实验设计 (A/B): 解释网络效应/干扰下为什么个体随机化会失效，以及如何应对。

Core Concept: 个体处理会影响他人（溢出），违反 SUTVA；用集群随机化、switchback 或专门的干扰感知设计。

干扰的机制：标准 A/B 要求 <strong>SUTVA</strong>（个体 i 的结果只依赖自己的处理 Tᵢ），但在以下场景被违反——① <strong>社交网络</strong>：处理组用户的行为会影响其好友（如分享、跟风），使对照组也被'间接处理'；② <strong>双边市场</strong>：买家实验改变需求，影响卖家行为与另一侧用户体验；③ <strong>共享资源</strong>：处理组占用更多库存/运力，挤压对照组（如打车平台的补贴实验）；④ <strong>竞争/学习</strong>：同一关键词的广告预算实验会互相竞价。<strong>后果</strong>：个体随机化测到的是'直接效应 + 部分溢出效应'的混合——若溢出是<strong>正的</strong>（对照组也受益），则处理效应被<strong>低估</strong>；若是<strong>负的</strong>（对照组被挤压），则被<strong>高估</strong>。且<strong>干扰强度越大、偏差越大</strong>；严重时甚至符号翻转。

应对策略：① <strong>集群随机化（Cluster Randomization）</strong>——以'无干扰的单元'为随机化单位（如地理区域、社交社区、城市）；优点是保留个体层面数据（功效高于 switchback）；代价是<strong>有效样本量降为集群数</strong>（集群内相关导致方差膨胀，需用 <strong>ICC（组内相关系数）</strong> 校正：设计效应 = 1+(m−1)·ICC），且集群数需足够（通常 ≥40）。② <strong>Switchback（时间轮换）</strong>——把干扰限制在时间窗内（见上题）；适合无法按空间划分的场景。③ <strong>饱和设计（Saturation Design）</strong>——刻意让部分集群的处理比例不同（如 0%、50%、100%），通过对比不同饱和度的集群<strong>估计溢出效应</strong>；这是 Facebook 研究社交影响的标准方法。④ <strong>双向随机化（Bipartite/Two-sided）</strong>——对市场两侧分别随机化并联合分析。⑤ <strong>检测干扰</strong>——比较不同饱和度/集群大小的效应估计（若随饱和度变化则存在干扰）；或用'影子对照'（未暴露于任何处理的全隔离组）。⑥ <strong>实践建议</strong>——先评估干扰强度（小规模集群实验），若干扰弱可用个体随机化 + 稳健标准误，若干扰强必须用集群/switchback；且应报告'干扰下的效应解读'（是直接效应还是总体效应）。