治疗一旦开始：错峰实验怎样推断

医院准备上线一套新流程，但不可能让所有科室同一天切换。于是它们分批开始：甲科室先用，乙科室晚两周，一旦上线就不再退回旧流程。这样的实验很常见，也很难分析。因为同一时刻，有的科室已接受处理，有的尚未接受；到了后期，大家又可能都已切换，简单比较“处理组”和“对照组”就不够了。

Xinyuan Chen 的这篇预印本把这类安排统称为 absorbing onset——可理解为“吸收式起始”：每个单位从未治疗单向切换到治疗，此后一直处于治疗状态。它涵盖 multiple-baseline experiments（多个对象在不同时间开始干预）、staggered adoption designs（错峰采用设计）和 stepped-wedge trials（阶梯楔形试验）。论文关心的不是只找出“某处可能有效”，而是进一步追问：效果是否超过某个门槛？有多少“单位×时期”真的达到这个门槛？

以下结论均来自这篇 arXiv 预印本。供稿未提供独立复现或第三方评述，相关理论边界也需要连同假设一起理解。

“发现有效”为什么还不够

这类研究常用随机化检验。它不先假定效果服从某种统计分布，而是回到实验原本的随机规则：把实际观察到的结果，与其他可能的上线时间安排逐一比较。如果实际结果在这些安排中非常极端，就说明它不太像单由随机分配造成。

传统检验经常针对 尖锐零假设（sharp null）：每个单位、每个时期的处理效果都恰好为零。这个说法很强，但拒绝它所得出的结论其实很弱。它只能说明某个地方存在某种效果，不能证明效果很大，也不能证明多数单位受益，更不能证明效果持续存在。

举个简化的例子：十个科室接受新流程，连续观察二十周。如果只有一个科室在某一周出现变化，尖锐零假设也可能被拒绝。但管理者真正想知道的，往往是“多数科室是否改善”“改善是否超过实际有意义的幅度”，或者“效果是否持续了若干周”。

论文因此把分析对象换成一张效果矩阵。矩阵里的每个格子对应一个 cell effect，即某个具体单位在某个具体时期的处理效果。效果可以因科室而异，也可以随时间改变，不必压缩成一个全局平均数。

从一个总平均，转向一格一格地问

论文研究两类假设。

第一类是 bounded null（有界零假设）：所有格子的效果都不超过预先给定的界限。拒绝它，意味着至少有一个格子的效果越过了界限。把界限设为零，检验的就不只是“所有效果恰好为零”，而是更宽的说法：“没有任何格子出现正效果”。

第二类是 quantile null（分位数零假设）。这里的“分位数”不是比较两组结果分布的分位点，而是把所有格子的处理效果从小到大排列，再问其中某个位置是否超过门槛。拒绝相应假设，可以推出至少一定数量的格子超过了这个门槛。换句话说，它把“某处有效”推进到“至少有多少处有效”。

难点在于，每个格子只展示了一个现实：它当时要么已经接受治疗，要么还没有。另一个状态下会怎样，是看不见的反事实。论文的办法是利用随机起始时间，构造其他可能的上线安排，再在零假设允许的所有潜在结果表中寻找最不利情形。只要检验在这个最不利情形下仍能控制误报率，它就具有有限样本有效性——即使单位数量很少，也不需要依赖“大样本近似”来兜底。

关键前提：只看现在，不追究何时开始

这套推断依赖一个重要假设：某个格子的潜在结果只取决于它当前是否接受治疗，不取决于治疗究竟从什么时候开始。论文称之为 treatment-duration irrelevance。

它包含两层意思。已经治疗的格子，不因治疗持续了一周还是十周而改变；尚未治疗的格子，也不因治疗将在明天还是一个月后开始而提前变化。这样，每个格子便可以简化为两个潜在结果：治疗状态下一个，未治疗状态下一个。

这个假设让错峰时间可以被当作随机分配机制来使用。对 bounded null，论文借助“效果递增”的统计量建立有限样本有效性：如果提高已治疗格子的结果，或降低未治疗格子的结果，统计量不会反向变小。对 quantile null，论文把最不利的 $p$ 值化成对有限多个格子集合的最大化问题，并为 Wilcoxon 秩统计量给出可计算的保守包络。Wilcoxon 方法主要利用一行数据内部的相对排序，因此单个极端格子的影响有界；普通均值对极端的未约束格子更敏感，可能让相应检验失去实际拒绝能力。

真正增加信息的，不只是多观察几周

论文另一个值得注意的结论涉及检验功效，也就是实验识别真实效果的能力。

在单位数 $N$ 固定、时间序列长度 $T$ 增长、每个单位有 $K_{T}$ 个可选治疗起始时间的特定渐近框架下，针对固定备择，bounded-null 检验的 $p$ 值按 $K_{T}^{- N}$ 衰减，并且论文给出了同阶下界。直觉是：每个单位只随机一次，随机的是“何时开始”，所以随机化参考分布的丰富程度取决于可区分的起始时间，而不是日历上总共记录了多少期。

这并不是说增加观察期永远无用。 $K_{T}$ 本身可以随 $T$ 增长；更长的序列如果带来更多可选且可区分的起始时间，仍可能提高功效。准确的说法是：在论文设定的框架里， $T$ 通过起始窗口起作用，不能把“多记几周数据”自动等同于“获得同等多的随机化信息”。

这对实验设计很实际。若研究者把大量观测期放在所有单位都尚未开始、或都已经开始之后，却没有扩大可随机的上线窗口，额外记录未必以同样方式增强检验。相反，起始时间能有多少种真实可选安排，是需要单独考虑的设计资源。

为什么值得关注

这篇工作的价值，在于它把错峰实验的结论从“存在某种效果”推向更贴近决策的问题：是否有格子的效果超过指定幅度，以及超过门槛的格子至少有多少。它允许单位和时期之间存在异质性，也就是不同对象、不同阶段的效果不必相同。

同时，它没有把“小样本”当成只能等待更多数据的问题。阶梯楔形或多基线实验往往本来就只有少数单位；论文直接依据随机化规则建立有限样本检验，更符合这类设计的现实。它还明确区分了序列长度与起始窗口，提醒研究者：观察得久，并不等于随机化安排足够丰富。

局限与未知

最核心的有效性结论依赖 treatment-duration irrelevance。若效果会随治疗时长变化，或对象会提前预期即将开始的治疗，主结果不能原样套用。论文讨论了假设部分或完全失效的情形，并提出用“持续时间依赖”和“提前反应”两个参数做敏感性分析。
$p$ 值按 $K_{T}^{- N}$ 衰减，只适用于固定 $N$ 、增长的 $T$ 、有 $K_{T}$ 个可选起始时间且面对固定备择等特定条件，不能写成所有错峰实验的普遍规律。
供稿虽然说明论文包含模拟和一个 multiple-baseline 应用，但未提供可核对的实验数字、复现结果或同行评审信息。因此，目前最稳妥的评价是：它给出了一套更有表达力的随机化推断框架；这些方法在不同真实场景中的表现，仍需更多验证。