Propensity scores in the design of observational studies for causal effects

作者: P R Rosenbaum, D B Rubin
来源: Biometrika
主题: 因果推断
相关性: 8/10
机构绿灯: University of Pennsylvania（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomet/asac054

---

一、领域脉络与小综述

• 这个方向是什么：因果推断中，观察性研究面临的核心挑战是“可观测协变量”与“未观测混杂因子”对处理分配与结局的双重影响。倾向得分（Propensity Score, PS）的定义是给定可观测协变量下个体被分配至处理组的条件概率。本文方向的核心问题是：如何在不接触结局变量的前提下，利用倾向得分这一低维总结量来实现协变量在组间的分布平衡，从而为后续的因果估计奠定一个“类随机化”的设计基础？ 该方向目前已高度成熟，是观察性研究因果推断的标准工具之一，但其在“设计阶段”的哲学内涵、与后续结果分析阶段的界限，以及处理未观测偏倚的配套方法，仍在持续被讨论与完善。

• 发展脉络（history）：根据论文摘要与作者自述，该方向的发展脉络如下：

  • 奠基工作（1983年之前）：20世纪80年代前，观察性研究中控制协变量偏差的主要方法是协变量匹配和回归调整。作者指出，当时面临一个明显的悖论：尽管我们拥有大量关于协变量的信息（高维协变量），但在原始高维空间中进行匹配几乎是不可能的，因为很难找到在多个维度上都相似的个体对。这个悖论是本文尝试解决的核心问题之一。
  • 主要进展（1983年——Rosenbaum & Rubin的原始论文）：作者在1983年的原始文章Rosenbaum & Rubin (1983)中提出了倾向得分这一概念。其核心贡献是：证明了在“强可忽略性”（Strong Ignorability）假设下，通过平衡一维的倾向得分，就能同时平衡整个高维可观测协变量分布。这解决了上述悖论，将匹配从高维问题转化为了一个可行的、一维的匹配或分层问题。作者用“paradoxes that propensity scores helped to resolve”（本文摘要）来概括他们的突破。
  • 当前frontier / 本文的位置：这篇是受邀评论，而非新结果。其核心定位是厘清和巩固1983年论文的框架，并回答“如何从关联走向因果”这一更广义的步骤。作者正式将研究分为两个阶段：
    1. 设计阶段（Design）：只使用处理分配与协变量信息，不接触任何结局变量。通过PS匹配/分层来平衡协变量分布，使得设计出的数据近似于一个“准随机实验”。
    2. 结果分析阶段（Analysis）：在设计的基础上，进行因果估计（如比较匹配后样本的结局均值）。 作者认为，这种分隔（separation of design from analysis）能有效防止研究者通过反复调整协变量来“p-hacking”或操控结果。本文进一步讨论了处理未观测混杂的“准实验装置”（如多对照组、工具变量），并主张这些也应被视为“设计”的一部分。

• 子线索聚类：尽管本文聚焦于一个主题，但可识别出几条核心线索：

  • 簇1：匹配与联合协变量平衡（Matching & Covariate Balance）：这是倾向得分的核心应用。目标是使处理组和对照组在PS上分布相似，从而平衡所有可观测协变量。文献关注点在于匹配算法（如近邻匹配、卡钳匹配）的效率和偏差来源。
  • 簇2：强可忽略性与未观测混杂（Ignorability & Unobserved Confounding）：这是因果识别的核心假设。作者在本文中提出了一个关键概念：“principal unobserved covariate” (主要未观测协变量)，并将其与PS并列。在强可忽略性成立时，二者在数学上等价。当该假设不成立时，作者强调需要通过敏感性分析、工具变量等方法进行“补救”。
  • 簇3：准实验设计与设计敏感性（Quasi-experimental Designs & Design Sensitivity）：作者认为，纯粹依靠PS调整可观测协变量无法解决未观测混杂问题。因此，真正的因果推断需要“quasi-experimental devices”（准实验装置），如寻找“multiple control groups”（多个对照组）、“instrumental variables”（工具变量），并设计“sensitivity analyses”（敏感性分析）来评估结果对未观测混杂的稳健性。

• 这个方向在追问的核心问题（2-4 个）：

  1. 核心识别问题：在强可忽略性条件下，如何最优地利用倾向得分进行匹配、加权或分层，以最小化由有限样本和模型误设带来的偏差？
  2. 核心假设问题：当强可忽略性不成立时，如何系统地、有原则地评估未观测混杂带来的偏倚程度（敏感性分析）？如何利用工具变量、断点回归、差分法等准实验设计来绕过强可忽略性假设？
  3. 核心实践问题：如何在“设计”阶段（不接触结局变量时）有效地诊断协变量是否被“充分”平衡？应该用什么标准（如标准化均值差、KS统计量）？

• ⚠️ 作者的 framing（这是作者的说法）：

  • 作者如何frame缺口：作者将1983年自己的工作定位为解决了一个“看似悖论”的芭蕾舞步——即在无法直接匹配高维协变量时，通过PS这个一维总结实现了有效的多维协变量平衡。他们进一步将领域缺口frame为“从关联到因果的步骤”（the step from association to causation），而这个步骤的关键在于处理未测量偏倚。因此，本文的贡献不是提出新方法，而是重新定义了“设计”这一阶段，并将敏感性分析和准实验装置嵌入到“设计”的框架下，使其成为因果推断的逻辑必然后续。他们的筹资框架是：PS解决的是可观测混杂，而真正的挑战在于未观测混杂，后者必须通过更复杂的“设计”来解决。
  • 被淡化/回避的竞争路线：作者未明确提及但存在的竞争路线包括：
    1. 结局回归（Outcome Regression / Confounding Adjustment in Modeling）：在了一个在“分析”阶段通过模型（如线性回归、G-computation公式）直接调整协变量的学派。这个学派不强调“设计”与“分析”的严格分离。本文明确强调了“设计”的优先性，将结局回归视为分析阶段的次要行为。
    2. 倾向得分加权（Inverse Probability of Treatment Weighting, IPTW）：虽然属于PS家族，但本文更侧重“匹配”与“分层”作为核心技术，对IPTW的讨论较少。IPTW的权重可能极大，对模型误设非常敏感。
  • 什么明显该被引/该存在、却没出现在 intro 里？：由于是摘要，没有完整intro，所以无法判断。但从领域常识看，一个明显的“未出现”的经典工作是：Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701. 这是现代反事实因果模型（Rubin Causal Model）的奠基之作，是理解强可忽略性定义的核心背景。本文只引用了1983年（包含PS）论文，但未提及1974年的原始反事实框架。（一个值得查证的点：这是否是作者的疏忽？或者他们认为读者已经默认了这个背景？）

• 张力：未见明显对立引用。这是一篇综述和评述，作者倾向于调和和整合已有工作，而非指出矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

• 符号：

  • \(i = 1, \dots, N\): 个体标识。
  • \(Z_i\): 处理指标。\(Z_i = 1\) 表示接受处理（Treatment），\(Z_i = 0\) 表示控制（Control）。
  • \(\mathbf{x}_i\): 可观测的协变量向量（高维，例如 \(d\) 维），包括所有可能影响处理和结局的、且在分析前已记录的因素。
  • \(p(\mathbf{x}_i) = \Pr(Z_i = 1 | \mathbf{x}_i)\): 倾向得分（Propensity Score, PS），这是一个参数（或非参数函数），是给定协变量下被处理的条件概率。
  • \(Y_i(z)\): 潜在结局。\(Y_i(1)\) 是个体接受处理时的潜在结局，\(Y_i(0)\) 是个体接受控制时的潜在结局。这是不可观测的，同一时间只能看到其中一个。
  • \(Y_i^{obs} = Z_i Y_i(1) + (1-Z_i) Y_i(0)\): 实际观测到的结局。
  • \(\mathbf{1}\{ \cdot \}\): 指示函数。

• 模型：

  • 强可忽略性（Strong Ignorability）：这是识别因果效应的核心假设。
    1. Unconfoundedness：在给定协变量 \(\mathbf{x}_i\) 的条件下，处理分配与潜在结局是独立的：\((Y_i(1), Y_i(0)) \perp\!\!\!\!\perp Z_i \mid \mathbf{x}_i\)。
    2. Common Support / Positivity：每个个体都有非零的概率接受处理或控制：\(0 < p(\mathbf{x}_i) < 1\)。
  • 数据结构：这是一个独立同分布（i.i.d.）的数据生成过程。

• 可观测数据：

  • 研究者能观测到的是：\(\{ (Z_i, \mathbf{x}_i, Y_i^{obs}) \}_{i=1}^N\)。即每个个体的处理状态、全部协变量、以及实际发生的结局。
  • 研究者不能观测到的是：未观测到的混杂因子（\(\mathbf{u}_i\)；如果存在），以及每个个体的反事实结局，例如如果处理组个体接受控制时的结局 \(Y_i(0)\)。

第二步：讲最小内核

• 最简特例（首选）：
  • 假设我们只有一个二元协变量 \(x \in \{0, 1\}\)，且处理分配机制是已知的。
  • 模型：\(p(x) = \Pr(Z=1 | x)\)。在 \(x=1\) 的人群中，有 \(p(1)=0.8\) 的概率接受处理；在 \(x=0\) 的人群中，有 \(p(0)=0.2\) 的概率接受处理。
  • 数据：假设我们有10个人，其中5个人 \(x=1\)（3个处理，2个控制），5个人 \(x=0\)（1个处理，4个控制）。处理组的平均结局是 \(\mu_{treat} = (3Y_1 + 1Y_0)/4\)，控制组的平均结局是 \(\mu_{ctrl} = (2Y_1 + 4Y_0)/6\)。直接比较会得到有偏的估计，因为\(x\)不同组间的分布不均衡。
  • 核心思路：
    1. 倾向得分的作用：如果我们把人群按照 \(p(x)\) 的值（这里只有两个值：0.2 和 0.8）进行分层。在每一层（例如所有 \(x=0\) 的人，其 \(p=0.2\)），处理组和控制组的 \(x\) 分布是完全相同的（都是100%的 \(x=0\)）。 这就实现了协变量 \(x\) 的完全平衡。
    2. 为什么“平衡PS”就是“平衡协变量”：在这个特例里，\(p=0.2\) 恰好完全由 \(x=0\) 决定。更一般地，如果PS函数是协变量的一个一维总结，那么在给定PS（即 \(p(x)=a\)）的条件下，原始协变量 \(x\) 的分布与是否被处理（\(Z\)）是独立的。这就是PS的核心性质：\((Z \perp\!\!\!\!\perp x) \mid p(x)\)。因此，在PS上匹配或分层，就能自动平衡所有可观测协变量。
    3. 例子：我们可以简单地比较在 \(p=0.2\)（即 \(x=0\)）层内，处理组和对照组的结局差异，得到一个无偏估计（在强可忽略性下）。同理比较 \(p=0.8\)（即 \(x=1\)）层内的差异，再根据每层人数加权平均，就得到了整个群体的平均处理效应（ATE）。
  • 这个最小特例揭露了本质：倾向得分的核心价值不在于它本身是一个“得分”，而在于它作为一个一维总结，具备了平衡高维协变量分布的数学性质。在强可忽略性下，它把高维的协变量平衡问题转化为了一个一维的匹配/分层问题。作者将1983年的工作正是建立在这个最简单的直觉上，并将其推广到更一般的协变量（连续、高维）和处理分配机制。

三、这篇论文做了什么

• 三句话：

  1. 研究了什么问题：重新阐明了倾向得分在观察性研究设计阶段（而非结果分析阶段）的角色，并系统性地分析了如何利用倾向得分来平衡高维协变量，以及如何通过准实验设计来应对未观测混杂。
  2. 核心工具/方法：倾向得分（PS），强可忽略性假设，“主要未观测协变量”（principal unobserved covariate）的概念，以及包括多对照组、工具变量、敏感性分析在内的准实验“设计”装置。
  3. 主要结论：倾向得分是连接“可观测协变量”与“不可观测混杂”的桥梁。在强可忽略性下，PS和“主要未观测协变量”等价。将研究严格区分为“设计”（基于PS平衡协变量）和“分析”（估计因果效应）两个阶段，能有效提高因果推断的可信度。真正的因果推断必须基于精心设计的“准实验”框架，而非仅仅是统计调整。

• 关键设定与假设：

  • 假设1：强可忽略性。这是PS方法有效性的核心基石。本文没有提出新的假设，而是再次强调了它的重要性。
  • 假设2：PS模型是正确的。即 \(p(\mathbf{x}_i) = \Pr(Z_i=1 | \mathbf{x}_i)\) 的模型被正确指定。在实践中，这通常是一个logistic回归模型。
  • 设计阶段的定义：不涉及任何结局变量。这是本文一个至关重要的设定。只使用处理分配 \(Z\) 和协变量 \(\mathbf{x}\) 来构建PS、进行匹配/分层，并检查协平衡。作者认为这能防止研究者为了得到“好看”的结果而操纵分析。
  • 与“主要未观测协变量”的关系：作者提出，如果存在未观测混杂 \(\mathbf{u}_i\)，那么“真实”的处理分配概率应该是 \(\Pr(Z_i=1 | \mathbf{x}_i, \mathbf{u}_i)\)。在强可忽略性下，这个概率等于 \(p(\mathbf{x}_i)\)，相当于 \(\mathbf{u}_i\) 是可以被 \(p(\mathbf{x}_i)\) 表达的函数。因此，作者将 \(p(\mathbf{x}_i)\) 称为“主要观测协变量”，将 \(\mathbf{u}_i\) 称为“主要未观测协变量”，并认为二者是等价的。

• 主要结果：

  • 结果1（核心性质）：在强可忽略性下，如果两组在PS上匹配，那么它们的可观测协变量分布是平衡的。这是PS方法的理论基础。
  • 结果2（概念框架）：提出了“主要未观测协变量”的概念，并论证了PS与它的等价性，从而将未观测混杂问题纳入到一个统一的框架下。
  • 结果3（实践指南）：系统性地描述了在“设计”阶段如何识别“偏倚风险”，以及如何通过选择多对照组、工具变量等准实验装置，增强对因果推断的Design Sensitivity（设计灵敏度，即能从多大程度上检测并揭示未观测偏倚的能力）。
  • 结果4（敏感性分析）：详细解释了在1983年论文中提出的倾向得分敏感性分析框架，即通过对一个未知的未观测混杂因子施加不同的效应量，来观察因果结论是否会因此不显著。

• 证明路线与技术技巧（理论型必写，要具体）： 本文不是一篇理论证明论文，而是一篇概念框架与逻辑论证的综述。其“证明路线”的核心是概念辨析与逻辑链构建：

  1. 第一步：重定义问题。将观察性研究中的因果推断问题，从“如何估计效应”重新定义为“如何设计一个可信的近随机实验”。
  2. 第二步：提供平衡的工具。引入倾向得分，并论证其均衡性。论证过程是：因为 \(Z \perp\!\!\!\!\perp \mathbf{x} | p(\mathbf{x})\)（在强可忽略性下），所以匹配在PS上的两组，其全部可观测协变量分布都趋于一致。这个论证不需要复杂的数学，更多是基于条件概率的基本性质。
  3. 第三步：构建对抗未观测混杂的堡垒。作者承认PS无法解决未观测混杂。因此，下一步的逻辑是：一个设计良好的观察性研究，必须包含一套“准实验”装置（如多对照组、工具变量、敏感性分析）。这些装置的目标不是“调整”混杂，而是评估或检测其存在。
  4. 第四步：将敏感性分析嵌入设计。作者将1983年提出的敏感性分析框架（通过对一个虚拟未观测混杂因子施加效应来量化倾向性）纳入到“设计”阶段，因为它在分析结局之前就能对研究结论的“稳健性”给出一个先验判断。
  5. 技术技巧点名：
     • Monotonicity of sensitivity parameter：敏感性分析中引入一个参数 \(\Gamma\)（表示未观测混杂对处理分配和结局的效应倍数）。通过让\(\Gamma\)从1增加，观测处理效应估计值变动的范围。
     • Quasi-experimental design：利用工具变量（IV）这种源自计量经济学的思想，并结合PS，来试图识别出不受未观测混杂影响的子集（专注于“compliers”）。
     • Matching within PS calipers：使用卡钳匹配，即在PS差异小于某个阈值（caliper）的个体之间进行匹配，以实现平衡。

• 真实例子与应用： 本文没有进行新的模拟实验或真实数据分析。它是1983年论文的受邀评论，因此其所有论证都是基于对1983年原始论文的回顾。在1983年论文中，例子是经典的“心导管插管”案例：

  • 场景：评估心导管插管（一种治疗方式）对急性心肌梗死患者生存率的影响。数据来自观察性研究。
  • 如何套用方法：研究者用一组协变量（年龄、性别、心电图异常、并发症史等）拟合logistic回归，得到每个患者的PS。然后，他们按照PS进行分层（如分成5层，每层的PS范围都窄），并检查每层内的协变量是否在处理组和对照组之间平衡。通过这种分层，他们实现了对可观测协变量的充分控制。
  • 结果：在他们控制的协变量下，心导管插管显示出显著的生存获益。本文通过这个例子，展示了PS在设计阶段的作用：在接触结局前，你已经通过PS平衡了协变量，使得后续的分析（如分层后比较各层内死亡率）更像是一个随机化试验。

• 🔎 结论是否比证明窄：

  • 是的。本文最核心的主张是“设计的分离与优先性”。这个主张没有被“证明”，而是被作为一个哲学原则或最佳实践来倡导。作者只是通过逻辑论证（如“避免p-hacking”）来支持它，但并没有给出一个数学定理来证明“分离设计比不分更好”或“设计阶段的PS匹配一定优于分析阶段的所有方法”。
  • 具体语句：作者说“The design of an observational study also prepares for the step to causation: by selecting comparisons to increase the design sensitivity...”。这里的“prepares”是一个行动指南，而不是一个“无论在什么情况下都成立”的数学结论。在更复杂的设定（如高维、非线性、实用导向）下，将设计和分析紧密结合可能更有效。这是一个需要研究者自己判断的张力。

四、开放问题（点到为止，扎根具体语句）

1. “主要未观测协变量”的结构与估计：作者提出存在一个“principal unobserved covariate”，但如何定义或估计它？它对因果效应的识别和估计有何可量化影响？是否可以通过某种约束（如monotonicity, 交互作用结构）来uniquely identify它，从而将未观测混杂问题转化为一个可处理的结构方程模型问题？

   • 扎根点：本文中“propensity score and the principal unobserved covariate are equal when treatment assignment is strongly ignorable”这一句。这暗示了当强可忽略性不成立时，二者不等。一个开放问题是：如何建立二者之间的数学关系，并基于此进行更精细的敏感性分析？

2. “设计”阶段与“分析”阶段之间是否存在不可忽视的权衡：作者强调二者的严格分离。但如果在设计阶段使用了特定模型（如logistic回归）来估计PS，而这个模型本身就是“分析”的一部分（因为PS的估计依赖于协变量，而这影响了后续如何平衡），那么这种分离在实践中是否严格可行？是否存在一个理论上的最优策略，其中“设计”与“分析”的界限是模糊的，但统计效率更高？

   • 扎根点：作者反复强调“design...precede any examination of outcome variables”。但PS的估计本身是一个统计建模问题，它使用的协变量选择是否真的能独立于未来将进行的“分析”？一个严谨的非参数或数据驱动的框架（如通过正则化或交叉验证选择用于匹配的变量，且不与结局变量有任何关联）是否能形式上实现作者的意图。

3. 超过“广义嵌套”的准实验装置：作者提到了多对照组和工具变量。一个开放问题是：能否系统性地构建与组合多种准实验设备，来提供比单一设计更强大的因果证据？ 例如，同时使用工具变量、断点回归和差分法，并将它们的结果通过一个元分析框架进行整合，以评估跨不同设计方法的稳健性。

   • 扎根点：最后一段提到“quasi-experimental devices such as multiple control groups, and by including the economist’s instruments”。这暗示了组合的可能性，但作者没有给出如何组合的系统性框架。这是一个非常丰富的“设计”问题。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论