我们能在存在一般网络干扰的情况下验证反事实估计吗？

随机实验已成为从线上平台到公共卫生等各类场景中基于证据的决策的基石。然而，在存在网络干扰的实验环境中，单位的处理方式会影响其他单位的 outcomes，这挑战了因果效应估计及其验证。经典的验证方法会失败，因为在单一处理情景下只能观测到 outcomes，并因干扰而呈现复杂的相关模式。为解决这些挑战，我们引入了一个框架，利用机器学习工具进行因果推断中的估计和验证。我们方法的核心是新的分布保持网络自助抽样技术，这是一种在理论上得到严格依据的技术，能够从单个实验数据中生成多个统计上有效的子人群。这种对实验样本的扩大使我们的第二项贡献得以实现：一种反事实交叉验证程序。该程序将模型验证原则适应到因果环境的独特约束之下，提供一种严谨、数据驱动的方法，用于选择和评估估计器。我们通过纳入异构的单位水平特征和可变的局部相互作用，扩展了最近的因果消息传递发展，确保通过非渐近分析在有限样本中的可靠性能。此外，我们开发并公开了一个综合性基准工具箱，包含来自交互式 AI 代理到叫车共享应用等多样化实验环境。这些环境提供已知的 ground truth 值，同时保持现实的复杂性，使其能够系统评估因果推断方法。广泛的测试表明，我们的方法对各种形式的网络干扰都表现出鲁棒性。