你给一半用户发优惠券，想比较他们和另一半用户的购买变化。问题是，收到券的人可能把消息告诉朋友，也可能抢走原本属于朋友的订单。此时，一个人的结果不只取决于自己有没有券，还取决于邻居拿到了什么。普通实验里“甲的处理不影响乙”的前提失效了。
这就是网络干扰。它常见于社交网络、市场竞争和集群实验。两篇新的 arXiv 预印本从实验流程的两端处理这个问题：Zuhra F. S. Lebbe 和 Asim K. Dey 研究怎样分配处理；Supriya Tiwari 和 Pallavi Basu 研究分配完成后，怎样检查描述邻居影响的模型有没有设错。前者提供设计工具，后者补上模型检验。除“网络依赖让实验更难”这一背景判断外，具体方法和性能目前都主要来自论文作者自己的报告。
分组不能只看人数
传统实验常追求处理组与对照组人数接近。但有网络干扰时，同样是各占一半，安排方式可能完全不同。假如处理组全部挤在一个紧密相连的社区里，对照组集中在另一个社区，实验看到的差异就可能混入社区结构。反过来，把处理散布到不同位置，又会形成另一种邻居暴露格局。
S1 因此同时考虑两件事：各组人数是否均衡，以及不同处理如何落在网络拓扑上。拓扑就是网络的连接形状，包括谁与谁相连、哪些节点形成社区、哪些节点拥有很多连接。
论文用 Fisher information matrix 作为设计准则。可以把它理解为一张“这套实验能提供多少参数信息”的总账；作者最大化其行列式，希望选出信息量更高的分配。目标函数一部分推动处理数量平衡，另一部分利用“处理—处理边计数”：统计网络中的一条边两端分别拿到了什么处理。这样，分组不再只是数人头，也会查看这些人站在网络的什么位置。
不过，“最优”需要加限定。它指在论文采用的 Fisher information 准则和模型假设下更优，不代表对所有网络、所有因果问题和所有干扰机制都全局最优。论文还为了简化难以解析计算的部分，考察了一个模型参数趋近于零的极限情形。
在巨大的组合里局部换座
网络一大，逐一检查所有可能的分组几乎不可行。S1 采用局部搜索：先随机生成一套分配，再逐个节点尝试更换处理；如果目标值提高，就保留这次更换，否则撤销。完成一轮后，再从新的随机起点重复，最后留下找到的最好结果。
它像给一张大型宴会座次表调座。你不枚举所有排法，而是不断尝试移动一个人，看整体评分是否上升。代价是，这是一种近似的启发式方法：它能找到较好的已见方案，却没有在材料中证明一定找到整个组合空间的最高点。
作者在五类、每类 250 个节点的模拟网络上测试，包括随机连接的 Erdős–Rényi 图、按空间距离连接的 geometric random graph、容易形成枢纽的 preferential attachment 网络，以及社区大小均衡或不均衡的 stochastic block model。作者报告，该方法在统一的设计准则下高于 Bernoulli 随机分配、图聚类随机化和重随机化，并把处理比例维持在约 0.5。材料没有给出准则差值、运行时间或可扩展网络规模，因此“可扩展到大型网络”仍是作者主张，暂时不能改写成已独立验证的性能结论。
真实网络案例更具体。大学住宿网络包含 278 名学生和 1193 条共同居住关系。算法把两种处理分别分给 140 人和 138 人，并让两种处理分散在网络中，没有让某个子图被单一处理完全占据。论文也应用了 ego-Facebook 网络，但现有材料没有给出足够结果细节。
设计分数高，不等于什么都估得准
S1 还考察三类因果量：总处理效应，即所有人接受处理与所有人不接受处理的总体差别；直接效应，即只改变本人处理时的影响；间接效应，即邻居接受处理带来的影响。
这里出现了很重要的提醒。优化后的分配在作者选定的设计准则上表现最好，却没有让每一种效应估计都稳定。在模拟中，总处理效应的偏差介于 -0.077 和 0.106。可是直接效应偏差从 preferential attachment 网络的 0.584，上升到均衡与不均衡社区网络的 29.508 和 36.535。间接效应在 Erdős–Rényi 和 geometric random graph 中分别出现 -848.3 和 431.402 的大偏差。
作者把差异归因于邻居暴露的分布。某些被处理节点周围的处理比例差异很大，会放大直接效应估计偏差；某些对照节点的暴露接近零，则会让间接效应估计中的倒数项变得不稳定。换句话说，分配方案在一个信息准则上得分高，并不自动保证每个估计目标都好用。实验设计必须和最终想回答的问题一起选择。
模型把邻居压成几类，但分错了怎么办
即使分配已经完成，分析者还要描述“邻居如何影响一个人”。常见工具是暴露映射：把复杂的邻居处理组合压缩成少数类别，例如“本人未处理，但多数邻居已处理”。这种压缩降低了待估计对象的维度，让溢出效应——处理经由邻居传来的影响——更容易识别和估计。
麻烦在于，类别通常由分析者指定。真实影响也许取决于一个关键邻居，而模型却只统计邻居平均值；也可能影响随距离变化，模型却简单分成“有”和“没有”。映射设错后，包括 Horvitz–Thompson estimator 在内的溢出效应估计量可能产生偏差。Horvitz–Thompson estimator 是一种按各单位进入不同处理或暴露状态的概率进行加权的估计方法。
S2 提出一个 design-based model specification framework，也就是主要依据实验本身的分配设计来检查模型规格。其核心工具是随机化检验：沿用实验原来的随机分配规则，计算在所选暴露模型正确时，类似结果会怎样分布，再判断实际数据是否与该模型相容。
这一步补上了实验链条中的质量检查。S1 问“处理怎样放进网络”；S2 问“我们用来解释邻居影响的压缩规则，是否经得住实验数据检验”。作者声称该检验具有渐近有效性的理论保证，并在模拟中观察到较好的检验功效，还用一项研究青少年 anti-conflict norms 效果的现场实验作示例。不过摘要没有披露样本规模、显著性水平、功效数值或与基线方法的定量比较。
为什么值得关注
这两项工作放在一起，给出了一条更完整的思路：先按网络结构设计处理分配，再检验分析阶段采用的暴露映射。前一步减少不利分配带来的信息损失，后一步防止分析者把一个方便但错误的邻居影响模型当成事实。
更关键的是，S1 的结果展示了设计目标与估计目标之间可能错位。网络实验不能只看处理组人数是否平衡，也不能只看优化指标是否提高。研究者还要追问：哪些节点获得了怎样的邻居暴露？这种暴露是否足以稳定估计真正关心的直接或间接效应？分析时采用的分类方式，又是否与数据相容？
局限与未知
- 两篇工作都是 arXiv 预印本，现有材料不足以断言已经同行评审。S1 的大型网络扩展能力和 S2 的检验功效都缺少可报道的定量比较。
- S1 的局部搜索是近似方法，其“最优”依赖特定准则、干扰模型与简化假设；模拟中部分直接和间接效应偏差很大。
- S2 检验的是指定的暴露映射是否与数据相容，不等于完整识别了真实干扰机制；渐近有效也不自动保证有限样本表现。