网络干扰下基于混合随机实验的因果推断

在随机实验中，经典的稳定单元处理值假设（SUTVA）认为一个实验单元的结果不受其他单元处理分配的影响。然而，该假设在在线市场与社交网络等单元间普遍存在干扰的场景中常被违背。我们通过采用一种混合随机化设计来估计网络干扰模型中的总处理效应，该设计结合了两种广泛使用的实验方法：伯努利随机化（各单元独立分配处理）与基于聚类的随机化（在聚合层面分配处理）。混合随机化设计同时纳入两种方法，从而缓解基于聚类的设计所存在的偏差。我们针对该混合设计提出总处理效应的无偏估计量，并证明其方差以 $O(d^2 n^{-1} p^{-1} (1-p)^{-1})$ 为界，其中 $d$ 为网络最大度，$n$ 为网络规模，$p$ 为处理概率。此外，我们建立了任意混合设计方差的下界 $\Omega(d^{1.5} n^{-1} p^{-1} (1-p)^{-1})$。而且，当网络边上的干扰权重未知时，我们提出一种权重不变设计，其方差界为 $O(d^3 n^{-1} p^{-1} (1-p)^{-1})$，与 Cortez-Rodriguez 等人（2023）在类似条件下引入的估计量一致。