Just Ramp-up：解锁基于回归的 A/B 测试估计器在网络干扰下的潜能

近期的因果推断在网络干扰下探索了各种实验设计和估计技术，但现有方法通常依赖单一实验，常陷于性能瓶颈，难以处理多样化的干扰结构。相比之下，我们提出利用多个实验来克服这些限制。在行业中，由于运营需求如风险管理和成本控制，常使用顺序实验(常称为 ramp-up 过程)，即随着时间推移逐渐增加治疗流量。我们的ethods方法将关注点从运营方面转向合并多个实验数据的统计优势。通过组合顺序进行的实验数据，我们旨在更有效地估计全局平均处理效应。在本文中，我们首先分析了在一般线性网络干扰下，针对 GATE 的线性回归估计器的偏差和方差。我们展示了偏差在偏差-方差权衡中发挥主导作用，并突出了合并治疗比例严格不同的实验数据实现的内在偏差减少。此处引入的合并两个实验步骤的数据的改进是关键的。此外，我们表明，在一般线性干扰下，合并更多实验步骤的数据是不必要的，而在非线性干扰发生时可能变得有益。 Furthermore, we look into a more advanced estimator based on graph neural networks. Through extensive simulation studies, we show that the regression-based estimator benefits remarkably from training on merged experiment data, achieving outstanding statistical performance.