Spatially randomized designs can enhance policy evaluation¶
作者: Ying Yang, Chengshun Shi, Fang Yao, Shouyang Wang, Hongtu Zhu
来源: Annals of Applied Statistics
主题: 因果推断
相关性: 7/10
机构绿灯: Fudan University(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
-
这个方向是什么:本文属于"实验设计 + 因果推断"的交叉领域,核心问题是:当实验单元之间存在空间干扰(spatial interference)时,如何设计实验(如何分配处理)才能最有效地评估一个全局政策(policy)的价值?传统观点认为,为了估计全局政策效应,应该采用"全局设计"(所有单元同时接受同一处理);本文挑战这一直觉,提出"空间随机化设计"(将区域划分为不重叠单元并随机分配处理)可以在估计政策价值时获得更小的均方误差(MSE)和更高的检验功效。该子方向当前处于活跃发展阶段,但尚未形成统一理论框架,尤其在"设计如何影响估计效率"这一问题上缺乏系统性刻画。
-
发展脉络(history):
- 奠基工作:干扰(interference)问题的现代因果推断框架可追溯至 Hudgens and Halloran (2008) 对部分干扰(partial interference)的正式定义,以及 Sobel (2006) 在社会学中的应用。这些工作确立了"一个单元的潜在结果可能依赖其他单元的处理"这一核心挑战,并提出了在集群层面定义 estimand 的思路。
- 主要进展:Aronow and Samii (2017) 将干扰推广到一般网络结构,提出了在任意干扰图下估计平均处理效应的框架;Forastiere, Airoldi and Mealli (2021) 进一步在观测性网络研究中系统化了干扰下的识别与估计。在实验设计一侧,Ugander et al. (2013) 提出"图聚类随机化"(graph cluster randomization),通过聚类来减少干扰带来的偏差;Jagadeesan, Pillai and Volfovsky (2020) 与 Leung (2022) 则从设计角度研究了网络干扰下的最优分配策略。这些工作共同确立了"设计可以缓解干扰"这一核心思想。
- 当前 frontier:近期工作开始关注"动态"与"时序"维度。Liao et al. (2020)、Shi et al. (2023a) 将强化学习与 off-policy evaluation 引入移动健康与平台经济场景;Luo et al. (2024) 进一步处理了时空依赖下的政策评估。然而,这些工作大多假设实验设计是给定的,很少将"设计选择"本身作为提升效率的工具。
-
本文的位置:本文填补的缺口是——在存在空间干扰的实验中,设计选择(全局 vs. 空间随机化)如何影响政策价值估计的 MSE 与检验功效。作者不仅给出参数模型下的显式 MSE 表达式,还推广到半参数(doubly robust)框架,并进一步扩展到动态(时序)设定。这使其成为"设计驱动效率"这一思路在空间干扰下的系统化尝试。
-
子线索聚类:
- 干扰下的因果推断(Hudgens and Halloran 2008; Sobel 2006; Aronow and Samii 2017; Forastiere et al. 2021; Tchetgen et al. 2021):关注识别与估计,不涉及设计选择。
- 干扰下的实验设计(Ugander et al. 2013; Jagadeesan et al. 2020; Leung 2022; Viviano 2020):关注如何分配处理以减小偏差或方差,但多假设独立噪声或静态设定。
- Off-policy evaluation / 强化学习(Jiang and Li 2016; Thomas and Brunskill 2016; Liao et al. 2019, 2020; Kallus and Uehara 2022; Uehara et al. 2022):关注给定历史数据下的政策评估,但通常不涉及空间干扰或实验设计。
- 时空建模与平台实验(Xu et al. 2018; Tang et al. 2019; Zhou et al. 2021, 2023; Ke et al. 2018):应用驱动,但缺乏理论保证。
-
本文横跨线索 2 与 3,将"设计"与"off-policy evaluation"结合,是其独特定位。
-
这个方向在追问的核心问题:
- 在干扰存在时,如何定义并识别"政策价值"(而非简单的平均处理效应)?
- 不同的随机化方案(全局、个体、集群)在估计效率上是否有本质差异?差异由哪些结构参数(干扰范围、空间相关强度、集群大小)决定?
- 如何将实验设计的思想推广到动态(时序)设定,以应对 carryover effects?
-
已知瓶颈:现有理论多假设干扰结构已知或可精确建模;当干扰范围大或网络复杂时,估计效率的理论刻画变得困难。此外,半参数效率界在干扰下的推广尚不成熟。
-
⚠️ 作者的 framing(这是作者的说法):作者将缺口 frame 成"传统全局设计忽略了空间随机化带来的方差缩减潜力",并声称"空间随机化设计在广泛条件下优于全局设计"。他们淡化的竞争路线包括:(1) 更复杂的自适应设计(如 covariate-adaptive randomization,见 Hu and Hu 2012; Liu and Hu 2022),这些方法在 i.i.d. 设定下有效,但作者未讨论其在空间干扰下的表现;(2) 基于网络聚类的更精细设计(如 Leung 2022),作者仅以"固定大小集群"作为代表。值得研究者去查的问题:为什么文中没有引用 Aronow and Samii (2017) 关于一般干扰图的估计框架?也没有引用 Zigler and Papadogeorgou (2021) 关于空间干扰的综述?这些工作似乎与本文的核心设定高度相关,其缺席可能意味着作者有意回避了"一般干扰结构"这一更复杂的设定。
-
张力:未见明显对立引用。但存在一个隐含张力:Ugander et al. (2013) 的图聚类随机化强调"减少跨集群干扰"以降低偏差,而本文的集群随机化似乎更强调"利用集群内相关性"来降低方差。这两种设计哲学在目标函数(偏差 vs. 方差)上的侧重不同,值得研究者注意。
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
- 空间单元:城市被划分为 \(R\) 个不重叠的空间单元(spatial units),索引 \(\iota = 1, \dots, R\)。
- 时间:数据收集持续 \(N\) 天,索引 \(i = 1, \dots, N\)。每天被视为一个独立复制(temporal replication)。
- 处理分配:\(A_{i,\iota} \in \{0,1\}\) 表示单元 \(\iota\) 在第 \(i\) 天接受新政策(1)或对照政策(0)。
- 全局设计(global design):\(A_{i,1} = A_{i,2} = \cdots = A_{i,R}\),即所有单元每天接受相同处理。
- 个体随机化(individual randomization):每个 \(A_{i,\iota}\) 独立随机生成,\(P(A_{i,\iota}=1) = p_\iota\)。
- 集群随机化(cluster randomization):单元被分为 \(m\) 个不重叠集群 \(\{C_1, \dots, C_m\}\),集群内处理相同,集群间独立随机化,\(P(A_{i}^{(j)}=1) = p^{(j)}\)。
- 潜在结果:\(Y_{i,\iota}(a_R)\) 表示在第 \(i\) 天,当全局处理向量为 \(a_R = (a, \dots, a)^T \in \mathbb{R}^R\)(即所有单元接受同一处理 \(a\))时,单元 \(\iota\) 的潜在结果。注意:这里只定义了两个全局处理水平(全 1 或全 0)下的潜在结果,因为政策评估关心的是"全城统一实施新政策 vs. 全城统一实施旧政策"的对比。
- 可观测结果:\(Y_{i,\iota}\) 是实际观测到的结果,由一致性(consistency)假设连接:\(Y_{i,\iota} = Y_{i,\iota}(A_{i,\iota})\),其中 \(A_{i,\iota}\) 是实际分配向量。注意:在空间随机化下,观测到的 \(Y_{i,\iota}\) 对应的潜在结果并不在 \(Y_{i,\iota}(0_R)\) 或 \(Y_{i,\iota}(1_R)\) 中,因为邻居的处理是混合的。这是干扰问题的核心困难。
- 目标 estimand:政策价值(policy value)定义为全城统一实施新政策与旧政策的结果差异:
\[\tau = \sum_{\iota=1}^R \mathbb{E}\{Y_{i,\iota}(1_R) - Y_{i,\iota}(0_R)\}.\]注意:\(\tau\) 不依赖 \(i\)(因为天与天之间独立同分布)。
- 干扰建模:作者采用均值场近似(mean-field approximation)。对单元 \(\iota\),定义其邻居集合 \(\mathcal{N}_\iota\)(干扰邻居),以及邻居平均处理水平 \(\bar{A}_{i,\iota} = n_\iota^{-1} \sum_{k \in \mathcal{N}_\iota} A_{i,k}\),其中 \(n_\iota = |\mathcal{N}_\iota|\)。结果模型假设 \(Y_{i,\iota}\) 只通过自身处理 \(A_{i,\iota}\) 和邻居平均处理 \(\bar{A}_{i,\iota}\) 依赖处理分配。
- 参数模型(公式 2):
\[Y_{i,\iota} = \alpha_\iota + O_{i,\iota}^\top \beta_\iota + \gamma_\iota A_{i,\iota} + \theta_\iota \bar{A}_{i,\iota} + e_{i,\iota},\]其中 \(O_{i,\iota}\) 是协变量,\(e_{i,\iota}\) 是零均值、时间独立、空间相关的误差项(协方差矩阵 \(V\))。
- 半参数模型(公式 6):
\[Y_{i,\iota} = h_\iota(A_{i,\iota}, \bar{A}_{i,\iota}, O_{i,\iota}, \bar{O}_{i,\iota}) + e_{i,\iota},\]其中 \(h_\iota\) 是未知函数,\(\bar{O}_{i,\iota}\) 是邻居平均协变量。
第二步:最小内核
剥掉所有一般性设定,本文的核心数学问题可以归结为如下最小例子:
设定:\(R\) 个单元排成一圈(ring),每个单元 \(\iota\) 有两个邻居 \(\iota-1\) 和 \(\iota+1\)(模 \(R\))。干扰范围 \(r=1\),即 \(\bar{A}_{i,\iota} = (A_{i,\iota-1} + A_{i,\iota+1})/2\)。误差项 \(e_{i,\iota}\) 在空间上相关,\(\text{corr}(e_{i,\iota}, e_{i,\iota'}) = \rho^{|\iota - \iota'|}\)(\(\rho > 0\))。参数模型为 \(Y_{i,\iota} = \gamma A_{i,\iota} + \theta \bar{A}_{i,\iota} + e_{i,\iota}\)(忽略协变量和截距)。
问题:在全局设计、个体随机化、集群随机化三种方案下,估计 \(\tau = R(\gamma + \theta)\) 的 OLS 估计量的 MSE 分别是多少?哪种设计 MSE 最小?
为什么这个例子是内核: - 它保留了空间干扰(\(\theta \neq 0\))和空间相关误差(\(\rho \neq 0\))这两个核心特征。 - 全局设计下,\(\bar{A}_{i,\iota} = A_i\)(所有单元相同),模型退化为 \(Y_{i,\iota} = (\gamma+\theta) A_i + e_{i,\iota}\),此时 \(\hat{\tau}_g\) 的方差由 \(A_i\) 的样本方差和误差的总空间平均决定。 - 个体随机化下,\(\bar{A}_{i,\iota}\) 是随机的,OLS 估计 \(\gamma\) 和 \(\theta\) 需要同时估计两个系数,但 \(\bar{A}_{i,\iota}\) 与 \(A_{i,\iota}\) 的相关性(因为邻居的处理与自身处理独立,但 \(\bar{A}_{i,\iota}\) 与 \(A_{i,\iota}\) 独立)使得 \(\gamma\) 和 \(\theta\) 可分离。然而,误差的空间相关意味着 \(\bar{A}_{i,\iota}\) 与 \(e_{i,\iota}\) 可能相关(因为邻居的误差与自身误差相关),导致偏差。 - 集群随机化下,集群内处理相同,\(\bar{A}_{i,\iota}\) 在集群内是常数,但集群间的处理独立。此时 \(\gamma\) 和 \(\theta\) 的识别依赖于集群边界上的单元(其邻居跨集群),而集群内部的单元无法区分 \(\gamma\) 和 \(\theta\)。
本文的核心洞察(在这个最小例子中即可显现): - 全局设计下,\(\hat{\tau}_g\) 的方差正比于 \(\sum_{\iota,\iota'} V_{\iota\iota'}\)(总空间协方差),当空间相关强时,这个量很大。 - 空间随机化(个体或集群)通过引入处理分配的空间变异性,使得估计量能够"差分掉"一部分空间相关误差,从而降低方差。代价是引入了估计 \(\theta\) 的额外噪声。 - 最优设计取决于 \(\rho\)(误差空间相关强度)、\(r\)(干扰范围)和 \(c\)(集群大小)之间的权衡。当 \(\rho\) 大、\(r\) 小时,空间随机化优势明显;当 \(r\) 接近 \(R\)(全局干扰)时,空间随机化失去优势。
本文的技术贡献:将上述直觉严格化——在参数模型下推导出三种设计的 MSE 显式表达式(定理 2.2),在半参数模型下给出 doubly robust 估计量的 MSE 界(定理 2.4),并证明在广泛条件下空间随机化设计的 MSE 以 \(O(r^2/R)\) 或更快的速率趋于 0,而全局设计的 MSE 不随 \(R\) 缩减(因为总空间方差是 \(O(R^2)\) 量级)。
三、这篇论文做了什么¶
三句话: 1. 研究问题:在存在空间干扰和空间相关误差的实验中,空间随机化设计(个体/集群)相比全局设计,能否以及何时能提升政策价值估计的 MSE 和检验功效? 2. 核心方法:在参数线性模型和半参数(doubly robust)框架下,推导三种设计下政策价值估计量的 MSE 显式表达式与渐近界,刻画其依赖干扰范围 \(r\)、空间相关强度 \(\rho\)、集群大小 \(c\) 的精确关系。 3. 主要结论:空间随机化设计在干扰范围有限、空间相关较强时显著优于全局设计,MSE 可降低至 \(O(r^2/R)\) 量级;集群随机化的最优集群大小与干扰范围同阶(\(c^* \asymp r\));动态设定下结论依然成立,但需考虑时序 carryover 的影响。
关键设定与假设(在第二节最小记号基础上补全):
- 一致性(CA):\(Y_{i,\iota} = Y_{i,\iota}(A_{i,\iota})\)。注意:这里的一致性只要求观测结果等于"实际分配向量"下的潜在结果,但潜在结果的定义域是全局处理水平 \(\{0_R, 1_R\}\)。这意味着作者隐含假设了排除性限制(exclusion restriction):单元 \(\iota\) 的结果只依赖自身处理和邻居平均处理,不依赖邻居的邻居等更高阶信息。这是均值场近似的核心。
- 干扰结构:邻居集合 \(\mathcal{N}_\iota\) 是确定的、有限的(\(|\mathcal{N}_\iota| = n_\iota \le r\),\(r\) 为干扰范围)。\(\bar{A}_{i,\iota}\) 是邻居平均处理。
- 误差结构:\(\{e_{i,\iota}\}\) 时间独立、空间相关,协方差矩阵 \(V\) 满足一定的正则条件(如谱范数有界、空间相关随距离衰减)。注意:作者假设误差与处理独立,这在随机化实验中是自动满足的,但在观测性研究中需要额外论证。
- 处理分配机制:三种设计下,处理分配概率已知(全局:\(P(A_i=1)=p\);个体:\(P(A_{i,\iota}=1)=p_\iota\);集群:\(P(A_i^{(j)}=1)=p^{(j)}\)),且与潜在结果独立(随机化)。
- 半参数模型:\(h_\iota\) 是光滑函数(如 Hölder 类),估计采用核回归或局部多项式,交叉拟合(cross-fitting)用于消除过拟合偏差。
- 动态设定:假设状态变量 \(O_{i,\iota,t}\) 满足一阶马尔可夫性,处理 \(A_{i,\iota,t}\) 的分配概率已知(行为策略),目标政策为"全城全时段统一处理"。
主要结果:
- 定理 2.2(参数模型,非动态):
- 全局设计:\(\text{MSE}(\hat{\tau}_g) \asymp \frac{1}{N} \sum_{\iota,\iota'} V_{\iota\iota'}\)(总空间协方差)。
- 个体随机化:\(\text{MSE}(\hat{\tau}_i) \asymp \frac{1}{N} \left( \sum_\iota V_{\iota\iota} + r^2 \sum_{\iota,\iota'} V_{\iota\iota'} \right)\),当 \(r\) 固定时,第二项是 \(O(r^2 R)\) 量级,但第一项是 \(O(R)\) 量级,因此 \(\text{MSE}(\hat{\tau}_i)/\text{MSE}(\hat{\tau}_g) \asymp r^2/R\)(假设 \(V\) 的谱范数有界且总协方差 \(\sum_{\iota,\iota'} V_{\iota\iota'} \asymp R^2\))。
- 集群随机化:\(\text{MSE}(\hat{\tau}_c) \asymp \frac{1}{N} \left( \sum_j \sum_{\iota,\iota' \in C_j \cup \mathcal{N}_{C_j}} V_{\iota\iota'} \right)\),其中 \(\mathcal{N}_{C_j}\) 是集群 \(C_j\) 的邻居集合。最优集群大小 \(c^* \asymp r\),此时 \(\text{MSE}(\hat{\tau}_c)/\text{MSE}(\hat{\tau}_g) \asymp c/R + mr^2/R^2\)(\(m = R/c\) 为集群数)。
-
关键结论:当 \(r\) 固定、\(R \to \infty\) 时,空间随机化设计的 MSE 以 \(O(r^2/R)\) 速率趋于 0,而全局设计的 MSE 不缩减(因为 \(\sum_{\iota,\iota'} V_{\iota\iota'} \asymp R^2\))。直觉:全局设计只有 \(N\) 个"有效样本"(每天一个),而空间随机化有 \(NR\) 个"有效样本"(每天 \(R\) 个单元),尽管空间相关降低了有效样本量,但只要 \(r \ll R\),空间随机化仍然更优。
-
定理 2.4(半参数模型,非动态):
- 结论与定理 2.2 类似,但 MSE 中额外包含估计 \(h_\iota\) 的偏差-方差权衡项。
- 关键假设:交叉拟合估计量 \(\hat{h}_\iota\) 满足 \(L_2\) 收敛速率 \(\delta_N \to 0\),且 \(\delta_N \cdot r \to 0\)(即干扰范围不能增长太快)。
-
结论:doubly robust 估计量在"处理模型正确"或"结果模型正确"二者之一成立时保持一致,且 MSE 界与参数情形相同阶。
-
定理 3.2(参数模型,动态):
- 结论与非动态情形一致,但 MSE 表达式中额外包含时序 carryover 项。
-
三种时间设计(常数、独立、切换)下,空间随机化的优势依然成立,但切换设计(switchback)可以进一步降低时序相关带来的方差。
-
推论 2.6(检验功效):
- 在局部备择假设 \(\tau = h/\sqrt{N}\) 下,三种设计的 Wald 检验功效函数均收敛到正态分布,但空间随机化设计的非中心参数更大(因为方差更小),因此功效更高。
证明路线与技术技巧:
- 整体路线(以定理 2.2 为例):
- 步骤 1:估计量分解。将 \(\hat{\tau}_g\)、\(\hat{\tau}_i\)、\(\hat{\tau}_c\) 分别表示为处理分配向量 \(A\) 的线性函数,并利用 OLS 的正交性将 MSE 分解为"处理效应估计的方差"和"误差项贡献的方差"两部分。
- 步骤 2:计算条件方差。给定处理分配 \(A\),误差项的空间相关结构 \(V\) 决定了估计量的条件方差。利用矩阵运算,将条件方差表示为 \(V\) 的二次型。
- 步骤 3:对处理分配求期望。利用随机化的已知概率,对 \(A\) 求期望,得到无条件 MSE。这一步的关键是计算 \(E[(\bar{A}_{i,\iota} - \mathbb{E}\bar{A}_{i,\iota})(\bar{A}_{i',\iota'} - \mathbb{E}\bar{A}_{i',\iota'})]\),即处理分配的空间协方差结构。
-
步骤 4:渐近分析。令 \(R \to \infty\),利用 \(V\) 的谱范数有界性和空间相关衰减假设,估计各二次型的阶数,得到 MSE 的渐近表达式。
-
关键跳跃点:
- 跳跃点 1(引理 S.1):处理分配的空间协方差矩阵的谱范数界。对于个体随机化,\(\text{Cov}(\bar{A}_{i,\iota}, \bar{A}_{i,\iota'})\) 的非零项仅出现在 \(|\iota - \iota'| \le 2r\) 的范围内,因此其谱范数是 \(O(r^2/R)\)。对于集群随机化,需要更精细的估计,因为集群边界上的单元具有跨集群的邻居。
- 跳跃点 2(引理 S.2):误差项二次型的集中不等式。利用高斯或次高斯假设,证明 \(\sum_{\iota,\iota'} V_{\iota\iota'} (\bar{A}_{i,\iota} - p)(\bar{A}_{i,\iota'} - p)\) 以高概率集中在其期望附近。这里用到了 Hanson-Wright 不等式。
-
跳跃点 3(定理 2.4 的证明):交叉拟合的偏差控制。作者采用标准的两折交叉拟合,将"估计 \(h_\iota\) 的误差"与"估计 \(\tau\) 的误差"分离,利用样本分割保证独立性,从而避免 Donsker 类条件。
-
技术技巧点名:
- Hanson-Wright 不等式:用于控制高斯二次型的集中性,在处理分配与误差的交互项分析中起关键作用。
- 交叉拟合(cross-fitting):用于半参数估计,避免对函数类施加过强的熵条件。
- 均值场近似:将邻居处理的影响简化为平均值 \(\bar{A}_{i,\iota}\),使得模型可处理。
- 矩阵摄动分析:在比较三种设计的 MSE 时,将 \(V\) 视为固定矩阵,分析不同设计下二次型 \(a^T V a\) 的差异。
真实例子与应用: - 模拟实验(第 4.1-4.2 节):使用规则网格(\(R = 36, 81, 144\)),干扰邻居为相邻单元(\(r = 3, 4, 6\)),误差为空间自回归(SAR)结构,\(\rho \in \{0.3, 0.6, 0.9\}\)。结果显示,MSE 比率 \(\text{MSE}(\hat{\tau}_i)/\text{MSE}(\hat{\tau}_g)\) 与理论预测 \(O(r^2/R)\) 高度吻合,且集群随机化在 \(c \approx r\) 时达到最优。 - 真实数据(第 4.3 节):基于滴滴出行平台的城市级实验数据,\(R = 17\) 个区域,\(N = 24\) 天,\(M = 48\) 个半小时时段。测试了乘客补贴政策对司机收入的影响。结果显示,空间随机化设计的估计量标准误比全局设计降低约 40%,且检验功效显著提升。注意:该数据是真实实验数据,但作者仅用其验证方法可行性,未声称因果解释的绝对有效性。
🔎 结论是否比证明窄: - 定理 2.2 的结论在定理 2.4 中被推广,但定理 2.4 的证明依赖更强的光滑性假设(\(h_\iota\) 属于 Hölder 类且光滑阶数足够高)。作者在定理 2.4 的陈述中写的是"假设 \(h_\iota\) 属于 Hölder 类 \(\mathcal{H}^s\) 且 \(s > d/2\)",但在讨论部分(第 5 节)却声称"该方法适用于一般非参数模型",这一跨度未被证明覆盖。 - 动态设定(定理 3.2) 的证明假设误差 \(\{e_{i,\iota,t}\}\) 时间独立,但真实平台数据往往存在时间相关(如日周期效应)。作者在第 5 节承认"时间相关的误差结构是未来工作",但定理 3.2 的结论在讨论中被表述为"适用于一般动态场景",这一表述比证明更宽。 - 推论 2.6 的检验功效分析 仅针对局部备择假设(\(h/\sqrt{N}\)),但作者在第 4 节的模拟中使用了固定效应大小(\(s = 1\%, 2\%\)),两者不完全匹配。作者未明确说明固定效应下功效分析的有限样本性质。
四、开放问题¶
-
一般干扰图下的最优设计:本文的集群随机化假设集群为固定大小、规则形状。对于一般网络结构(如社交网络、交通网络),如何刻画最优集群划分?作者在第 5 节提到"将集群大小与干扰范围匹配",但未给出一般图的算法。扎根于第 5 节:"examining experimental designs with temporal random effects" 之前的讨论。
-
时间相关误差下的动态设计:定理 3.2 假设误差时间独立,但真实平台数据存在强时间相关。作者在第 5 节明确写道:"For infinite stages, where a variance estimate is likely to diverge, Gaussian approximation techniques may be applied",但未给出具体方案。扎根于第 5 节第二段。
-
半参数效率界:定理 2.4 给出的是 doubly robust 估计量的 MSE 上界,但未证明其达到半参数效率下界。在干扰存在时,Cramér-Rao 下界的形式尚不清晰。扎根于定理 2.4 的陈述与第 5 节未讨论效率最优性。
-
处理分配概率的估计:本文假设处理分配概率(\(p_\iota, p^{(j)}\))已知。在观测性研究中,这些概率需要估计,其估计误差对 MSE 的影响未被分析。扎根于第 2.2 节"propensity score"的讨论。
-
非线性干扰效应:均值场近似假设结果只依赖邻居平均处理 \(\bar{A}_{i,\iota}\)。当干扰效应是非线性(如阈值效应)时,均值场近似可能失效。作者在第 5 节提到"more complex interference structures"但未展开。
给研究者的提醒:若要确认上述某条是否为真 gap,建议去读以下近期工作(约 5 篇)的引言部分:Leung (2022, Annals of Statistics)、Viviano (2020, arXiv)、Hu, Li and Wager (2022, Biometrika)、Shi et al. (2023a, JASA)、Luo et al. (2024, JRSS-B)。如果这些工作的引言都指向同一个未解决问题,那大概率是共识性 gap;如果它们互相引用但结论不一致,则可能是机会所在。
Maintained by 陈星宇 · Homepage · Source on GitHub