Improving the Power of the Randomization Test
本文研究了以随机化检验对单侧原假设的把握度为准则的双臂随机化试验设计的评价问题。我们的评价假设一个观察到的协变量、一个未观察到的组分和一个加性处理效应的响应是线性的，其中唯一的随机性来自治疗分配。众所周知，功效取决于所观察协变量中的分配不平衡，这就是经典限制性设计（如重新随机化）的原因。我们发现，电源也受到其他两个设计选择：分配的数量在设计和分配之间的线性依赖的程度。我们证明了更多的分配，更高的权力和更低的变化的权力。具有更大的分配独立性的设计也被证明具有更高的性能。我们的理论研究结果和广泛的模拟研究表明，具有最高功效的设计提供了数千个高度独立的分配，每个分配都提供了所观察到的协变量的名义不平衡。这些高功效设计表现出比完全随机化更少的随机化和比最近提出的基于数值优化的设计更多的随机化。实践实验者的模型选择是重新随机化和贪婪对切换，两者都优于完全随机化和数值优化。我们发现的权衡也提供了一种方法来指定重新随机化时的不平衡阈值参数。
2020-08-13 stat.ME
Unbiased Treatment Effect Estimation under Network Interference via Neighborhood-Excluded Cross-Fitting
Tsinghua University（清华大学）；Duke University（杜克大学）
针对网络干扰下的处理效应估计，提出邻域排除交叉拟合方法，恢复有限样本无偏性，并给出渐近有效推断及最优调整程序，模拟和实例验证其精度优势。
2026-09-22 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
Causal Inference under Network Interference Using a Mixture of Randomized Experiments
本文提出一种结合伯努利随机化和基于集群随机化的混合设计，用于估计网络干扰下的总处理效应，提供了无偏估计量并证明了其方差的理论上下界，同时针对未知干扰权重提出了权重不变设计。
2024-11-15 stat.ME
Randomization tests for model specification in causal inference under network interference
Indian School of Business（印度商学院）
针对网络干扰下因果推断中暴露映射模型设定偏差问题，提出基于设计的模型设定框架及随机化检验程序，经理论验证与模拟、实地实验证实其有效性与良好功效。
2026-08-26 econ.EM stat.ME
A General Exposure-Mapping-Agnostic Framework for Causal Inference under Interference
该研究为集群实验中干扰下的基于设计的因果推断开发通用框架，刻画线性加权估计量，给出新估计量，建立中心极限定理和保守方差估计量，通过模拟提供实用指导。
2026-08-03 stat.ME
Improving Estimation Efficiency via Regression-Adjustment in Covariate-Adaptive Randomizations with Imperfect Compliance
针对依从性不完美的协变量自适应随机化场景，提出基于双重稳健矩的回归调整估计方法，包含线性、非线性等调整形式，可提升估计效率并给出达到半参数效率界的条件。
2023-06-16 econ.EM stat.ME
Global Average Treatment Effects for Individualized Randomization Experiments with Aggregate Data
Shanghai University of Finance and Economics（上海财经大学）；London School of Economics and Political Science（伦敦政治经济学院）；DiDi China Ride Hailing Business Group（滴滴中国网约车业务组）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
针对个体随机实验中存在时空干扰且仅能获取聚合数据的问题，提出IRE-VCDP模型以估计全局平均处理效应（GATE），并给出估计与推断方法及理论保证。
2026-05-26 stat.ME
Improving Mendelian Randomization Analysis by Instrument Borrowing from Auxiliary Outcome Traits
Department of Biostatistics, Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯彭博公共卫生学院生物统计系）；Department of Oncology, School of Medicine, Johns Hopkins University（约翰斯·霍普金斯大学医学院肿瘤系）
研究针对孟德尔随机化在无效工具变量存在时的问题，提出借用辅助结果性状工具变量改进推断。先引入共同异质性统计量及理论识别次要性状，扩展两种方法，模拟研究和实际应用表明新方法能更好控制错误、提高功效。
2026-10-15 stat.ME
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
Randomization Inference for Peer Effects
许多以前的因果推断研究不需要干扰，也就是说，一个单元的潜在结果不依赖于其他单元的治疗。然而，当一个单元与同一组或集群中的其他单元交互时，这种无干扰假设变得不合理。在一份激励人心的申请中，中国的一所大学通过两个渠道录取学生：高考（也被称为高考）和推荐（通常基于各个学科的奥数）。大学随机分配学生到宿舍，每个宿舍容纳四名学生。同一宿舍的学生住在一起，有广泛的互动。因此，很可能存在同伴效应，无干扰假设不成立。了解同伴效应是很重要的，因为它们为未来的室友分配提供了有用的指导，以提高学生的表现。我们使用潜在结果来定义同伴效应。然后，我们提出了一个基于随机化的推理框架，研究同行的影响与任意数量的同行和同行类型。我们的推理过程不假设任何参数模型的结果分布。我们的分析为我国大学的政策制定者提供了有益的实践指导。
2018-12-21 stat.AP stat.ME
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
Design-based theory for causal inference
本文系统回顾了基于设计的因果推断理论的最新进展，探讨了高维数据、非合规和网络干扰等复杂情境下的方法扩展，并展望了未来的发展方向。
2025-11-27 stat.ME
Randomized Graph Cluster Randomization
全局平均处理效应（GATE）是网络干扰下因果推断研究中的一个主要关注量。通过正确指定的干扰暴露模型，GATE的Horvitz-Thompson（HT）和Hájek估计量分别是无偏的和一致的，但已知在许多设计和许多感兴趣的设置下表现出极端的方差。与节点级随机分配相比，在干扰图的固定聚类的情况下，图聚类随机化（GCR）设计已被证明可以大大减少方差，但即使如此，方差仍然通常非常大。在这项工作中，我们提出了一个随机版本的GCR设计，命名为随机图簇随机化（RGCR），它使用随机聚类，而不是一个单一的固定聚类。通过考虑许多不同集群分配的集合，这种设计避免了GCR的一个关键问题，即给定节点在给定集群中有时是“幸运的”或“不幸的”。我们提出了两个随机图分解算法，用于RGCR，随机3-网和1-跳最大，适应于以前的工作多路图切割问题。当对它们自己的随机性进行积分时，这些算法提供了可以有效估计的网络暴露概率。我们开发的HT估计的GATE的干扰图的度量结构的假设下的方差上界。其中最好的已知的方差上界的HT估计下的GCR设计是指数的参数的度量结构，我们给出了一个可比的方差上界RGCR下，而不是多项式在相同的参数。我们提供了广泛的模拟比较RGCR和GCR设计，观察到大量减少的均方误差的HT和Hájek估计的门在各种设置。
2020-09-04 cs.SI stat.ME
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
Just Ramp-up: Debiasing Regression-based Estimator for A/B Tests under Network Interference
School of Economics and Management, Tsinghua University（清华大学经济管理学院）
针对网络干扰下单次A/B测试的性能瓶颈，本文提出合并顺序递增实验数据以更有效估计全局平均处理效应，证明了合并两步数据可显著降低偏差，并验证了基于回归的估计器在合并数据训练下具有出色的统计性能。
2026-09-29 stat.ME
Design-Based Causal Inference with Missing Outcomes: Missingness Mechanisms, Imputation-Assisted Randomization Tests, and Covariate Adjustment
针对基于设计因果推断中的结果缺失问题，提出灵活缺失机制与“插补与再插补”框架，实现精确随机化检验、协变量调整及置信区间构建，并经模拟和大规模实验验证。
2025-05-24 stat.ME
Cluster-Adaptive Network A/B Testing: From Randomization to Estimation
A/B测试是产品开发中的一个重要决策工具，用于评估新服务、功能或产品的用户参与度或满意度。A/B测试的目标是估计新变更的平均处理效应（ATE），当用户交互时，这变得复杂。当A/B检验的重要假设，即稳定单位治疗值假设（SUTVA），即每个个体的反应仅受其自身治疗的影响，是不成立的，ATE的经典估计通常会导致错误的结论。在本文中，我们提出了一个簇自适应网络A/B测试过程，其中包括一个顺序的簇自适应随机化和簇调整估计。聚类自适应随机化被用来最小化两个治疗组内的聚类水平Mahalanobis距离，从而可以减小ATE估计的方差。此外，聚类调整估计器用于消除网络干扰引起的偏差，导致一致的估计ATE。数值研究表明，我们的聚类自适应网络A/B测试实现了一致的估计，具有更高的效率。基于真实网络进行了实证研究，以说明我们的方法如何在应用中有利于决策。
2020-08-19 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
Graph cluster randomization: network exposure to multiple universes
A/B测试是评估在线实验效果的标准方法;其目标是通过将整个人群的样本暴露于新特征或条件来估计新特征或条件的“平均治疗效果”。A/B测试的缺点是它不太适合涉及社会干扰的实验，当个体的治疗沿着潜在的社会网络溢出到相邻个体时。在这项工作中，我们提出了一种新的方法，使用图聚类分析社会干扰下的平均治疗效果。首先，我们描述了图论的条件下，个人可以被认为是“网络暴露”的实验。然后，我们将展示如何图集群随机化承认一个有效的精确算法来计算网络暴露在这些暴露条件下的每个顶点的概率。使用这些概率作为反权重，Horvitz-Thompson估计器可以提供无偏的效应估计，前提是已经正确指定了暴露模型。给定一个无偏估计量，我们专注于最小化方差。首先，我们开发简单的充分条件的方差估计是渐近小的n，图的大小。然而，对于一般的随机化方案，该方差可以由图的度的指数函数下界。相比之下，我们表明，如果一个图满足限制增长条件的增长速度的邻域，那么存在一个自然的聚类算法，基于顶点邻域，估计的方差可以由一个线性函数的度上界。因此，我们表明，适当的集群随机化可以导致指数较低的估计方差时，实验测量平均处理效果的干扰。
2013-05-30 cs.SI physics.soc-ph stat.ME
Experimental Design in Two-Sided Platforms: An Analysis of Bias
我们发展了一个分析框架来研究双边市场中的试验设计。这些实验中的许多都表现出干扰，即对一个市场参与者的干预会影响另一个参与者的行为。这种干扰导致对干预的处理效应的偏倚估计。我们开发了一个随机市场模型和相关的平均场限制，以捕捉动态在这样的实验中，并使用我们的模型来研究不同的设计和估计的性能是如何受到市场干扰效应。平台通常使用两种常见的试验设计：需求方（“客户”）随机化（CR）和供应方（“列表”）随机化（LR），以及它们的相关估计量。我们发现，良好的试验设计取决于市场平衡：在高度需求约束的市场，CR是无偏的，而LR是有偏的;相反，在高度供给约束的市场，LR是无偏的，而CR是有偏的。我们还介绍和研究了一种新的试验设计的基础上，双侧随机化（TSR）的客户和上市随机治疗和对照。我们表明，适当的选择TSR设计可以在市场平衡的两个极端是公正的，而在市场平衡的中间制度产生相对较低的偏差。
2021-09-26 econ.EM stat.ME
Multiple conditional randomization tests for lagged and spillover treatment effects
本文提出使用单一数据集构建多个独立条件随机化检验的序贯方法，可单独解释p值或用标准多重检验组合，并应用于证据因子、滞后效应和溢出效应分析。
2024-10-11 math.ST stat.ME stat.TH
Fisher's Randomization Test for Causality with General Types of Treatments
本文扩展 FRT 以检验任意处理类型下的条件独立性，结合分配与结果模型实现渐近错误控制和 Bayes factors 统计量，并提出未观测混杂敏感性分析。
2025-06-11 stat.ME
New Estimands for Experiments with Strong Interference
针对社会现象实验中单元间干扰违反传统因果推断方法的问题，提出仅需处理随机化假设即可估计的二元结果新估计量，能给出受影响单元数下界，但因果含义弱于强假设下的结果。
2023-08-29 stat.ME
Inspection-Guided Randomization: A Flexible and Transparent Restricted Randomization Framework for Better Experimental Design
本文提出检查引导的随机化（IGR）框架，通过事前检查并过滤不理想分配，提升受限随机化的灵活性和透明度，在群组形成及干扰实验中改进效应估计。
2025-08-26 stat.AP stat.ME
ML-assisted Randomization Tests for Detecting Treatment Effects in A/B Experiments
本研究提出一种机器学习辅助的随机化检验方法，通过对比含与不含处理变量的两个ML模型的交叉验证误差构建检验统计量，结合ML预测能力与随机化检验的有限样本有效性，可稳健高效地检测A/B实验中的异质性、干扰等复杂处理效应，并通过理论与实证验证了其优势。
2025-01-13 stat.ME stat.ML
Adjusting auxiliary variables under approximate neighborhood interference
针对网络干扰场景下传统因果推断假设失效的问题，本文提出ANI假设下网络实验回归调整通用框架，扩展传统方法并通过设计推断确保有效性，提升精度且无需正确结果模型。
2024-11-29 stat.ME
Agnostic Characterization of Interference in Randomized Experiments
提出一种在仅依赖已知随机化设计下刻画随机实验中干扰的方法，通过下界估计受特定处理群体影响的单元数量，实证表明其区间估计宽度优于EATE，在干扰机制不明确时依然适用。
2025-10-31 stat.ME
Estimating Average Causal Effects Under General Interference, with Application to a Social Network Experiment
本文提出了一个基于随机化的框架，估计单位之间的干扰下的因果关系的影响，在分析社交网络上的实验中出现的挑战的动机。该框架集成了三个组成部分：（i）试验设计，定义的概率分布的治疗分配，（ii）映射，实验治疗分配到实验中的单位收到的曝光，和（iii）estimands，利用实验来回答问题的实质性利益。我们开发的情况下，估计平均单位水平的因果效应，从随机实验的干扰任意，但已知的形式。由此产生的估计是基于逆概率加权。我们提供了基于随机化的方差估计，占复杂的聚类时，可能会发生干扰。我们还建立了局部依赖假设下的一致性和渐近正态性。我们讨论的改进，包括协变量调整的影响估计和比率估计。我们评估经验的表现，在现实环境中的自然模拟使用社会网络数据从美国学校。然后，我们提出了一个现场实验的结果，反冲突规范和行为在学校学生中的传播。
2018-06-20 math.ST stat.ME stat.TH
Interference and Sensitivity Analysis
带有干扰的因果推断是一个快速发展的领域。文献已经开始放宽“无干扰”假设，即一个人接受的治疗不会影响其他人的结果。在本文中，我们简要回顾了文献中的因果推断的干扰时，治疗已被随机化。然后，我们考虑在存在干扰的情况下未识别因果效应的设置，因为单独的随机化不足以识别，或者因为治疗不是随机的，并且可能存在治疗-结局关系的不可测量的混杂因素。我们为这些设置开发了敏感性分析技术。我们描述了几种传染性效应的敏感性分析技术，在疫苗试验中，这些技术捕获了一个人的疫苗对保护第二个人免受感染的影响，即使第一个人被感染。我们还开发了两个敏感性分析技术的因果影响下的干扰存在不可测量的混淆，推广类似的技术时，干扰是不存在的。这两种技术的不可测量的混杂进行了比较和对比。
2015-03-05 stat.ME
Finite-Sample Valid Randomization Tests for Monotone Spillover Effects
本文提出网络干扰下溢出效应单调性的有限样本有效随机化检验方法，通过划分网络并检验单调对比假设，并在哥伦比亚警务实验中揭示犯罪转移的单调模式。
2025-02-27 stat.AP stat.ME
Improving the mixed model for repeated measures to robustly increase precision in randomized trials
针对随机试验中MMRM因中间结局建模不当产生偏倚、损失精度的问题，提出扩展模型IMMRM，通过多维度调整提升稳健性与精度，理论证明和模拟、实例分析均验证其优势。
2023-07-19 stat.ME
Randomization Tests in Switchback Experiments
HSBC Business School, Peking University（汇丰商学院，北京大学）；The University of Hong Kong（香港大学）
本文提出了一种适用于切换实验的随机化检验框架，通过非预期和有限延续时间条件，构建条件随机化检验以处理时间依赖性和季节性，实现有限样本有效性。
2026-09-30 econ.EM stat.ME
Analyzing two-stage experiments in the presence of interference
两阶段随机化是在存在干扰的情况下估计处理效应的有效设计;即，当一个个体的治疗分配影响另一个个体的结果时。我们的激励例子是一个两阶段的随机试验，评估干预措施，以减少学生缺勤在费城学区。在该实验中，有多名学生的家庭首先被分配到治疗组或对照组;然后，在治疗组家庭中，一名学生被随机分配到治疗组。使用这个例子，我们强调在实践中分析两阶段实验的关键考虑因素。我们的第一个贡献是解决当家庭规模变化时出现的额外复杂性;在这种情况下，研究人员必须决定是否为家庭分配同等权重或为个人分配同等权重。我们提出了无偏估计量的个人和家庭加权被估量，相应的理论和估计方差的广泛的类。我们的第二个贡献是连接两个常用的方法来分析两阶段设计：线性回归和随机化推理。我们表明，适当选择的标准误，这两种方法产生相同的点和方差估计，这是有点令人惊讶的复杂的随机化方案。最后，我们探讨了合并协变量以提高精度的选项。我们通过模拟研究证实了我们的分析结果，并将这些方法应用到出勤研究中，发现了实质性的有意义的溢出效应。
2017-04-30 stat.AP
Rerandomization under Interference
University of Chicago（芝加哥大学）
本文提出在干扰下利用再随机化设计，通过限制协变量不平衡来改进Hájek估计器对期望平均处理效应的估计，在温和条件下渐近提升精度，并开发了保守方差估计器，保持无损害性质且对干扰结构不可知。
2026-09-29 stat.ME
Estimating Treatment and Spillover Effects with the Ego-Cluster Experimental Design
Goizueta Business School, Emory University（埃默里大学高伊塔商学院）；Department of Statistics, George Washington University（乔治华盛顿大学统计系）
本文提出基于 ego-聚类的实验设计，用于估计全局治疗效应和溢出效应，通过模型框架和 ego-聚类随机化，建立一致性和渐近正态性的估计器，并通过模拟和实证应用展示其高效性。
2026-05-01 stat.ME
A general theory of regression adjustment for covariate-adaptive randomization: OLS, Lasso, and beyond
我们考虑随机试验中处理效应的估计和推断问题。在实践中，分层随机化，或更一般地说，协变量自适应随机化，通常用于设计阶段，以平衡与结局最相关的几个变量的治疗分配。然后，在分析阶段进行回归以调整剩余的不平衡，从而产生更有效的处理效应估计值。建立和统一的协变量自适应随机化下的普通最小二乘调整估计量的最新结果，本文提出了一个一般的回归调整理论，允许任意模型的误设定和大量的基线协变量的存在。我们证明了两个Lasso调整的处理效应估计量的理论，这两个估计量在各自的类中都是最优的。此外，提出了非参数一致方差估计，以促进有效的推论，其工作，无论使用的具体随机化方法。通过仿真研究和临床试验的例子证明了所提出的估计的鲁棒性和提高效率。该研究揭示了通过在协变量自适应随机实验中实施机器学习方法来提高处理效应估计效率。
2020-11-19 math.ST stat.ME stat.TH
Limiting Bias from Test-Control Interference in Online Marketplace Experiments
在A/B测试中，典型的目标是测量总平均处理效应（TATE），其测量如果所有用户都被处理的平均结果与如果所有用户都未被处理的平均结果之间的差异。然而，当对照单位的结果取决于治疗单位的结果时，一个简单的均值差估计量将给出TATE的有偏估计，我们称之为测试-对照干扰的问题。使用建立在Airbnb数据之上的模拟，本文考虑使用网络干扰文献中的方法进行在线市场实验。我们将市场建模为一个网络，在这个网络中，如果两个卖家的商品可以相互替代，那么他们之间就存在一个优势。然后，我们模拟卖方的结果，特别是考虑“现状”的情况下，“治疗”的情况下，迫使所有卖家降低价格。我们使用相同的模拟框架来近似TATE分布，这些分布是通过使用块图聚类随机化、暴露建模和平均值差异的Hajek估计量产生的。我们发现，虽然块图聚类随机化降低了高达62%的天真的均值差异估计的偏差，它也显着增加了估计的方差。另一方面，使用更复杂的估计产生混合的结果。虽然有些提供了（小）额外的偏差减少和方差的小减少，其他导致增加的偏差和方差。总的来说，我们的研究结果表明，实验设计和分析技术，从网络实验文献是有前途的工具，减少偏见，由于测试控制干扰市场实验。
2020-04-25 econ.EM stat.AP stat.ME
Inference for Two-stage Experiments under Covariate-Adaptive Randomization
HSBC Business School（汇丰商学院）；Peking University（北京大学）
本文研究了双重随机实验中协变量自适应随机化下的推断问题，提出了差异-平均平均估计量，并探讨了协变量信息在提高效率中的作用。
2026-01-15 econ.EM stat.ME
Model-Twin Randomization (MoTR) for Estimating the Recurring Individual Treatment Effect
University of Geneva（日内瓦大学）；Stanford Medicine（斯坦福医学院）
提出模型孪生随机化（MoTR）方法，利用单人密集纵向观测数据在序列干扰下估计稳定复现的个体处理效应，并基于近八年 Fitbit 数据验证其个性化健康行为因果推断价值。
2025-09-27 stat.AP 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
Data-adaptive exposure thresholds for the Horvitz-Thompson estimator of the Average Treatment Effect in experiments with network interference
针对网络干扰实验中暴露映射阈值难以确定的问题，本文提出一种基于线性剂量-反应模型的数据自适应方法，通过最小化 Horvitz-Thompson 估计量的均方误差来选择最优 h 比例阈值，并在模拟和 Amazon 产品相似性图上验证了其优于非自适应选择且对模型偏差具有稳健性。
2025-02-04 stat.ME
Randomization for the susceptibility effect of an infectious disease intervention
传染病干预措施（如疫苗）的随机试验通常集中在相互联系或可能相互作用的个体群体上。当感兴趣的病原体在研究受试者之间传播时，可能会发生干扰：个体感染结果可能取决于其他人接受的治疗。流行病学家将主要的因果效应定义为“易感性效应”，即在保持接触传染性不变的情况下，接受治疗与不接受治疗的感染风险的对比。一个相关的量-“直接效应”-被定义为接受治疗与不接受治疗的感染风险之间的无条件对比。本文的目的是表明，在广泛推荐的随机设计下，当结果具有传染性时，在随机试验中，直接效应可能无法恢复干预措施的真实易感性效应的迹象。该分析方法使用传染病传播的结构特征来定义易感性效应。一个新的概率耦合参数揭示了不同治疗分配下潜在感染结果之间的随机显性关系。结果表明，当结果具有传染性时，估计随机化下的直接效应可能会对干预措施（如疫苗）的效果提供误导性的推断。
2019-12-09 math.ST q-bio.PE stat.AP
Multiple Randomization Designs: Estimation and Inference with Interference
本文提出多重随机化设计以应对战略互动中的复杂溢出效应，推导了主效应、直接效应和溢出效应的估计量及其有限样本性质。
2025-12-02 stat.ME
Inference of Sample Complier Average Causal Effects under Experiments with Completely Randomized Design and Computer Assisted Balance-Improving Designs
针对现实实验中普遍存在的不依从问题，研究完全随机化与基于马氏距离的重随机化设计下的样本依从者平均因果效应推断，提出三类方法并通过模拟验证贝叶斯方法性能最优，还应用于职业培训实验。
2023-10-04 math.ST stat.ME stat.TH
Quasi-randomization tests for network interference: a random graph approach
Indian School of Business（印度商学院）
提出将网络视为随机变量，利用随机图零模型构建无溢出效应的零分布，克服了现有条件随机化检验的计算难题，在有限样本下精确有效，显著提升检验功效。
2026-06-11 econ.EM 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
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
Beyond A/B Testing: Sequential Randomization for Developing Interventions in Scaled Digital Learning Environments
随机实验确保了强大的因果推断，这对有效的学习分析研究和实践至关重要。然而，传统的随机实验，如A/B测试，在大规模数字学习环境中受到限制。虽然传统的实验可以准确地比较两种治疗方案，但它们不太能够告知如何调整干预措施以不断满足学习者的不同需求。在这项工作中，我们介绍了一个试验设计，在规模化的数字学习环境中开发适应性干预措施-序贯随机试验（SRT）。为了改善学习者的体验和开发干预措施，使所有学习者在任何时候都受益，SRT告知如何排序，时间和个性化干预措施。在本文中，我们提供了一个概述的SRT，我们说明了它们相比传统的实验优势。我们描述了一种在大规模数据科学MOOC中运行的新型SRT。试验结果说明了如何通过具有包容性的文化针对性的提醒电子邮件来解决学习者参与问题。我们还为旨在运行自己的SRT的研究人员提供实用的建议，以在规模化的数字学习环境中开发适应性干预措施。
2019-02-01 cs.CY stat.AP
Experimenting in Equilibrium
试验设计的经典方法假设干预一个单元不会影响其他单元。然而，在许多重要的情况下，这种不干涉假设并不成立，比如在拼车平台上进行供应方激励实验或在能源市场上进行补贴实验。在本文中，我们介绍了一种新的方法，试验设计在大规模的随机系统相当大的跨单元干扰，假设干扰的结构足够，它可以通过平均场建模捕获。我们的方法使我们能够准确地估计系统参数的小变化的影响，结合无干扰的随机化与轻量级建模，同时保持平衡。然后，我们可以使用这些估计通过梯度下降来优化系统。具体地说，我们专注于一个平台，寻求优化供应旁支付p在一个集中的市场，不同的供应商通过他们的整体供需平衡的影响相互作用的问题，并表明，我们的方法使平台能够优化p在大型系统中使用消失的小扰动。
2020-06-30 econ.EM math.OC stat.ME
Exact P-values for Network Interference
本文提出通过构造人工实验，将网络干扰下非精确原假设转化为精确假设，从而计算一大类处理效应假设的精确P值，并覆盖网络稀疏化和同伴效应异质性等检验问题。
2015-06-05 econ.EM math.ST stat.ME
Assumption-lean covariate adjustment under covariate adaptive randomization when $p = o (n)$
Tsinghua University（清华大学）；Shanghai Jiao Tong University（上海交通大学）；Renmin University of China（中国人民大学）
本文提出了一种基于二阶U统计量的调整估计器，在p=o(n)时能无偏估计平均治疗效应并保证效率提升，适用于协变量自适应随机化场景。
2025-12-23 econ.EM math.ST stat.ME
Causal Inference Under Network Interference: A Framework for Experiments on Social Networks
没有人是一座孤岛，因为在我们的社会中，每个人每天都在相互影响。当社会影响发生在一个相互联系的个体群体的实验中时，对一个单元的处理可能会影响其他单元的结果，这种现象被称为干扰。本论文发展了一个因果框架和推理方法的实验干扰发生在网络的影响（即网络干扰）。在这个框架中，网络潜在结果作为关键量和灵活的构建块的因果被估量，代表了各种主要的，同行的，和总的处理效应。这些因果被估量是通过缺失结果的原则贝叶斯插补来估计的。导致简化插补的无混淆假设理论强调了在潜在结局模型中纳入相关网络协变量的重要性。此外，试验设计可使治疗暴露组间的协变量和大小平衡，从而进一步改善因果估计，尤其是通过减少潜在的结局模型错误指定。真实的潜在结果模型在现实世界的实验中通常是未知的，因此最佳实践是通过平衡设计和基于模型的插补来考虑干扰和混淆网络协变量。一个完整的析因模拟实验制定证明这一原则，通过比较不同的随机化方案在设计阶段和估计在分析阶段的性能，根据不同的网络拓扑结构和真正的潜在结果模型。总的来说，这篇论文断言，干扰不只是一个讨厌的分析，而是一个机会，量化和利用同行的影响，在现实世界的实验。
2017-08-28 cs.SI math.ST stat.AP
Multiple Randomization Designs: Estimation and Inference with Interference
Amazon（亚马逊）；Stanford University（斯坦福大学）；University of Washington（华盛顿大学）
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
