本报综合外媒报道 据美国得克萨斯大学奥斯汀分校官网1月5日报道，该校麦库姆斯商学院金融学临床助理教授大卫·普尔兹（David Puelz）等人研发了一个新方法，以解决商业实验中的“干扰”问题。

　　当前，许多企业通过随机控制实验来收集数据，以便制定策略。例如，社交媒体平台通过随机实验来了解新闻推送变化能否加强用户参与，银行通过随机实验来了解新的优惠政策能否提高储蓄率。但是，“干扰”现象会造成实验难以显示清晰的因果关系。对于随机对照实验而言，比较理想的状态是：在让实验组的行为发生改变的同时，尽可能地让实验组之外的群体的行为保持原有状态。而所谓的“干扰”是指，在实验过程中，实验组（接受实验变量处理的对象）之外的群体的行为也发生了改变。尤其是当实验组和控制组之间存在某种联系时，很容易出现“干扰”。例如，实验组成员和控制组成员在社交网络上或现实中是朋友、处在同一贸易网络内、来自同一家庭或居住在同一社区。“如果不考虑‘干扰’的影响，实验得出的因果结论将是严重错误的。但如果以恰当的方式将‘干扰’纳入统计分析当中，反而可以带来帮助。”普尔兹说。

　　研究人员设计了一种新方法，用于直接测试“干扰”，例如社交网络中的溢出效应和同群效应。社交媒体平台可以用此方法测试新闻推送变化是否不仅影响用户，还影响用户的朋友；政策制定者可以用此方法测试佩戴口罩是否有助于控制流行病传播；等等。这项新研究聚焦于“空间干扰”，数据来源于另一个研究团队2015年在哥伦比亚城市麦德林开展的一项大规模警务实验。当时的研究团队考察了麦德林市所有街区的犯罪活动，识别出犯罪频发的“热点街区”，并测试了在“热点街区”增加警察巡逻是否给相邻街区造成影响，即“增加警察巡逻”是从整体上减少了犯罪活动，还是使犯罪活动从“热点街区”转移到其他街区。

　　针对2015年研究的课题，普尔兹等人制作了一个图表，其中包含麦德林市各街区的干扰结构信息以及警察巡逻范围与各街区对应起来的所有组合。他们用这个图表创建了一个算法，将数据分为两个子集：非实验组但可能与实验组存在关联的溢出组；既非实验组，也与实验组无关的纯粹的控制组。在图表上，研究人员进行了费舍尔随机测试，以确定溢出效应出现在哪里。

　　此次研究验证了2015年研究的结论：在一个街区加强警察巡逻可减少相邻街区的犯罪活动。普尔兹表示，这一新方法适用于任何针对混杂网络内“干扰”现象的研究，包括企业为改善运营而开展的内部实验。

　　（王悠然/编译）