计需要网络诱导的协方差结构，而置信区间长度最优系数 \(\beta^{\text{ora-CI}}_*\) 则只需最小化期望长度，两者在有限样本下不必一致。

证明路线与技术技巧

整体路线（以定理 2 为例）： 1. 分解：\(\hat{\tau}^{\text{adj}}_* - \tau_* = (\hat{\tau}^{\text{ora}}_* - \tau_*) + (\hat{\tau}^{\text{adj}}_* - \hat{\tau}^{\text{ora}}_*)\)。第一项是 oracle 估计量的抽样误差，第二项是预测误差的贡献。 2. 控制预测误差：利用 Assumption 4，证明第二项是 \(o_p(\sqrt{\text{var}(\hat{\tau}^{\text{ora}}_*)})\)。这一步的关键是交叉拟合的独立性：\(\hat{f}\) 与评估集权重独立，因此预测误差的贡献可以视为条件均值零的随机变量。 3. 建立 CLT：对第一项，利用网络稀疏性（Assumption 3）构造依赖图，然后应用 Stein's method 或依赖图的 CLT。技术难点：依赖图的色数（chromatic number）需要被控制，这依赖于最大度条件。

关键跳跃点： - 引理 S1（训练集保留）：证明在 \(K \asymp 1 + n\rho_n\) 时，排除后的训练集大小以高概率非零。这个引理是连接 K 与网络密度的桥梁。 - 引理 S2（方差分解）：将 \(\hat{V}^{\text{adj}}_{\text{AS},*}\) 分解为 oracle 方差和预测误差项，证明后者可忽略。难点：网络依赖使得交叉项（cross terms）的数量是 \(O(n \rho_n)\) 而非 \(O(n)\)，需要更精细的估计。

技术技巧点名： - 依赖图 CLT：用于处理网络诱导的依赖结构，替代标准的独立同分布 CLT。 - Stein's method：用于建立依赖图上的正态近似，特别是当依赖图不是稀疏时。 - 交叉拟合的独立性：这是全文的核心技巧，通过样本划分将预测误差与抽样误差分离。 - 逆概率加权：Horvitz-Thompson 权重是设计-based 推断的基础，本文将其与交叉拟合结合。

真实例子与应用

模拟研究（第 6 节）： - 数据：部分干扰（partial interference）设计，500 个簇，每簇 2 个单元，\(n=1000\)。协变量维度 \(d = \lfloor n^\upsilon \rfloor\)，\(\upsilon \in \{0.50, 0.55, 0.60, 0.65, 0.70, 0.75\}\)。 - 发现：当 \(\upsilon\) 增大（即 \(d\) 增大）时，标准交叉拟合（不排除邻居）的偏差显著增大，而 NECF 保持无偏。这验证了定理 1 的有限样本无偏性。 - K 的选择：在稠密网络中，固定 \(K=2\) 导致训练集过小，NECF 退化为未调整估计量；而 \(K\) 随网络密度增长时，NECF 保持稳定。这验证了 K 与网络密度的权衡。

真实数据（第 7 节）： - 数据：新泽西州 56 所中学的反欺凌干预实验（Paluck et al. 2016），聚焦 5 所最大的处理学校中的 265 名符合种子资格的学生。网络由提名关系构建，\(n\rho_n = 0.555\)，\(n\tilde{\rho}_n = 1.004\)。 - 方法：使用 20 个协变量（7 个二值、3 个数值、以及对应的入邻居均值），比较未调整、标准交叉拟合、NECF 三种估计量。 - 结果：NECF 的置信区间比未调整估计量缩短约 20-30%，而标准交叉拟合的估计值偏离 NECF 约 0.05-0.1 个标准差，表明存在非平凡偏差。这个例子说明：即使网络相对稀疏（\(n\rho_n = 0.555\)），标准交叉拟合的偏差仍不可忽略，NECF 的实际价值在于在不牺牲无偏性的前提下获得精度提升。

🔎 结论是否比证明窄

  • 定理 1 的陈述是"有限样本无偏"，但证明依赖于 Assumption 2 的条件独立性，而该独立性是通过排除规则构造性满足的。因此，无偏性对预测函数的形式无要求，但要求排除规则被精确执行。在真实数据中，如果网络测量有误差（如漏报边），排除规则可能不完整，无偏性会受损。论文未讨论网络测量误差的稳健性。
  • 定理 2 的渐近正态性要求 Assumption 3 的网络稀疏性。在稠密网络中（\(n\rho_n \to \infty\)），论文只给出了方差估计的相合性，但未证明 CLT 是否成立。第 6.3 节的模拟显示，稠密网络下固定 K 的 NECF 表现不佳，但论文未给出稠密网络下 CLT 的充分条件。
  • 定理 5-6 的线性调整最优性是在oracle 系数已知的前提下证明的。实际中系数需要估计，论文证明了估计误差可忽略，但要求 \(d(1+n\rho_n)^2 K^2 (\log K)^2 / n \to 0\)。这个条件在 \(d\) 接近 \(n\) 时可能过于严格，论文未讨论 \(d\) 与 \(n\) 同阶的边界情形。
  • 结论部分声称 NECF "适用于任意预测方法"，但定理 5-6 的证明是针对线性调整的。对于非线性方法（如随机森林），论文仅在第 4 节末尾提到"可通过校准推广"，未给出具体定理。因此，"任意预测方法"的表述比证明要宽。

四、开放问题

  1. 网络测量误差的稳健性：NECF 的无偏性依赖于精确的排除规则。如果网络邻接矩阵 \(A\) 存在测量误差（如漏报边），排除规则可能不完整，导致偏差。论文未讨论这一问题的上界。扎根于定理 1 的证明对 Assumption 2 的依赖。

  2. 稠密网络下的 CLT：定理 2 的 CLT 要求网络稀疏（\(\rho_n \to 0\)）。在稠密网络（\(n\rho_n \to \infty\)）下，论文只证明了方差估计的相合性，未证明 CLT。第 6.3 节的模拟显示稠密网络下固定 K 的 NECF 表现不佳，但未给出稠密网络下 CLT 的充分条件。扎根于定理 2 的陈述和 Assumption 3 的条件。

  3. 非线性预测方法的理论保证：论文的线性调整最优性（定理 5-6）是针对线性预测的。对于非线性方法（如随机森林、神经网络），论文仅在第 4 节末尾提到"可通过校准推广"，未给出具体定理。扎根于第 4 节末尾的讨论。

  4. K 的自适应选择：论文给出了 K 与网络密度的权衡（\(K \asymp 1 + n\rho_n\)），但未提供数据驱动的 K 选择准则。扎根于第 3.2 节的讨论和定理 5-6 的速率条件。

  5. 更一般的干扰结构：论文假设邻域干扰（Assumption 1），即结果只依赖于分配邻域内的处理。对于更一般的干扰结构（如"近似邻域干扰" ANI，Leung 2022），排除规则可能需要调整。扎根于 Assumption 1 的陈述。

顺带提醒：要确认上述哪一条是真正的 gap，建议去读以下近期文献的引言部分（各约 5 篇）：(a) 网络干扰下的交叉拟合方法（如 Emmenegger et al. 2025 的后续工作）；(b) 网络测量误差下的因果推断；(c) 稠密网络下的设计-based 推断。如果这些文献的引言都指向同一个问题，那大概率是共识性 gap；如果它们互相打架，那可能是一个更有意思的机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论