跳转至

Selective Randomization Inference for Interference

作者: Takahide Yanagi
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2611.02443


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存在干扰(interference)下的随机化检验(randomization tests),其根本科学问题是:当个体间存在交互作用(treatment spillover)时,如何对因果效应(直接效应、溢出效应)进行有效的假设检验。该方向的核心统计困难在于,干扰破坏了传统 SUTVA 假设下"一个单位的结果只取决于自身处理"的简化结构,使得潜在结果的部分可插补性(imputability)变得复杂。当前该方向的成熟度处于"方法快速发展但缺乏统一框架"的阶段——已有大量针对特定干扰结构的检验方法,但如何处理数据驱动的模型选择(如先检验干扰再决定分析策略)带来的推断失效问题,仍是空白。

发展脉络

  • 奠基工作:Hudgens and Halloran (2008) 首次系统定义了在有干扰情况下的直接效应、间接效应和总效应,并提出了随机化饱和设计(randomized saturation design)作为识别这些效应的实验框架。这一工作奠定了整个子领域的语言和实验设计基础。
  • 主要进展(检验方法):
  • Aronow (2012) 最早提出在存在干扰时检验"无溢出效应"的随机化检验方法,但其方法局限于特定的干扰结构。
  • Athey et al. (2018) 将随机化检验推广到更一般的网络干扰结构,提出了基于"无处理溢出"零假设的精确 p 值计算方法,并给出了计算可行的算法。
  • Basse et al. (2019) 系统化了条件随机化检验(conditional randomization test, CRT)框架,通过构造"焦点子总体"(focal subpopulation)来处理干扰下的检验问题,使得在部分可插补性下仍能构造有效检验。
  • Puelz et al. (2022) 引入图论工具(二分图、团)来刻画干扰结构,提出了基于"零暴露对比度"的检验方法,并给出了构造焦点子总体的系统化方法。
  • Liu et al. (2026) 进一步扩展了随机化饱和设计下的检验理论,处理了更一般的暴露映射(exposure mapping)设定。
  • 当前 frontier(选择性推断的引入):Freidling et al. (2026) 和 Gao (2025) 将选择性推断(selective inference)引入随机化检验框架,处理自适应实验设计中的推断问题。前者处理一般自适应实验,后者处理基于连续生物标志物阈值划分子组的情形。本文正是沿着这条线,首次将选择性推断引入干扰检验作为预检验的场景。
  • 本文的位置:本文是第一个将"选择性随机化推断"(selective randomization inference)应用于干扰检验的工作。它明确处理了"先检验干扰、再根据检验结果选择分析模型"这一常见实证策略带来的选择性偏差,填补了该方向的空白。

子线索聚类

  1. 干扰检验的随机化方法:Aronow (2012)、Athey et al. (2018)、Basse et al. (2019)、Puelz et al. (2022)、Liu et al. (2026)。这条线专注于在给定干扰结构下构造有效的检验,核心工具是条件随机化、焦点子总体和暴露映射。
  2. 选择性推断:Kuchibhotla et al. (2022)(综述)、Neufeld et al. (2026)(综述)、Freidling et al. (2026)、Gao (2025)。这条线处理数据驱动选择后的推断问题,核心思想是对选择事件进行条件化。
  3. 干扰下的效应估计与实验设计:Hudgens and Halloran (2008)、Baird et al. (2018)。这条线关注效应定义和实验设计,为检验方法提供目标参数和随机化机制。

这个方向在追问的核心问题

  1. 如何在干扰下构造有效且高效的检验?主流方法是条件随机化,但焦点子总体的选择直接影响检验功效,目前缺乏最优选择的理论指导。
  2. 如何处理数据驱动的模型选择?当研究者根据预检验结果决定分析策略时,如何保证后续推断的有效性?这是本文的核心贡献点。
  3. 如何平衡检验的有效性与功效?焦点子总体越大,检验越有效但功效越低;越小则反之。目前缺乏系统化的权衡理论。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"研究者常将干扰检验作为预检验或稳健性检验,但若检验结果用于选择模型、参数或假设,后续推断会因数据依赖的选择而失效。" 他声称本文是"第一个"开发了显式条件化于干扰检验结果的选择性随机化推断框架。作者淡化的竞争路线包括:无条件(marginal)推断方法(如直接对所有数据做稳健推断),以及贝叶斯方法(通过先验吸收模型不确定性)。这些路线在文中未被讨论或仅一笔带过。

张力

未见明显对立引用。但值得注意的是,Athey et al. (2018) 和 Puelz et al. (2022) 在"如何构造焦点子总体"上有不同侧重(前者强调网络结构,后者强调暴露映射的图论刻画),本文试图统一这两条线,但未明确讨论两者在功效上的相对优劣。


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:
  • \(N\):总体单位数;\(C\):簇(cluster)数;\(N_c\):簇 \(c\) 的单位数。
  • \(Z_i \in \{0,1\}\):单位 \(i\) 的处理分配(treatment assignment)。
  • \(A_c \in \mathcal{S}\):簇 \(c\) 的饱和标签(saturation label),表示簇内处理单位的比例。
  • \(Y_i(z)\):单位 \(i\) 在全向量处理分配 \(z \in \mathcal{Z}\) 下的潜在结果(potential outcome)。注意:这里允许任意单位的结果依赖于其他单位的处理。
  • \(E_i(z) = (z_i, A_{c(i)}(z))\):暴露映射(exposure mapping),将全向量处理分配压缩为单位 \(i\) 的"暴露"(自身处理 + 所在簇的饱和标签)。
  • \(F_1(z)\):第一阶段焦点子总体选择函数(返回单位子集)。
  • \(F_2(z)\):第二阶段焦点子总体选择函数。
  • \(\mathcal{Z}_1\):第一阶段可插补集(imputable set),即给定焦点子总体后,潜在结果可被唯一确定的处理分配集合。
  • \(\mathcal{Z}_2\):第二阶段可插补集。
  • \(T_1, T_2\):第一、二阶段检验统计量。
  • \(\alpha_1, \alpha_2\):第一、二阶段显著性水平。

  • 模型:随机化饱和设计。第一阶段,簇被随机分配饱和标签 \(A_c\);第二阶段,在给定饱和标签下,簇内单位被随机分配处理。处理分配机制完全已知,是唯一随机源。

  • 可观测数据:\((A^{obs}, Z^{obs}, Y^{obs})\),即观测到的饱和标签向量、处理分配向量和结果向量。关键点:对于每个单位 \(i\),我们只观测到 \(Y_i(Z^{obs})\),即在全向量 \(Z^{obs}\) 下的结果。其他所有 \(Y_i(z)\)(\(z \neq Z^{obs}\))都是不可观测的潜在结果。

第二步:最小内核

核心问题:研究者先检验"无溢出效应"(\(H_1\)),若拒绝则检验"零暴露对比度"(\(H_2\)),否则检验"无直接效应"(\(\tilde{H}_1\))。问题是:在第二阶段,如何构造一个在给定第一阶段检验结果(选择事件)条件下,仍能控制类型 I 错误的检验?

最小例子:假设 \(N=6\),\(C=2\),每簇 3 人。饱和标签集合 \(\mathcal{S} = \{1/3, 2/3\}\)。第一阶段检验 \(H_1\)(无溢出),使用焦点子总体 \(F_1\)(例如每簇选 1 人)。若拒绝 \(H_1\),则第二阶段检验 \(H_2\)(零暴露对比度),使用焦点子总体 \(F_2\)(例如每簇选 2 人,要求其暴露分别为 \(a\) 和 \(b\))。

关键困难:第二阶段检验的 p 值定义为

\[pval_2(A^{obs}, Z^{obs}) = \Pr\left(T_2(A, Z, Y_{F_2}(Z)) \ge T_2(A^{obs}, Z^{obs}, Y^{obs}_{F_2}) \;\middle|\; \phi_1(A, Z) = 1, F_1(Z) = F_1^{obs}, F_2(Z) = F_2^{obs}, Z \in \mathcal{Z}_2\right)\]

这里 \(\phi_1(A, Z)\) 是第一阶段检验的拒绝指示。难点在于:为了计算这个条件概率,我们需要对所有满足 \(\phi_1(A, Z) = 1\) 的反事实分配 \((A, Z)\) 计算 \(T_2\),而这需要知道 \(Y_{F_2}(Z)\)。但在 \(H_2\) 下,\(Y_{F_2}(Z)\) 只对 \(E_i(Z) \in \{a, b\}\) 的单位可插补。因此,必须将处理分配限制在 \(\mathcal{Z}_2\) 中,即所有焦点单位(\(F_1 \cup F_2\))的暴露都必须是可插补的。

本文的核心技术贡献:证明了当 \(\mathcal{Z}_2\) 按上述方式定义时,条件 p 值 \(pval_2\) 在 \(H_2\) 下满足 \(\Pr(pval_2 \le \alpha_2 \mid \phi_1^{obs}=1, \ldots) \le \alpha_2\)。证明的关键在于:在 \(H_2\) 下,\(Y_{F_2}(Z)\) 对 \(Z \in \mathcal{Z}_2\) 是常数(等于观测值),因此 \(T_2\) 只依赖于 \((A, Z)\) 的随机性,而条件分布 \(\pi_2\) 是良定义的。换句话说,本文通过精心构造"可插补集"\(\mathcal{Z}_2\),使得在第二阶段零假设下,所有反事实结果都可以从观测数据中确定,从而将选择性推断问题转化为一个标准的条件随机化检验问题。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:当研究者根据干扰检验(第一阶段)的结果决定后续分析策略(第二阶段)时,如何保证第二阶段检验在给定选择事件条件下仍能控制类型 I 错误率。
  2. 核心工具/方法:提出了一个两阶段选择性随机化推断框架,通过构造"焦点子总体"和"可插补集",显式条件化于第一阶段检验结果,并利用条件随机化检验(CRT)和选择性随机化检验(SRT)分别处理第一阶段和第二阶段。
  3. 主要结论:在有限样本下,第一阶段 CRT 控制条件类型 I 错误率;第二阶段 SRT(无论第一阶段拒绝与否)控制选择性类型 I 错误率。蒙特卡洛实验验证了方法的有效性,并展示了传统方法(不条件化选择)在选择性类型 I 错误率上的失真。

关键设定与假设

  • 设定:随机化饱和设计,两阶段随机化(簇层面分配饱和标签,单位层面分配处理)。
  • 假设:
  • 暴露映射正确性(Assumption 5.2):\(E_i(z) = (z_i, A_{c(i)}(z))\) 是正确设定的,即潜在结果只通过自身处理和簇饱和标签影响。这是第二阶段检验的基础。
  • 无溢出假设(\(H_1\)):\(Y_i(z) = Y_i(z')\) 当 \(z_i = z'_i\)。即单位结果只取决于自身处理。
  • 零暴露对比度假说(\(H_2\)):\(y_i(a) = y_i(b)\) 对所有 \(i\) 成立,其中 \(a, b\) 是两个预指定的暴露值。
  • 焦点子总体选择函数的预指定性:\(F_1, F_2\) 必须在观测数据之前指定(或仅依赖于处理分配机制,不依赖于结果)。
  • 可插补性:在 \(H_2\) 下,对于 \(Z \in \mathcal{Z}_2\),所有焦点单位的结果都是可插补的。

  • 相比已有文献:相比 Athey et al. (2018) 和 Puelz et al. (2022) 的单一阶段检验,本文增加了"条件化于第一阶段选择"这一层,这是对选择性推断文献(Freidling et al. 2026; Gao 2025)在干扰场景下的推广。

主要结果

  • 定理 4.1(第一阶段 CRT):在 \(H_1\) 下,条件 p 值 \(pval_1\) 满足 \(\Pr(pval_1 \le \alpha_1 \mid F_1^{obs}, \mathcal{Z}_1) \le \alpha_1\)。证明基于条件随机化检验的标准论证:在 \(H_1\) 下,焦点单位的结果在 \(\mathcal{Z}_1\) 上可插补,因此检验统计量的条件分布是良定义的。
  • 定理 5.1(第二阶段 SRT,拒绝情况):在 \(H_2\) 和 Assumption 5.2 下,选择性 p 值 \(pval_2\) 满足 \(\Pr(pval_2 \le \alpha_2 \mid \phi_1^{obs}=1, F_1^{obs}, F_2^{obs}, \mathcal{Z}_2) \le \alpha_2\)。证明的关键是:在 \(H_2\) 下,\(Y_{F_2}(Z)\) 对 \(Z \in \mathcal{Z}_2\) 是常数,因此 \(T_2\) 只依赖于 \((A, Z)\) 的随机性,而条件分布 \(\pi_2\) 是良定义的。
  • 定理 5.2(第二阶段 SRT,非拒绝情况):类似地,在 \(H_2\) 和 Assumption 5.3(无溢出)下,选择性 p 值 \(\tilde{pval}_1\) 控制选择性类型 I 错误率。
  • 模拟结果:在 \(C=40\),\(N_c=3\) 的设定下,第一阶段 CRT 的经验类型 I 错误率接近名义水平 0.1;第二阶段 SRT 在 \(H_2\) 下也接近 0.1。相比之下,传统 CRT(不条件化选择)在 \(H_2\) 下经验类型 I 错误率可高达 0.168(当 \(\sigma_1^2=0.9\) 时),表明选择性失真的严重性。

证明路线与技术技巧

  • 整体路线:
  • 定义可插补集:对于每个零假设,明确哪些潜在结果可以从观测数据中确定。
  • 构造条件分布:基于可插补集,定义条件随机化分布 \(\pi_1\) 和选择性随机化分布 \(\pi_2\)。
  • 验证 p 值良定义:证明在零假设下,检验统计量在条件分布下的分位数是良定义的(即不依赖于未知参数)。
  • 应用条件随机化检验的标准论证:利用"在零假设下,检验统计量的条件分布是均匀的"这一事实,证明类型 I 错误率控制。

  • 关键跳跃点:

  • 跳跃 1:如何确保在 \(H_2\) 下,第一阶段检验的拒绝指示 \(\phi_1(A, Z)\) 对 \(Z \in \mathcal{Z}_2\) 是可计算的?本文通过要求 \(F_1 \subseteq F_1 \cup F_2\) 的焦点单位在 \(\mathcal{Z}_2\) 上可插补来解决。这是 Assumption 5.1 的核心作用。
  • 跳跃 2:如何确保条件分布 \(\pi_2\) 是良定义的(即不依赖于 \(Y_{F_2}(Z)\) 的未知值)?本文通过 \(H_2\) 下的可插补性保证 \(Y_{F_2}(Z) = Y^{obs}_{F_2}\) 对 \(Z \in \mathcal{Z}_2\) 成立。
  • 跳跃 3:如何构造满足 (10) 的焦点子总体?本文提出了基于二分图团(biclique)的构造方法,借鉴了 Puelz et al. (2022) 的图论工具。

  • 技术技巧点名:

  • 条件随机化检验(CRT):用于第一阶段,通过固定焦点子总体的处理分配来消除干扰。
  • 选择性随机化检验(SRT):用于第二阶段,通过条件化于第一阶段检验结果来校正选择性偏差。
  • 图论/二分图:用于构造焦点子总体,确保可插补性。
  • 蒙特卡洛近似:用于近似条件 p 值,因为精确计算通常不可行。

🔎 结论是否比证明窄

  • 明确窄于证明的声明:定理 5.1 和 5.2 的证明依赖于 Assumption 5.1(焦点子总体在 \(\mathcal{Z}_2\) 上不变)和 Assumption 5.2(暴露映射正确)。但作者在引言和摘要中声称方法"可以扩展到其他网络结构和实验设计",这一泛化声明并未在文中证明。
  • 潜在窄于证明的声明:作者在 Remark 5.1 中提出通过检验反转构造选择性置信区间,但未给出正式证明,仅声称"由同样的论证可得"。这比定理 5.1 的证明要弱。
  • 模拟范围窄于理论:模拟仅覆盖了 \(C=40\)、\(N_c=3\)、二元处理、两个饱和标签的简单设定,未覆盖更复杂的网络结构或连续处理。

四、开放问题

  1. 最优焦点子总体选择:本文给出了焦点子总体选择的可行性条件(10),但未讨论如何选择 \(K_c\) 以最大化检验功效。扎根于第 4.3 节"Choice of focal subpopulation"的讨论——作者仅建议"选择尽可能多的焦点单位",但未给出理论指导。
  2. 扩展到一般网络结构:本文聚焦于簇内干扰(饱和设计),但引言声称可扩展到一般网络。扎根于第 1 节最后一段——"our framework can be extended to other network structures",但正文未给出具体构造。
  3. 多重检验问题:当研究者对多个暴露对比度(多个 \(a, b\) 对)进行检验时,如何控制族wise错误率?本文未讨论。扎根于第 5.1 节——作者仅考虑单一对比度。
  4. 功效分析:本文只证明了类型 I 错误率控制,未提供功效的理论保证或最小样本量计算。扎根于第 6 节模拟——仅报告了经验功效,无理论下界。
  5. 与无条件推断的效率比较:本文未讨论选择性推断相对于无条件推断(如直接对所有数据做稳健推断)的效率损失。扎根于第 5 节——作者仅强调有效性,未量化效率代价。

提示:要确认这些是否是真 gap,建议去读近期(2023-2026)关于干扰下随机化检验的 5 篇左右论文的引言——如果多篇都提到"最优焦点子总体选择"或"多重检验校正"作为 future work,那大概率是共识性 gap;如果各篇说法不一,则可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论