El nivel del spillover no se puede estimar: solo se puede asumir
Watson et al. demuestran que, bajo aleatorización por conglomerados con tamaño de exposición fijo, los datos identifican la forma del kernel de spillover pero nunca su nivel — este queda aliasado con el intercepto y el efecto directo, sin importar cuánta muestra se acumule [1]. La implicación práctica es demoledora para quien crea que un test A/B geo bien ejecutado habla por sí solo: todo estimador descansa en un supuesto de anclaje que fija ese nivel, y ese supuesto no es testeable con los datos del experimento.
Lo que hace operativo este hallazgo es la descomposición exacta del sesgo en tres términos: el término de nivel (procedente del nivel no identificado), el error de forma (mala especificación del kernel) y el término de filtración absorbido por la geometría del diseño [1]. Los tres son computables antes de recoger datos. Esto significa que un equipo de medición competente puede — y debería — cuantificar su exposición al sesgo en la fase de diseño, no post-hoc. Que no lo haga es una elección, no una limitación técnica.
Resultados binarios: el bloqueo resuelve la varianza, pero la varianza no se puede estimar sin sesgo
La mayor parte de las métricas de incrementalidad en marketing digital son binarias: convirtió o no, compró o no, visitó o no. Azriel, Krieger y Kapelner derivan la varianza exacta del estimador de diferencia de medias bajo el modelo no paramétrico de Neyman para estos resultados y prueban que cualquier diseño balanceado con balance de covariables es asintóticamente óptimo [2]. Esto sitúa al bloqueo como la estrategia de diseño de referencia — no por conveniencia, sino por optimalidad demostrada.
La varianza exacta depende de probabilidades de éxito desconocidas, lo que hace imposible su estimación insesgada [Fuente 2].
Los estimadores conservadores propuestos — generalización CMH y extensión Robins — sacrifican ajuste puntual a cambio de validez en muestras finitas [2].
La lectura que hacemos es que el marco de Azriel et al. cierra un círculo que muchos practitioners dejan abierto: se puede tener un diseño óptimo en varianza y una inferencia conservadora en muestras finitas, pero el precio es aceptar que los intervalos de confianza serán más anchos que los que produce un z-test ingenuo. En contextos de marketing, donde las tasas de conversión son bajas y las muestras no siempre enormes, esa anchura extra no es un defecto del método sino una representación honesta de la incertidumbre. El estimador CMH es asintóticamente ajustado bajo alternativas locales [2], lo cual garantiza que la holgura conservadora desaparece cuando la muestra lo permite — pero solo entonces.
Lanzamientos escalonados: estimar el funcional, no completar el tensor
Los diseños de adopción escalonada — lanzamientos regionales secuenciales, activaciones graduales de producto — son la norma operativa en marketing. Bordino, Berrett y Klopp formalizan que la señal en estos diseños sigue un modelo Tucker2 con núcleos específicos por rebanada y un patrón estructurado de datos faltantes [3]. Su algoritmo espectral no intenta completar el tensor entero de resultados potenciales, sino que apunta directamente al funcional bilineal de interés — el efecto de tratamiento —, lo que resulta más eficiente.
Creemos que este resultado tiene una consecuencia directa para la planificación de rollouts: añadir más fases a un lanzamiento escalonado no siempre compra precisión adicional. La transición de fase identificada por Bordino et al. [3] sugiere que, una vez saturado el número de unidades de tratamiento, el valor marginal de una cohorte adicional colapsa. El diseño óptimo no es el que tiene más fases, sino el que calibra fases contra unidades disponibles. La reducción de cuatro bloques anclada que extiende el resultado al caso general ofrece una herramienta concreta para esa calibración [3].
Donde convergen los tres marcos
Los tres cuerpos de trabajo comparten una lección que la industria de medición aún no ha internalizado: la calidad de una estimación causal se decide en el diseño, no en el análisis. Watson et al. muestran que el sesgo por spillover es computable antes de recoger datos [1]. Azriel et al. prueban que el balance de covariables en el diseño determina la optimalidad asintótica [2]. Bordino et al. demuestran que la estructura de datos faltantes del diseño escalonado gobierna la eficiencia del estimador [3]. Tres problemas distintos — spillover espacial, resultados binarios, adopción escalonada — y una misma conclusión: el momento de auditar supuestos es antes del primer dato, no después del último.
Fuentes consultadas
- Samuel I. Watson, Penny Hancock, Jack Fraser-Govil, Kieran DeWalt, and Thomas A. Smith. Embracing Spillover: Spatial Effects in Experiments. arXiv:2607.06506, 2026.
- David Azriel, Abba M. Krieger, and Adam Kapelner. Optimal Designs with Robust Inference for Binary Treatment Effects. arXiv:2607.05768, 2026.
- Alberto Bordino, Thomas B. Berrett, and Olga Klopp. Direct and efficient estimation of bilinear forms in staggered tensor panels. arXiv:2607.06330, 2026.