📈 economics

Quasi-randomization tests for network interference: a random graph approach

本文提出了一种针对网络干扰的拟随机化检验方法，该方法将网络视为一个随机变量，通过随机图模型构建零分布，从而克服了现有方法在不可归补性和计算挑战方面的难题，同时提供了精确的有限样本有效性和更高的统计功效，尤其是在集群随机试验中。

原作者： Supriya Tiwari, Pallavi Basu

发布于 2026-06-11

📖 1 分钟阅读☕ 轻松阅读

原作者： Supriya Tiwari, Pallavi Basu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图弄清楚一种新肥料是否能让植物长得更高。在一个理想的世界里，你会给一些植物施肥，而另一些则不施肥，这样唯一的变量就是肥料。这是科学家测试事物的标准方式。

但在现实世界中，植物是邻居。如果你给植物 A 施肥，它可能会长得太高，从而遮挡住植物 B，或者它的根可能会偷走植物 C 的水分。植物 B 和 C 虽然没有得到肥料，但仍然受到了影响。在数据科学领域，这被称为网络干扰（network interference）或溢出效应（spillover effects）。

Tiwari 和 Basu 的论文探讨了一个非常棘手的问题：当“谁和谁是朋友”的地图（即网络结构）本身也是一个谜时，你如何证明这些“邻里效应”确实存在？

以下是他们解决方案的简单拆解，使用了日常类比。

旧方法：“冻结地图”问题

传统上，当科学家测试这些邻里效应时，他们将社交网络（谁认识谁）视为一个固定的、冻结的地图。他们会说：“好吧，这就是我们现有的精确友谊地图。现在，让我们假装可以交换谁接受了处理。”

问题在于，在许多真实的实验中（例如向整个村庄或学校提供某种处理），你不能轻易地交换人员。如果你对整个村庄进行处理，你不能在不破坏实验规则的情况下，假装那个村庄是一个对照组。这会让数学计算陷入僵局，就像一辆试图行驶在道路突然消失的路面上的汽车。旧的方法往往无法找到答案，即使效应确实存在，因为它们过于僵化。

新方法：“想象中的派对”类比

作者提出了一个巧妙的视角转变。他们不再将网络地图视为一个固定不变的对象，而是将其视为一个随机变量。

可以这样理解：

旧观点： 你正在观察一场特定的派对，座位表已经固定死了。你想知道移动一位宾客是否会改变谈话内容，但你无法移动椅子。
新观点： 你想象这场派对的座位表本身是由一个随机过程生成的（比如人们根据有多少朋友来决定到达并寻找座位）。你会问：“如果我们使用相同的规则生成了另一张不同的座位表，但让宾客坐在原来的位置上，谈话内容看起来还会一样吗？”

通过将网络视为一个可能发生变化（但遵循相同规则）的事物，作者可以创造出成千上上个看起来与真实网络极其相似的**“想象中的派对”**（或随机图）。

测试是如何运作的：“交换”游戏

以下是他们的“拟随机化测试（Quasi-Randomization Test）”的逻辑步骤：

设定： 你有一个真实的实验，拥有一个真实的社交网络和一个真实的处理手段（比如一次保险研讨会）。
假设： 你假设该网络是根据某些规则自然形成的（例如“人们倾向于拥有大约 5 个朋友”）。
魔术技巧： 与其尝试交换人（这在集群实验中可能无法实现），不如交换连接。他们生成数千个虚构的网络，这些网络中每个人的朋友数量与真实网络完全一致，但具体的交友对象不同。
比较： 他们在所有这些虚构的网络上检查结果。
- 如果“邻里效应”只是一个偶然现象，那么虚构网络上的结果将与真实网络的结果看起来大不相同。
- 如果“邻里效应”是真实的，那么结果在这些虚构网络中会表现出一致性。

为什么这很重要

作者证明了这种方法比旧方法更聪明、更强大，尤其是在像集群随机试验（Cluster-Randomized Trials）（即对整个群体，如学校或村庄进行处理，而不是针对个人）这类复杂情况下。

旧方法： 在集群试验中，旧方法经常会变得“退化”。这就像试图翻转一枚被粘在桌子上的硬币；你无法得到随机结果，因此无法进行任何测试。
新方法： 通过交换连接而不是人，他们保持了测试的流动性。他们发现，这种新方法在发现被旧方法遗漏的真实溢出效应方面表现得出色得多。

现实世界的测试：中国的天气保险

为了证明他们的想法有效，作者重新分析了一个关于中国农村农民采用天气保险的真实实验。

问题： 参加了详细研讨会的农民是否向他们的邻居传播了信息，从而导致邻居也购买了保险？
结果： 使用他们的新“想象中的派对”方法，他们发现了强有力的证据（p 值为 0.0126），证明信息确实在传播。
教训： 如果你忽略这种传播，你可能会认为研讨会效果不好，因为你只统计了参加研讨会的人。但实际上，研讨会取得了巨大的成功，因为它在社区中产生了涟漪效应。

总结

本文认为，在研究事物如何通过网络传播时，我们不应该把网络看作一个僵硬、不可改变的笼子。相反，我们应该把它看作一个遵循特定规则的灵活、随机的结构。通过想象“如果网络看起来略有不同但遵循相同的规则会怎样”，我们终于能够进行公平且强大的测试，以观察溢出效应是否真实存在。

核心要点： 他们并没有发明一种新的给药/处理方法；他们发明了一种新的观察地图的方式，让我们能够看到那些此前无法被看见的效应。

技术摘要：网络干扰中的拟随机化检验

问题陈述
网络干扰是指一个单元的治疗状态会影响其他单元的潜在结果，从而产生违反稳定单元处理值假设（SUTVA）的溢出效应。虽然 Fisher 随机化检验（FRT）是测试尖锐零假设（无处理效应）的标准方法，但测试不存在溢出效应的“非尖锐”零假设则面临挑战。在无溢出的零假设下，由于网络结构本身会影响暴露情况，因此无法对不同处理分配下的反事实结果进行归补。

现有文献通过关注特定子集——“焦点单元”（focal units），并以其处理分配为条件来解决这一问题（Aronow, 2012; Athey et al., 2018; Basse et al., 2019; Puelz et al., 2022）。然而，这些条件随机化检验面临两个关键局限：

低统计功效： 它们往往会导致统计功效降低，尤其是在处理分配空间受到限制的集群随机试验中。
退化问题： 在集群随机设计中，以焦点单元为条件可能导致退化的零分布（即分布的支持集塌缩），使得有效的推断变得不可能。

方法论
作者提出了一种拟随机化检验（quasi-randomization test），将网络 $G$ 视为由特定过程生成的随机变量，而非固定量。这种方法将推断目标从基于观测到的固定网络，转向基于由同一过程生成的假设网络的平均值。

核心方法论包括：

随机图框架： 将网络建模为指数随机图模型（ERGM）或具有任意度分布的随机图。无溢出零假设被定义为：在给定直接处理分配和图协变量的情况下，结果对于网络结构具有不变性。
通过网络随机化进行归补： 通过固定观测到的处理分配 $Z_{obs}$ ，并在网络生成过程 $P(G|Z, G_X)$ 上进行随机化，使得检验统计量在零假设下是可归补的。这克服了固定网络方法中固有的不可归补问题。
置换检验： 为了避免估计完整网络分布 $P(G)$ $P (G)$ 带来的计算困难，作者开发了基于充分统计量的条件置换检验：
- 程序 3（度序列）： 对于具有任意度分布的随机图，该检验以观测到的度序列为条件。它从具有相同度序列的等价类图中进行采样，并假设各图等概率。
- 程序 4（块同构）： 对于集群随机实验和一般的 ERGM，该检验以度序列以及由处理组和控制组诱导的子图的同构类为条件。这确保了置换过程尊重实验设计的约束（例如集群结构），同时生成非退化的零分布。

主要贡献
本文做出了三个主要贡献：

理论嵌入： 它将随机图干扰模型嵌入到潜在结果框架中，为随机图模型定义了尖锐和非尖锐零假设，并建立了所提检验的有限样本有效性。
解决技术局限： 该方法解决了集群随机试验中的不可归补和退化问题。通过对网络分布而非处理分配进行随机化，该方法避免了导致现有焦点单元法失效的受限支持集问题。
计算效率： 所提出的置换检验利用快速多项式时间算法（如 Viger 和 Latapy, 2005; Foslick et al., 2018）对固定度序列的图进行采样，使该方法能够扩展到大规模网络。

结果
作者通过广泛的蒙特卡洛模拟和一项实证应用验证了该方法：

模拟研究：
- 第一类错误： 在小世界网络和随机块网络模型下，所提检验在完全随机设计和集群随机设计中均能保持正确的第一类错误率（控制在 $\alpha = 0.05$ ）。
- 统计功效： 拟随机化检验展现出比现有条件焦点检验（Athey et al., 2018）显著提高的统计功效。这种提升在集群随机试验以及高聚集性设置（如随机块模型）中尤为明显，而在这些设置中，现有方法通常面临功效损失或退化问题。
- 稳健性： 当潜在结果函数包含依赖于图的协变量（如度效应）时，该方法仍能保持功效。
实证应用：
- 作者重新分析了中国农村天气保险采用情况的实验（Cai et al., 2015）。
- 通过对 433 个家庭子集使用块同构置换检验（程序 4），他们发现了显著的信息溢出证据（ $p = 0.0126$ ）。
- 结果表明，接受密集信息服务的家庭会将知识传递给邻居，如果忽略这种干扰，这一发现可能会被掩盖或产生偏差。

意义与主张
本文认为，将网络视为随机变量，为固定网络推断提供了一种计算上可行且统计功效更高的替代方案。作者声称，在对网络生成过程（如 ERGM 或度分布）满足温和假设的前提下，其方法在“有限样本中是精确有效的”。

这项工作的意义在于，它能够对总体中的所有单元进行干扰测试，而不仅仅是受限的子集，并且能够在集群随机试验中有效运行——而在这种设定下，现有的最先进方法往往因退化而失效。作者承认，这种功效的提升是以对网络生成过程（如 ERGM 或度分布）的假设为代价的，这在潜在的模型设定偏误与提高推断功效之间存在权衡。他们认为，在许多实际场景中（即观测到的网络是正在进行的社会过程的一个实现），这种权衡是合理的。