Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects
在非网络环境中，当随机化治疗被认为不切实际或治疗依从性无法完全强制执行时，鼓励设计已被广泛用于分析治疗、政策或干预对关注结果的因果影响。不幸的是，这样的问题有关的治疗依从性得到较少的关注，在网络设置和网络中研究最充分的试验设计，两阶段随机化设计，需要完美的治疗依从性。本文提出了一种新的试验设计--同伴激励设计，用于研究在实施治疗随机化不可行的情况下网络处理效应。同伴激励设计的核心思想是个性化激励的思想，它允许在激励设计文献中识别熟悉的被估量。本文还定义了新的因果被估量，局部平均网络效应，可以确定在新的设计和分析的影响，不遵守行为的随机实验网络。
2016-09-14 stat.ME
Optimized Covariance Design for AB Test on Social Network under Interference
本文研究社交网络干扰下的A/B测试问题，提出通过优化处理分配向量的协方差矩阵来平衡偏差和方差，并使用投影梯度下降算法最小化MSE上界，实验证明该方法在多种设置下优于现有方法。
2023-11-23 stat.ME
Causal clustering: design of cluster experiments under network interference
Harvard University（哈佛大学）；Stanford University（斯坦福大学）；Meta
研究网络干扰下估计全局处理效应的聚类实验设计，提出通过惩罚最小割优化选择聚类以最小化最坏情况均方误差，并给出选择聚类设计的简单条件。
2026-06-11 econ.EM math.ST stat.ME
A systematic investigation of classical causal inference strategies under mis-specification due to network interference
我们系统地调查了由于错误指定而引起的问题，这些问题是在估计因果效应时出现的，当（治疗）干扰被网络可用的预干预告知时，即，在一个单位的结果可能取决于分配给其他单位的治疗的情况下。我们开发理论的几种形式的干扰通过曝光邻域的概念，并开发相应的半参数表示为潜在的结果作为曝光邻域的函数。使用这种表示，我们扩展了两个流行的类的因果被估量，边际和平均因果效应的定义，网络干扰的情况下。我们的特点的偏差和方差的结合时，经典的随机化策略（即，伯努利，完全随机化，和集群随机化设计）和估计（即，在均值差和Horvitz-Thompson）用于估计平均处理效应和总处理效应，由于干扰的误指定。我们说明了如何在均值差估计可以有任意大的偏差时，估计平均因果效应，这取决于干扰的形式和强度，这是未知的设计阶段。Horvitz-Thompson（HT）估计在给定正确的权值时是无偏的。在这里，我们推导出HT权重的无偏估计不同的被估量，并说明他们如何依赖于设计，干扰的形式，这是未知的设计阶段，和被估量。更重要的是，我们表明，HT估计是不容许的一大类随机化策略，在干扰的存在下。我们开发了新的模型辅助和模型依赖的策略来改进HT估计，我们开发了新的随机化策略来估计平均处理效应和总处理效应。
2018-10-18 stat.ME
Designs for estimating the treatment effect in networks with interference
在本文中，我们介绍了新的，易于实现的设计，从随机实验网络干扰的因果推理。受观察性研究中匹配思想的启发，我们引入了将治疗分配视为“图上的准着色”的概念。我们的理想准着色的想法，努力匹配一个给定的网络上的每个处理单元与一个不同的控制单元，具有相同数量的处理和控制邻居。对于广泛的干扰函数的应用中遇到的，我们通过理论和模拟表明，经典的Neymanian估计的直接影响，我们的设计具有理想的性能。这进一步扩展到除了干扰之外还存在同质性的设置。
2017-05-23 math.ST stat.TH
Analysis of Two-Stage Rollout Designs with Clustering for Causal Inference under Network Interference
针对网络干扰下因果推断推出设计因外推导致高方差的问题，提出两阶段聚类实验，分析多项式插值估计量的偏差方差特性，探究聚类目标权衡并比较不同策略性能。
2025-02-10 cs.SI stat.ME
Reducing Interference Bias in Online Marketplace Pricing Experiments
在线市场设计师经常运行A/B测试来衡量拟议产品更改的影响。然而，由于市场是内在联系的，通过伯努利随机实验获得的总平均处理效应估计值往往是有偏差的，因为违反了稳定的单位处理值假设。这对于影响卖家的策略选择、影响买家对其考虑集合中的项目的偏好或完全改变买家的考虑集合的实验来说尤其成问题。在这项工作中，我们通过使用观察数据来创建类似列表的集群，然后使用这些集群来进行集群随机现场实验，来测量和减少由于在线市场实验中的干扰而导致的偏差。我们提供了一个下限的偏差的大小，由于干扰进行元实验，随机化两个实验设计：一个伯努利随机，一个集群随机。在两个元实验组中，治疗卖家与对照卖家相比，受到不同的平台费用政策的影响，导致买家的价格不同。通过对两个荟萃实验组进行联合分析，我们发现两种设计获得的总平均处理效应估计值之间存在较大的统计学显著差异，并估计32.60%的Bernoulli随机处理效应估计值归因于干扰偏倚。我们还发现弱证据表明，干扰偏差的大小和/或方向取决于市场的供应或需求约束的程度，并分析第二个元实验，以突出检测干扰偏差时，治疗干预措施需要意向治疗分析的困难。
2020-04-26 econ.EM stat.AP stat.ME
Regression Discontinuity Designs Under Interference
Yale University（耶鲁大学）；Tor Vergata University of Rome（罗马托尔维加塔大学）
该研究拓展了断点回归设计的连续性框架，提出多得分RDD方法与基于距离的非参数估计量以分析网络干扰下的因果效应，并通过PROGRESA数据验证了方法在估计现金转移支付入学效应的有效性。
2026-09-09 stat.ME
Designing Multi-Arm Experiments for Global Average Treatment Effects Under Partial Interference
该研究针对部分干扰下的全局平均处理效应，提出通过Dirichlet-多项设计的两阶段随机化多臂实验，可平衡统计效率与偏差，降低全局效应估计的均方根误差，适用于大规模部署。
2026-08-28 stat.AP stat.ME
Optimal Design under Interference, Homophily, and Robustness Trade-offs
University of Washington（华盛顿大学）；Google Research（谷歌研究）；University of Waterloo（滑铁卢大学）；Cornell University（康奈尔大学）
本文提出一种新的潜在结果模型，考虑干扰、同质性和异质性变化，通过半正定规划和Gram-Schmidt Walk方法优化设计以最小化最坏情况下的均方误差。
2026-03-23 math.ST stat.ME stat.TH
Testing for arbitrary interference on experimentation platforms
实验平台对于现代大型科技公司至关重要，因为它们每天都用于进行许多随机实验。用户之间没有干扰的经典假设，即一个用户的结果不取决于分配给其他用户的待遇，在这种平台上很少成立。在这里，我们介绍了一个试验设计策略，以测试这一假设是否成立。我们的方法是在精神的Durbin-Wu-Hausman测试的endothelial在计量经济学，其中多个估计返回相同的估计，当且仅当原假设成立。我们介绍的设计没有对单元之间的干扰模型进行假设，也没有对单元之间的网络进行假设，并且对方差有一个明确的界限，对第一类错误率有一个隐含的分析界限。我们讨论了如何将所提出的设计策略应用于大型实验平台，并在LinkedIn平台上的实验中进行了说明。
2019-01-29 stat.ME
Neyman Jackknife: Design-Based Variance Estimation for Causal Inference under Interference
Stanford University（斯坦福大学）
本文提出Neyman Jackknife框架，提供一种通用方法，用于在存在干扰的情况下保守估计因果推断中的变异数。该方法在经典设置中恢复与Neyman估计器和Newey-West HAC方差估计器相关的估计器，并通过数值实验表明其性能可与专门设计的基准方法相媲美。
2026-04-27 math.ST stat.ME stat.TH
Detecting Treatment Interference under the K-Nearest-Neighbors Interference Model
提出一种单元响应仅依赖其K邻域处理状态的干扰模型，指导焦点单元的选择，并通过模拟证明该方法在检测处理干扰上优于现有实验方法。
2023-10-22 stat.ME
Staggered Rollout Designs Enable Causal Inference Under Interference Without Network Knowledge
随机化实验被广泛用于估计各种领域的因果效应。然而，经典的因果推断方法依赖于关键的独立性假设，当一个个体的治疗影响其他个体的结果时，网络干扰会违反这些假设。所有现有的方法都需要至少近似的网络知识，这可能是不可用的和昂贵的collect.We认为估计总处理效应（TTE）的任务，或平均差异的结果时，整个人口进行治疗与当整个人口未治疗。通过利用交错推出设计，其中治疗是递增地给予随机子集的个人，我们得到无偏估计量TTE不依赖于任何先验结构知识的网络，只要网络干扰的影响被约束到低程度的个人邻居之间的相互作用。我们推导出的估计量的方差上的界限，我们在实验中表明，我们的估计对模拟数据的基线表现良好。我们的理论贡献的核心是交错推出的意见和多项式外推之间的连接。
2022-10-14 cs.SI stat.ME
Optimized variance estimation under interference and complex experimental designs
Columbia University（哥伦比亚大学）；Joel Middleton LLC（乔尔·米德尔顿有限责任公司）；Uppsala University（乌普萨拉大学）
本文提出将干扰和复杂实验设计下方差估计的保守性最小化问题转化为凸优化，构造最低可估计上界，所得估计量保证保守且信息量更优。
2026-09-21 stat.ME
GAUGER: Generalized Regression Adjustment via Graph-Weighted Exposure-Level Residualization for Design-Based Inference Under Interference
Adobe Research（Adobe研究院）；UC Berkeley（加州大学伯克利分校）
针对干扰下因果效应估计问题，提出GAUGER框架，采用两步法，先利用强预测模型学习结果模式，再用图加权暴露水平残差化校准，所得估计器一致且方差可减，数值研究显示其比现有方法效率更高。
2026-07-24 stat.ME
Optimal designs for the proportional interference model
干扰模型在区组试验中得到了广泛的应用和研究，其中特定地块的处理对其相邻地块产生影响。本文研究了比例干扰模型下的最优圆形设计，其中处理的邻效应与其直接效应成比例。根据A、D、E和T准则，建立了估计直接和总处理效应的Kiefer等价定理。对无方向模型进行了平行研究，其中相邻效应不依赖于它们是来自左边还是右边。建立了有向和无向模型的最优设计之间的联系。重要的是，人们可以很容易地开发一个计算机程序，以找到基于这些定理的最优设计。
2015-07-30 math.ST stat.TH
Minimizing Interference and Selection Bias in Network Experiment Design
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
目前网络中A/B测试的方法集中在限制干扰，担心治疗效果可能从治疗节点“溢出”到控制节点，并导致有偏见的因果效应估计。网络实验设计的主要方法依赖于两阶段随机化，其中稀疏连接的集群被识别，集群随机化决定了节点分配给治疗组和对照组。在这里，我们表明，集群随机化并不能确保足够的节点随机化，它可能会导致选择偏差，治疗和控制节点代表不同的用户群体。为了解决这个问题，我们提出了一个原则性的网络实验设计框架，共同最大限度地减少干扰和选择偏差。我们介绍了边缘溢出概率和聚类匹配的概念，并证明了它们对设计网络A/B测试的重要性。我们在一些真实世界的数据集上的实验表明，我们提出的框架导致因果效应估计的误差显着低于现有的解决方案。
2020-04-15 cs.LG cs.SI stat.ML
Design and analysis of experiments in networks: Reducing bias from interference
当单元相互作用时，估计网络中干预的效果是复杂的，使得一个单元的结果可能取决于许多或所有其他单元的治疗分配和行为（即，存在干扰）。当大多数或所有单元都在单个连接组件中时，不可能直接通过实验比较两个或更多个全局处理分配下的结果，因为只能在单个分配下观察网络。熟悉的形式主义、试验设计和分析方法假设不存在这些相互作用，并导致对感兴趣的因果效应的有偏估计。虽然有些假设可以得到无偏估计量，但这些假设通常是不现实的，我们将这项工作集中在现实的假设上。因此，在这项工作中，我们评估设计和分析随机实验的方法，旨在减少这种偏差，从而减少整体误差。在设计中，我们考虑对网络中相关的治疗进行随机分配的能力，例如通过图簇随机化。在分析中，我们考虑将有关网络邻居的治疗分配的信息。我们证明了充分的条件，通过设计和分析，在潜在的全球干扰的存在下，减少偏见。通过模拟网络实验的整个过程，我们测量了这些方法在不同的网络结构和不同的社会行为下的性能，发现大量的偏差和错误减少。这些改进对于具有更多聚类和数据生成过程的网络是最大的，这些网络具有更强的处理直接效应和更强的单元之间的相互作用。
2014-08-13 cs.SI physics.soc-ph stat.ME
Inference in Spatial Experiments with Interference using the SpatialEffect Package
本文介绍了分析空间实验时，复杂的溢出，位移效应，和其他类型的“干扰”的方法。我们提出了一个强大的，基于设计的方法来分析在这种情况下的效果。基于设计的方法推导出因果效应估计量的推理性质，从已知的试验设计的功能，在类似于抽样调查中的推理方式。这里提出的方法针对称为"平均边缘化响应"的感兴趣的量，其等于在给定距离外的干预节点处激活治疗的平均效果，平均来自其他干预节点的环境效果。我们提供了一个基于R的SpatialEffect包的分步教程。我们将这些方法应用于乌干达社区森林保护支付的随机实验，展示了我们的方法如何揭示更传统的分析无法检测到的可能的实质性空间溢出。
2023-03-06 stat.AP stat.ME
Exploiting Neighborhood Interference with Low Order Interactions under Unit Randomized Design
针对网络干扰下的总处理效应估计，提出一种在伯努利随机化设计下利用低阶邻居交互的无偏估计量，并证明其方差有界、渐近正态，且模拟表现优于标准方法。
2024-02-05 cs.SI stat.ME
The Conflict Graph Design: Estimating Causal Effects under Arbitrary Neighborhood Interference
Columbia University（哥伦比亚大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出冲突图设计方法，通过构建实验设计以在任意邻域干扰下精确估计因果效应，改进了因果效应估计的速率并提供了新的方法。
2026-01-13 cs.DS math.ST stat.ME
Adaptive Experimental Design with Temporal Interference: A Maximum Likelihood Approach
假设在线平台想要比较治疗和控制策略，例如，在共乘系统中使用两种不同的匹配算法，或者在在线零售站点中使用两种不同的库存管理算法。标准的随机对照试验通常是不可行的，因为其目标是评估整个系统的政策绩效。相反，典型的当前实践涉及在固定时间长度内在两种策略之间动态地交替，并且比较在它们运行的时间间隔内每种策略的平均性能作为处理效应的估计。然而，这种方法受到 * 时间干扰 * 的影响：一种算法改变了第二种算法所看到的系统状态，使处理效应的估计值产生偏差。此外，这种设计的简单非自适应性质意味着它们不是样本有效的。我们开发了一个基准的理论模型，在其中研究最佳的试验设计，这种设置。我们将测试这两个策略视为估计两个未知马尔可夫链之间的稳态奖励差异的问题（即，政策）。我们假设每个链的稳态奖励的估计通过非参数极大似然进行，并搜索一致的（即，渐近无偏的）有效的试验设计（即，渐近最小方差）。这种设计的特点是相当于一个马尔可夫决策问题的最小方差目标，这样的问题一般不承认听话的解决方案。值得注意的是，在我们的设置中，使用经典的鞅分析的马尔可夫链通过泊松方程的一个新的应用，我们通过一个简洁的凸优化问题的有效设计的特征。我们使用这个特性，提出了一个一致的，有效的在线试验设计，自适应采样的两个马尔可夫链。
2022-12-24 math.ST stat.ME stat.TH
Online Experimental Design With Estimation-Regret Trade-off Under Network Interference
Tsinghua University（清华大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文针对网络干扰下的在线实验设计问题，提出统一干扰感知框架，通过曝光映射扩展臂空间，并建立估计精度与遗憾的帕累托最优权衡及相应算法。
2025-02-10 cs.LG math.OC math.ST
Balancing Interference and Correlation in Spatial Experimental Designs: A Causal Graph Cut Approach
Department of Statistics, London School of Economics（伦敦经济学院统计系）；Department of Statistics（统计系）；Data Science, National University of Singapore, Singapore（新加坡国立大学数据科学系）；Department of Mathematics, Tsinghua University, Beijing, China（清华大学数学系）；National Center for Applied Mathematics in Chongqing, Chongqing Normal University, Chongqing, China（重庆师范大学应用数学中心）
针对空间实验中干扰与空间相关性影响因果估计的问题，提出基于图割优化 MSE 代理函数的实验设计方法，兼具适应性与计算效率，并通过理论、合成实验和城市级拼车派单模拟器验证有效性。
2025-08-28 cs.LG stat.CO stat.ML
Multiple Randomization Designs: Estimation and Inference with Interference
本文提出了一种新的多重随机化设计，用于处理随机实验中的复杂溢出效应，并推导了相关估计量的有限样本性质。
2025-12-01 cs.SI econ.EM math.ST
Causal Inference under Interference through Designed Markets
Chicago Booth School of Business, University of Chicago（芝加哥大学布斯商学院）
本文提出了一种通过设计市场来处理因果推断中干扰效应的方法，通过半参数高效估计器和考虑溢出效应的目标规则，实证研究表明信息对不平等的影响受到溢出效应的削弱。
2026-03-02 econ.EM
