干扰、溢出效应与 SUTVA

SUTVA（稳定单位处理值假设）是因果推断的一项核心原则：每个人的结果应只取决于自己接受的处理，而不受其他人接受何种处理的影响。当社会影响、共享资源或人与人之间的交流打破这一假设时，就出现了“干扰”；其中，传递给未接受处理者的影响叫作“溢出效应”。比如，你想测试一种新疫苗，给同住一家的一半家庭成员接种；如果疫苗减少了传播，没接种的家人也可能得到一些保护，这就让你无法单独识别疫苗的真实效果。

请注意：当人们相互影响时，你的对照组就不再是真正未受干扰的对照组。

干扰是怎么发生的

只要处理能影响直接接受处理者以外的人，就会出现干扰。在社交网络中，如果你的朋友接受了某种干预，比如收到一条动员投票的信息，他们的行为变化就可能影响你，即使你没有收到这条信息。在疫苗试验中，给社区中的一部分人接种疫苗可以减少疾病传播，间接保护未接种者，这就是正向溢出效应。在网络平台上，向部分用户开放一项新功能，可能会改变他们的行为，进而影响朋友的使用体验，产生遍及整个网络的影响。

为什么这会影响因果推断

存在干扰时，我们通常估计的“平均处理效应”就变得含糊了。我们测量的是只给一个人施加处理、其他人都不接受处理时的效果吗？还是所有人都接受处理与所有人都不接受处理之间的差异？这是不同的量，而按个人随机分配处理的标准实验设计，对其中任何一个量的估计都可能产生偏差。处理组与对照组之间的比较会受到干扰，因为对照组成员也受到了处理组成员带来的溢出影响。

你可以怎么做

在实验设计上，你可以采用整群随机化，也就是按学校、村庄等整个群体来分配处理；也可以采用图聚类随机化，根据网络结构，把相互连接的群体一起分配到同一处理条件下；还可以让不同处理条件在空间上彼此隔开。在分析上，你可以明确地为溢出效应建模，用暴露映射来定义不同的“实际处理状态”，或者选择承认干扰存在的估计目标。关键在于识别 SUTVA 何时不太可能成立，并据此做好规划，而不是假装干扰不存在。

SUTVA（稳定单位处理值假设）由 Donald Rubin 在潜在结果框架中加以形式化，是通过随机实验识别因果效应的一项基础假设 [1]。当单位之间的干扰导致 SUTVA 不成立时，我们关注的因果量就会变得含糊，因为潜在结果取决于整个处理分配向量，也就是所有单位的处理分配情况，而不只是某个单位自身接受的处理 [2]。

主要局限在于，大多数处理干扰的方法都需要对溢出效应的结构作出很强的假设，例如假定干扰只发生在一定距离范围内。这些假设往往是为了方便数学处理，而不是基于对实际过程的理论解释。在许多社会过程中，干扰可以沿着一连串的相互影响，在网络中传播到任意远的地方，因此，即使是基于邻近范围的假设也值得怀疑。图聚类随机化能减少偏差，但可能大幅增加方差，尤其是在群组较大时。此外，还存在一个根本性的权衡：要识别溢出效应，我们需要不同网络中的处理分配模式有所变化，但标准实验设计往往无法提供这种变化。许多已提出的方法还要求我们掌握完整的网络结构，而这类信息往往难以获得，或测量成本很高。