5.2 干扰与网络效应

5.2 干扰与网络效应

本节摘要：SUTVA 假设个体结果不依赖他人的处理分配，但疫苗、口碑、市场补贴、平台推荐全面违反它。本节给出干扰下效应量的重新定义（直接/间接/总/溢出效应四元组）、暴露映射的构造、整群随机与两阶段随机两种设计解法，以及平台实验里的常见失真与修正思路。

SUTVA 在哪里失守

第 1.2 节把 SUTVA 一笔带过，现在正面拆它。反例俯拾皆是：一人接种疫苗，邻居感染概率下降（传染动力学）；一家店降价，竞争对手客流被抢走（商业竞争）；信息流里给用户 A 曝光新品，A 的转发影响 B 的购买（网络传播）。在这些场景，个体 i 的潜在结果要写成 Y_i(x_i, x_{−i})——依赖全网的分配向量，标准 ATE 的定义本身失效。

失守的图形状也值得画一次：处理 → 邻居结果 ← 邻居处理 → 自身结果，处理效应沿社会网络绕行回到自己。经典 A/B 实验把网络切片成互不相扰的群组时无意间消除了这条环；不做切片时就撞上它。

图：干扰下的四种效应分解

暴露映射：给干扰一个可估的参数化

干扰的一般定义不可操作（邻接矩阵上任意函数），实践靠暴露映射（exposure mapping）压缩：给每个个体定义有限个暴露状态，如"自身接种 × 邻居接种比例是否过半"四状态，效应定义为状态间潜在结果之差。压缩的代价是假设（邻居结构已知、映射形式正确），收益是四状态各自有可估的均值——前提是设计配合。常用的两种设计：

整群随机。把互相影响的个体绑成群（村庄、学校、社群集群），群内统一分配、群间视为独立。估计的是群级效应（含群内溢出），干净的代价是有效样本量变成群数，方差膨胀按设计效应 DEFF ≈ 1+(m−1)ρ 计（m 为群均大小，ρ 为群内相关）——不做这个换算会把置信区间做得过于乐观。

两阶段随机（趋同/switchback 实验）。第一阶段随机一部分群到高接种率、其余到低接种率；第二阶段群内再随机个体。由此可分离直接效应（同环境下接种与未接种之差）与间接效应（不同环境间未接种者之差）。平台实验里对应的形态是：地理分桶做市场级实验，或时间切片轮换（switchback，同一市场在不同周轮换处理状态），把溢出锁在桶/期内部。

平台实验的三个失真与修法

低估效应：处理组用户的好友在对照组里看到转发内容，对照组被"污染"，组间差缩水。修正：网络切片聚类（按社交图切互不相交的社区）、或度量溢出后把总效应 = 直接 + 溢出补回。

抢蛋糕（ cannibalization）：补贴让用户从商家 A 流向商家 B，平台总 GMV 不变而单商家实验显示大赚。修正：以市场/品类为实验单元，或设置负控指标（同市场未补贴商家）观察转移量。

挤出长期效应：短期实验的提升来自提前透支需求。修正：延长观察窗、switchback 长期留出 holdout 市场。这三类问题的共性是"实验单元小于干扰半径"，修法都是把单元撑到不漏的尺度——识别问题的答案最后总是设计，而非估计器。

干扰估计的数值直觉与检查清单

给干扰偏倚一个量级感。设直接效应 5 个点、溢出效应 2 个点（对每个邻居）。个体级实验把邻居随机分到两组：对照组个体平均有一半邻居在处理组，吃到约 1 个点溢出；处理组个体同样。测得的组间差 ≈ 5 + (处理组内溢出差异)，系统性低估总效应（直接+溢出=7）的幅度取决于网络密度与分配比例——密度越高、低估越狠。城市级实验则把两种效应都收进组间差，测的是 7。这就是"单元决定效应口径"的数值版。

上任何干扰敏感的场景前过一遍检查清单：一、处理的影响半径是什么（社交一跳？市场全城？品类全量）？二、实验单元是否≥影响半径？三、若单元做不到≥半径，能否度量溢出（对照组邻居的处理暴露）并报告总效应=直接+溢出？四、指标是存量还是增量（GMV 转移还是新增）？五、有没有 holdout 单元校准长期效应？五问都答清，干扰至少不会偷袭你。

溢出效应的估计设计补充

当单元升级不可行（市场就一个、网络无法切片）时，还有部分设计可用。弧级实验：把曝光连接（而非用户）随机化，同一用户的社交边部分在处理侧，估计溢出沿边的传导。阶梯设计（stepped wedge）：所有单元分批进入处理，每批的切换时点随机，单元内先后对照吸收部分干扰。暴露探测：给对照组个体按"邻居处理密度"分层，用密度梯度估计溢出剂量反应。三种设计的共同前提是能观测或重构干扰网络——这也是为什么因果工程团队总在推动"关系数据入仓"：没有网络数据，干扰只可假设不可估计。

从 SUTVA 到网络的一页决策

把本节压缩成一个决策路径：第一步，回答"我的处理会改变别人结果吗"，不确定时先做小规模溢出探测（对照组的邻居处理密度与结果的回归）。第二步，若干扰存在，测量影响半径（一跳社交、同城市场还是全品类），并把实验/识别单元升到半径之上。第三步，单元升不动时，选择度量方案：暴露映射四态估计、弧级设计或阶梯设计。第四步，报告永远拆开直接与溢出，两者的政策含义完全不同——补贴的直接效应要看，但平台总增量看的是两者之和，而长期留存往往被溢出的二阶效应主导。四步走完，"SUTVA 违反"从一句免责声明变成一组可管理的工程参数。

补充：干扰假设的审稿级表述

写方法部分时，干扰假设值得三行明确：第一行声明实验单元与理由（以城市为单元，因为补贴信息跨城传播可忽略）；第二行声明暴露映射（单元内全覆盖、单元间零溢出）；第三行声明违反时的后果方向（若存在跨城溢出，估计为总效应下偏）。三行字换来评审少一轮往返，也让后来的读者知道边界画在哪里。多数干扰争议的根源不是没做处理，而是处理了却没写清楚假设的形状与失效方向——把失效方向写出来，等于给了读者一份自行校准的说明书。

本节要点回顾

• 定义失效：干扰下潜在结果依赖全网分配，ATE 要换成直接/间接/总/溢出四元组。
• 暴露映射：把无限干扰压缩成有限状态，是可估性的来源，也是新增假设。
• 设计解法：整群随机（注意设计效应 DEFF≈1+(m−1)ρ）与两阶段随机（分离直接与间接）。
• 平台三失真：污染、抢蛋糕、挤出——根因是单元小于干扰半径，解法在实验设计层。
• 下一节：多重与连续治疗，SUTVA 的另一半推广。