Randomization tests for model specification in causal inference under network interference
本文提出了一种新颖的设计型框架及相应的随机化检验程序，用于实证评估网络干扰下因果推断中暴露映射的正确设定，并提供了理论保证，通过模拟实验和实地实验证明了其有效性。
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
在科学实验的世界里，研究人员通常依赖一个简单而强大的理念：如果你将某种处理随机分配给一些人而非其他人，那么结果上的任何差异都必然是由该处理引起的。这种逻辑在人们如同孤岛、不受邻里影响时运作得非常完美。然而，现实世界很少如此安静。人们通过友谊、家庭和社区连接在一起，形成复杂的网络。当一个人改变行为时，这种变化往往会产生涟漪效应，进而影响周围的人。这种现象被称为溢出效应（spillover effect），它打破了实验的标准规则。如果一名学生因为朋友养成了新习惯，那么就很难判断这种习惯究竟是源于原始的处理，还是源于朋友的影响。为了理解这一现象，科学家们使用了一种叫做“暴露图”（exposure map）的工具。这是一种描述一个人如何受到处理影响的简化方式，不仅取决于其自身的地位，还取决于与其相连的人的地位。它将混乱的影响网络简化为一个可控的数量，使研究人员能够估算出干预措施的真实效果。
问题在于，这些地图通常只是猜测。研究人员可能会假设只有直接朋友才会产生影响，或者认为影响会随着距离增加而迅速消退。如果猜测错误，整个实验可能会导致误导性的结论。直到现在，还没有一种可靠的方法可以检查所选的暴露图是否符合实际情况。来自印度管理学院的 Supriya Tiwari 和 Pallavi Basu 的一项新研究解决了这一空白。他们开发了一种新方法来测试所选的暴露图是否正确，其依据正是实验本身的随机性。他们的做法不是假设地图是正确的，而是要求数据来证明这一点。
研究人员将他们的方法建立在随机化检验（randomization tests）的逻辑之上，这是一种在统计学领域长期被视为金标准的技术。在典型的实验中，处理是通过机会分配的。作者意识到，如果他们的暴露图确实捕捉到了处理传播的方式，那么预测中的剩余误差应该是随机的，并且与处理分配无关。但如果地图是错误的，这些误差就会呈现出某种模式，揭示模型遗漏了关键的环节。为了寻找这些模式，他们观察了人与人之间的联系。他们检查了一个人的处理状态是否与其邻居的预测误差相关。如果一个接受处理的人的邻居出现了较大的预测误差，这表明模型未能解释他们之间流动的相互影响。通过测量整个网络中的这种相关性，他们创建了一个测试统计量，可以发出模型设定错误的信号。
为了确保方法严谨，团队首先在已知真实底层模式的理想条件下进行了数学证明。随后，他们转向了模拟实验，在计算机上创建了数千个虚构的网络和实验，以观察该方法在实践中的表现。他们测试了多种场景：包括暴露图完美的场景，以及故意设计缺陷的场景，例如忽略二度好友的影响或误判溢出的强度。结果非常明确：当地图错误时，该测试几乎总能发现问题，并以高置信度拒绝错误的模型；当地图正确时，测试则能正确接受它，保持较低的误报率。研究还探讨了当用于做预测的数学模型略有偏差时的情况，结果显示该方法依然稳健，不会轻易因微小的瑕疵而失效。
研究人员随后将这一新工具应用于一项涉及中学生的著名实地实验数据集。在该研究中，研究人员试图通过培训一小群具有影响力的学生（即社交参照者）来推广反冲突规范，从而减少欺凌行为。原始研究假设，这些参照者的影响可以通过仅仅了解一名学生是否拥有受处理的朋友来捕捉。利用这种新的测试程序，作者重新审视了这一假设。他们通过重新洗牌处理分配方案，进行了数千次测试，以观察如果该假设成立，数据会呈现出怎样的形态。结果的 p 值为 0.317，这个数值表明数据与原始假设是一致的。换句话说，原始研究中使用的简单地图经受住了审查；没有统计证据表明它遗漏了更深层的层级影响。这并不意味着该地图是完美的，但它证实了基于现有证据，研究人员无需弃用它。
这项工作为研究互联系统的科学家们提供了一个至关重要的进步。它使该领域从盲目信任假设转向主动验证假设。通过提供一种检查所选影响模型是否正确的方法，该方法有助于研究人员避免对干预措施如何在人群中传播得出错误的结论。它并没有解决干扰问题，也没有保证每个模型都会是完美的。相反，它提供了一种严谨的检查手段，让我们能够有信心地判断所使用的地图是否是领土的忠实写照。在一个人类行为深度纠缠的世界里，拥有一个能够验证我们对这些联系理解的工具是一项重大进展，它确保了从实验中获得的教训与产生它们的科学一样可靠。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。