网络溢出干扰与 Switchback 实验

双边市场与社交网络中的溢出干涉效应 (Network Interference / Spillover Effects / SUTVA 假设违背) 与聚类随机化 / 时间轮转 Switchback 实验设计 (Cluster Randomization & Switchback / Time-Split Experimentation) 是出行（Uber, 滴滴）、外卖（Doordash, 美团）与社交平台（Meta, 微信）评估算法因果效应的核心实验体系；SUTVA 违背困境：传统 A/B 假定每个用户的处理状态对其他用户完全独立（Stable Unit Treatment Value Assumption）；但在双边供需市场中，若给实验组乘客发放打折券，实验组乘客会迅速抢光周边所有可用网约车司机，导致对照组乘客“无车可坐、等待时间暴涨”（对照组被动受到负向冲击，导致实验效应被严重人为夸大）；解决方案：1) 时间轮转实验 (Switchback Testing: 在同一城市地理网格内，按时间窗口如每 30 分钟交替全量切换对照策略与实验策略，并设置 10 分钟冲刷缓冲期 Washout Period)；2) 地理集群随机化 (Geographic Cluster Randomization: 按独立城市或商圈进行分流)；3) 图聚类分流 (Graph Cluster Randomization via Ego-network Partitioning)。

网约车调度派单与动态调价实验、外卖骑手履约算法 A/B、社交网络病毒传播功能评估。

传统按用户 User ID 分流在共享有限物理供给或强社交互动的场景下会导致巨大的溢出偏置；Switchback 与 Cluster 实验通过时空隔离彻底修复了因果溢出偏差。

详细解释 SUTVA 稳定单元处理值假设的两大核心内涵（无干扰性 No Interference 与无变体版本），并分析为什么共享司机池直接违背该假设？

Switchback 实验设计中的“冲刷期 (Washout Period / Burn-in Buffer)”的作用：为什么在切换策略的前 5~10 分钟必须丢弃订单数据？

Switchback 实验样本量与方差估计中的“自相关问题 (Autocorrelation in Time-Series Clusters)”：为什么必须采用聚类稳健标准误 (Cluster-Robust Standard Errors) 或两阶段回归？

合成对照在地理集群实验中的应用：当可供随机化的独立城市数量很少（如仅有 10 个核心一线城市）时，如何设计 Synthetic Control 准实验？

直接效应 (Direct Effect) 与溢出效应 (Spillover / Indirect Effect) 的双随机化实验 (Two-sided Randomization): 如何同时估计直接效果与网络外溢程度？