因子实验如何找出真正的效应修饰

假设你在测试两种促销手段：提醒短信和现金奖励，都可以开或关。你不只想知道哪一种总体有效，还想知道短信会不会放大奖励的作用，以及这种组合是否只对某类人有效。很快，问题就从“两个方案哪个好”膨胀成一张大表：每种处理及其组合，都要和年龄、收入等基线特征逐一配对。表越大，偶然撞上“显著结果”的机会越多。

Nakamura 和 Emoto 的这篇 arXiv 预印本，试图同时解决两个问题：怎样减少高维估计中的偏差，以及怎样在搜索整张表时控制总体误报。以下结论均来自这篇论文，尚无独立复现或第三方研究交叉印证。

先分清三种问题

因子实验（factorial experiment）会同时随机改变多个处理成分。若有 $K$ 个只能开或关的成分，就有多种处理组合。研究者可以估计单个成分的主效应，也可以研究交互作用——一个成分的效果是否取决于另一个成分是否存在。

效应修饰问的是另一层问题：处理效果是否随实验开始前已经存在的特征而变化。比如，收入可能不只预测消费高低，还可能改变现金奖励的效果。前者是普通风险预测，后者才是效应修饰。

论文用 Walsh–Hadamard 对比整理这些效应。可以把它理解成一套给不同处理组合加减分的规则：某些加减组合提取主效应，另一些提取二阶或更高阶交互。除空对比外，共有 $2^K-1$ 个对比。若候选协变量有 $p$ 个，需要考察的“协变量—对比”单元就是

$$p(2^K-1).$$

这也解释了麻烦为何来得如此快：因子数量进入指数项。

它寻找的“修饰”究竟是什么

论文没有声称恢复任意形状的真实异质性。它先把每个条件处理对比投影到标准化协变量上，也就是用一条最佳线性近似，描述处理效果如何随这些特征变化。单元 $(j,S)$ 的参数 ${\theta }_{jS}^{*}$，表示协变量 $j$ 在对比 $S$ 的这项线性投影中贡献多少，同时线性调整其他已纳入特征。

因此，${\theta }_{jS}^{*}=0$ 的含义很具体：在当前特征字典和研究人群中，特征 $j$ 对该处理对比没有额外的线性解释力。它不排除非线性修饰，也不代表换一组特征或换一个人群后结论仍然不变。标题里的“真正”应按这个受限目标理解，而不是把方法当成识别一切人群差异的探测器。

关键一步：先减去基线，再利用随机化

一种直观做法，是分别估计每个处理组合下的结局，再把这些估计相减。问题是，每个模型只能使用落入相应处理组的样本。

作者改用 residualized Walsh–Hadamard direct score，可译作“残差化的 Walsh–Hadamard 直接得分”。它让每条观测都参与每个对比，并先从结局中减去一个只依赖处理前协变量的基线预测。这个基线像是先扣掉“这个人本来大概会达到什么水平”，让剩余变化更容易显出处理信号。

这里最重要的性质来自随机分配和 Walsh 对比的零和结构：无论减去哪个不含处理信息的基线函数，对比得分的条件均值都不变。换句话说，基线模型主要决定效率，而不决定目标本身；基线估得准，区间可能更窄，估得不理想则可能损失功效。

作者还采用交叉拟合：先在一部分样本上训练基线模型，再到未参与训练的另一部分样本上计算得分。论文证明，在每一折训练数据给定后，基线估计误差造成的扰动，其条件均值精确为零。作者将这种性质称为“global insensitivity”。据其理论，这使最终影响函数的余项只需满足逐折加权 $L_2$ 一致性，不必预先规定多项式收敛速度，也不需要常见的 nuisance product-rate 条件。不过，基线误差对后续 score Lasso 的影响仍须满足另一项明确的惩罚尺度条件，并非完全没有速率约束。

去偏之后，还要同时管住整张表

得到每个对比的得分后，作者用 Lasso 做稀疏回归。Lasso——一种会把许多较弱系数压到零的回归方法——适合协变量很多的场景，但收缩本身会给区间推断带来偏差。论文再用 nodewise residualization 做一步校正：先从目标特征中剔除其他特征能够线性预测的部分，再沿这个剩余方向修正系数。由于所有处理对比共享同一套协变量设计，这项计算可以跨对比复用。

单个置信区间仍不够。假如研究者查看数百个单元，即使每项检验本身看似严格，也可能挑中一次偶然波动。作者因此建立覆盖完整参数网格的高维高斯近似——用一个相关的高维高斯向量近似所有标准化估计误差的联合波动。

实际校准使用 Walsh-spectral multiplier bootstrap。它以随机乘子反复扰动估计出的影响值，同时保留不同单元之间的依赖关系，据此确定整张表共用的临界值。论文称，这可以构造同时置信带；再配合 Romano–Wolf step-down——从最可疑的假设开始、逐轮重算门槛的多重检验程序——可在任意真假组合下控制强族错误率，也就是把“至少错报一个”的概率控制在设定水平。该过程不要求 effect heredity：即使低阶主效应不明显，也不强迫高阶交互随之为零。

为什么值得关注

这项工作的价值不在于又给单个效应做了一条区间，而在于把三件通常分开处理的事接到了一起：用全部随机样本构造每个因子对比，用去偏步骤处理高维稀疏回归，再对整张“特征 × 对比”表给出联合推断。

论文全文还报告了模拟研究：在其主要设计中，同时置信带覆盖率与 Romano–Wolf 族错误率接近名义水平；带交叉拟合的二次 Lasso 基线会随样本增加接近 oracle 基线的精度；错误设定但仍不含处理信息的基线大致保持校准，却可能明显损失功效。相反，不做交叉拟合的诊断方案虽然区间看起来更短，覆盖却会恶化。供稿文本中的具体样本量、覆盖率和区间宽度数字未完整保留，因此这里不据此宣称它在实证上优于其他方法。论文自己也说明，在特定高斯模拟中，乘子校准相对 Bonferroni–Holm 的改善不大；它的经验主张主要是校准能力与对基线质量的适应，而非普遍数值优势。

局限与未知

• 理论把因子数 $K$ 固定，只允许协变量维度随样本量增长。由于对比数量为 $2^K-1$，结论不能直接外推到因子数也持续增加的实验。
• 高维高斯近似、同时置信带和强族错误率控制，都依赖论文列出的统一 nuisance、基线、studentization 与 influence-array 等正则条件，并非无条件保证。
• 目标是选定特征字典下的线性投影系数，不是完整的非参数异质效应；论文研究已知随机分配概率的实验，也只主张控制族错误率，没有给出错误发现率控制。