实验设计 (A/B): 解释 switchback 实验与它的适用场景。

Core Concept: 在时间维度上交替切换处理/对照，适用于无法在个体层面随机化的场景（如定价、算法全量）。

switchback（时间轮换）实验的设计：把实验期切成若干<strong>时间窗</strong>（如每小时、每天），在每个时间窗内<strong>全量</strong>施加一种处理（A 或 B），并在时间上交替切换（如 A-B-A-B…或随机顺序）。<strong>适用场景</strong>：① <strong>无法个体随机化</strong>——如平台级定价、算法全量切换、UI 全站改版（同一时刻所有用户看到相同版本）；② <strong>干扰极强</strong>——双边市场（买卖双方互相影响）、共享资源（库存/运力）、社交网络（用户间传播）；此时个体随机化的 SUTVA 严重违反，集群随机化也可能不够（集群间仍有溢出），时间轮换把'干扰'限制在时间窗内。<strong>代价</strong>：① <strong>时间混淆</strong>——处理效应与时间趋势（小时效应、日效应、节假日）混杂，需用<strong>交替/随机顺序</strong>并对时间效应建模；② <strong>自相关</strong>——相邻时间窗的数据相关，需用 block bootstrap 或 HAC 标准误；③ <strong>有效样本量降低</strong>——同一时间窗内所有用户共享同一处理，等效样本量从'用户数'降为'时间窗数'（这使功效大幅下降，需更多时间窗）。

设计与分析要点：① <strong>时间窗长度</strong>——需平衡两个冲突：窗太短则切换频繁（用户可能感知不一致、系统开销大）、窗太长则时间窗数少（功效低、易受趋势影响）；通常取数小时到一天，并保证覆盖完整周期（如整数个星期）。② <strong>随机化顺序</strong>——用<strong>随机顺序</strong>（而非固定交替）可避免与周期性因素混淆；或用 <strong>ABBA 平衡设计</strong>抵消线性趋势。③ <strong>分析方法</strong>——用带时间固定效应的回归（把每个时间窗作为一个观测，处理作为自变量），或用<strong>配对</strong>（相邻的 A/B 窗配对相减）消除缓慢趋势；标准误需用 block bootstrap 或 HAC 处理自相关。④ <strong>与集群随机化的对比</strong>——集群随机化保留个体层面的数据（功效高）但需集群间无溢出；switchback 彻底避免溢出但功效低；选择取决于干扰的强度与范围。⑤ <strong>实例</strong>——网约车定价、外卖配送费、共享单车的调度算法、云服务的容量策略都常用 switchback。⑥ <strong>陷阱</strong>——(a) 忽略时间趋势（把趋势误当效应）；(b) 用个体级标准误（低估方差）；(c) 时间窗太短导致用户困惑（同一用户在不同窗看到不同价格，可能引发投诉）。