Eviction, inability to pay rent, and youth mental health: a fixed effects study

作者: Gabriel L Schwartz, Nigel Walsh Harriman, Bruce Ramphal, Natalie Slopen
来源: American Journal of Epidemiology
主题: 流行病学
相关性: 5/10
机构绿灯: Harvard University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/aje/kwaf212

---

一、领域脉络与小综述

• 这个方向是什么：本方向研究“住房不稳定性”（housing insecurity）——具体化为“驱逐（eviction）”和“无力支付租金（inability to pay rent/mortgage）”这两种政策可干预的暴露——对青少年（9-13岁）心理健康（内化症状、外化症状、睡眠障碍）的因果效应。研究者面临的核心统计问题：在纵向观察性数据中，如何识别并估计时变暴露对重复测量的结果变量的平均处理效应，并处理个体时不变混杂（如遗传、童年早期经历）与残留的时变混杂（如家庭收入变化、父母情绪状态、社区特征）。这是一个典型的应用因果推断场景，方法学成熟度较高（固定效应、GEE、混合模型、g-methods等工具已广泛使用），但该特定主题（住房→青少年心理健康）的纵向证据仍有限，尤其是考虑了时变暴露的相互竞争效应（驱逐 vs. 无力支付）的研究。该领域的瓶颈主要在于：无法通过固定效应模型排除时变混杂（如家庭崩溃事件同时导致“无力支付”和“心理健康恶化”），以及暴露的测量时机与暴露效应的延迟（驱逐发生在某波调查之前多久？心理健康恶化是暴露的即时反应还是长期累积？）。

• 发展脉络（history）：从作者的引用中，可以梳理出两条主要线索：

  1. 横截面/短面板的住房与心理健康研究（奠基工作）：引用 Sandel et al. (2018, Pediatrics) 发现住房问题与儿童健康不良的横截面关联；Cutts et al. (2018, J Pediatr) 发现住房相关公共援助与儿童食物保障的关联。这些工作为“住房不稳定性有害”提供了初步证据，但无法区分因果与选择（即，不稳定的家庭本就有更多心理健康风险因素）。
  2. 考虑时不变混杂的纵向研究（主要进展）：作者指出，“A critical limitation of these studies is that associations may be driven by unmeasured time-invariant confounding (e.g., family's baseline mental health, genetic factors, stable sociodemographic conditions).” 他们的解决方式是采用 individual-level fixed effects (FE) 模型——这是流行病学与社会科学中处理时不变混杂的标准策略（如引用 Finkel et al. (2003) 等经典参考书）。作者强调，他们的研究首次在如此大的全国样本（ABCD Study）中、同时将驱逐和无力支付作为时变暴露、并采用个体FE来控制所有时不变混杂，来估计它们对青少年心理健康的长期（多波）影响。
  3. 竞争性暴露与滞后效应（当前 frontier）：作者特别指出，多数研究仅关注单种暴露（如驱逐），而忽略了“无力支付”这种更普遍、且可能同样有害的暴露。他们通过“同时纳入两种暴露”的模型（即控制彼此，估计它们的独立效应），试图区分两者不同的作用路径。此外，他们也注意到“健康的社会决定因素与心理健康之间的关联可能随时间累积，且在关键发展时期（如青春期早期）尤为重要”——这暗示了对暴露的时间性（exposure timing）与累积效应（cumulative exposure）建模的复杂性。

• 作者的特有框架（framing）：作者将缺口 frame 为“缺乏针对青少年、政策可修改、且同时检验了两种竞争性暴露的纵向研究”。他们弱化了以下竞争路线：

  • 反事实因果推断的高级方法：作者仅使用了FE模型，没有提及 工具变量（IV）、proximal causal inference、g-methods（g-computation、IPTW、MSM）、双重差分（DID） 等能处理更复杂混杂（如时变混杂受过去暴露影响）或提供不同识别假设的方法。他们避免讨论：FE依赖于“strict exogeneity”假设（即当前暴露与所有时期的潜在结果误差项不相关，且过去暴露不会通过时变混杂影响当前结果），这在存在“反馈效应”（如心理健康恶化导致更易被驱逐）的纵向数据中非常强。他们也没有批评FE对测量误差或暴露错分的脆弱性。
  • 脆弱性与弹性（resilience）研究：他们完全未引用青少年心理健康的积极心理学/发展心理学文献，专注于负面结果。
  • 与更广泛政策环境的交互：他们没有讨论地方性政策差异（如不同地区的驱逐禁令、租金管制、法律援助权）如何改变暴露效应——这些是潜在的效应修饰变量（effect modifier）。

• 张力：未见明显对立引用。所有被引文献一致支持“住房不稳定性对心理健康有害”的方向，差异仅在效应大小、局限性与方法严格性。这种高度共识表明，该领域的真正挑战不在于是否有效应，而在于效应的精确估计与机制分解（驱逐 vs. 无力支付的作用路径）。

二、最核心、最简单的例子 / 数学问题（票价模型的符号与核心直觉）

• 第一步：符号、模型、可观测数据交代清楚

  • 符号：
    • i ：个体索引（i = 1, …, N，N=11,868）。
    • t ：时间点索引（t = 1, …, T，T=4，对应于ABCD Study的基线、1年、2年、4年随访。注意：实际分析的波数可能需要从论文方法部分确认，但T≥3是FE生效的典型要求）。
    • Y_it ：结果变量向量，包含三个指标：内化症状分数、外化症状分数、睡眠障碍分数的标准分（或原始分，经年龄组标准化）。这是一个连续的、随时间变化的数值。
    • E_it ：主要暴露变量，包含两种：E1_it（驱逐，0/1：自上次访问以来家庭成员是否曾被驱逐）、E2_it（无力支付租金/房贷，0/1：自上次访问以来家庭是否曾因缺钱无力支付租金/房贷）。它们是时变二元暴露。
    • X_it ：时变协变量向量，用于控制时变混杂。论文中包括：年龄（连续，与时间共线，但需分段/非线性处理）、家庭收入变化（二分或有序）、主要看护人的婚姻状况变化、看护人心理困扰。注意：X_it 本身可能受 E_it 影响（即为时变混杂，且是过去暴露的结果？作者没有明确讨论这一点，这是FE识别的一个关键弱点）。
    • α_i ：个体固定效应（不可观测的个体特异性、时不变截距项）。它捕捉了所有不随时间变化的混杂因素（如遗传、出生地、基线社会阶层、父母教育、童年创伤史）。
    • ε_it ：特异误差项（idiosyncratic error），假定独立于 α_i、E_it、X_it 的当前值与所有历史值。
    • β ：感兴趣的因果参数（标量或向量）。对于每种暴露，它是“暴露从0变为1（在其他条件相同下）所引起的 Y_it 的平均变化”，解释为平均处理效应（ATE），但仅限于内部有效——即基于个体水平的变化。
  • 模型（以最基本的形式，对单一暴露 E_it 而言）： Y_it = α_i + β E_it + X_it'γ + ε_it 这是个体固定效应线性模型。它的核心识别假设是：E_it 与 Y_it 之间的关联，在控制了 α_i（时不变混杂）和 X_it（时变混杂）的线性效应后，是暴露对心理健康的因果效应。关键统计技巧是通过组内去均值（within-transformation） 来消除 α_i： (Y_it - Ȳ_i) = β (E_it - Ē_i) + (X_it - Ẋ_i)'γ + (ε_it - ε̄_i) 其中 Ȳ_i、Ē_i、Ẋ_i、ε̄_i 是个体i在所有时间上的均值。这样，任何个体水平上的时不变因子（无论是观测到的还是不可观测的）都被差分掉，从而允许我们使用个体内变异来识别 β。
  • 可观测数据：我们能在ABCD研究中观测到 (Y_it, E1_it, E2_it, X_it) 在 N=11,868 个个体、T≥2 个（论文实际用了几波？需确认）时间点的重复测量。每个个体有自己唯一的轨迹。我们无法观测到的（潜在/需要假设的东西）：个体水平的所有时不变混杂因子（α_i）、暴露的反事实结果（如果 E_it 取值不同，Y_it 会是多少）、以及可能影响 E_it 和 Y_it 的时变不可观测混杂（例如：家庭突发灾难、社区暴力事件）。

• 第二步：讲最小内核

  • 最简特例：将问题压缩到 T=2（两个时间点：基线t=1，和一次随访t=2）。并只考虑一个二元暴露 E_i（比如，在随访时是否被驱逐），结果变量为连续的 Y_i（跟踪值，比如内化症状分数）。假设没有时变协变量（X_it 为空），且所有个体都发生了暴露或未暴露。那么，对个体 i，我们有： Y_i1 (基线结果，被视为暴露前水平) Y_i2 (随访结果，暴露后水平) E_i (0/1，暴露指标) 16号个体FE模型退化为： Y_i2 - Y_i1 = β E_i + (ε_i2 - ε_i1) 这里，差分后的结果 ΔY_i = Y_i2 - Y_i1 是暴露后与暴露前的心理健康变化。因果效应 β 就是这个变化的平均值，完全由E_i与ΔY_i的关联识别。这个模型等价于： ΔY_i = β E_i + error 这本质上是一个带有基线调整的简单的两期DID（但没包含未暴露组的平行趋势假设，因为任何个体的 Y_i2 与 Y_i1 之间的差值本身就被视为暴露的因果效应，这假设了个体在暴露发生前的“内在趋势”为0或与暴露无关——这是FE的强假设）。 为什么这个最简例子有用：它清晰地展示了FE模型的核心运作：通过去掉无法观测的 α_i，将识别完全建立在个体内的变化上。它映射了论文作者的核心逻辑：同龄孩子之间的差异可能被混杂（α_i），但同一个孩子在不同时间点的变化，如果只与暴露有关，则可以合理视为因果。当然，这个最简例子也暴露了FE的致命伤：如果暴露之后其他不可观测的时变因素（如家庭存款耗尽）也同时发生变化并影响结果，那么 β 就不是纯因果效应。 论文的真正挑战是，当 T>=3 并且存在时变协变量 X_it 时，如何处理这些额外的复杂性（如时变混杂，暴露的累积效应）。

三、这篇论文做了什么

• 三句话：

  1. 研究了驱逐（受住房法院判决/物理驱逐）和无力支付住房账单（经济困难）这两个可政策干预的住房不稳定性暴露，对青少年（9-13岁）的内化症状（抑郁、焦虑）、外化症状（攻击、品行问题）和睡眠障碍的纵向因果效应。
  2. 核心方法为个体固定效应（FE）线性模型，利用ABCD Study的四波数据（2016-2021），通过控制个体时不变混杂（α_i）及模型中的时变协变量（X_it），从个体内变异中识别暴露效应的估计值。
  3. 主要发现：两种暴露均与所有三类心理健康结果恶化显著相关；但当在同一个模型中同时控制彼此后，驱逐的效应估计被衰减（部分效应“解释”为无力支付），而无力支付的效应估计保持稳健且更大，提示无力支付可能是更具普遍性与独立危害性的暴露。

• 关键设定与假设（在第二节最简模型基础上补全）：

  • 设定：ABCD Study，美国21个地点的全国队列，基线年龄9-10岁，随访4年（1、2、4年随访，视为波1-4）。暴露时间为“自上次访问以来家庭成员是否被驱逐/无力支付住房账单”（二元变量，时间窗口是两波之间的间隔）。结果变量：三个量表（CBCL内化、外化从父母报告，以及睡眠障碍量表从儿童报告？需要确认）的标准分（T分数）。协变量 X_it：包括家庭收入（变化）、看护人婚姻状况（变化）、看护人心理困扰（Kessler-6量表）、儿童年龄（作为时间趋势的代理）。
  • 假设（FE模型所需）：
    1. 严格外生性（Strict Exogeneity）：给定 α_i 和所有时点的 X，暴露 E_it 与所有的 ε_i 不相关。这是FE的核心假设。它意味着：过去的心理健康（误差项）不会影响当前或未来的暴露，且当前暴露不会影响其他时间的误差项。这在住房不稳定性与心理健康的关系中可能非常脆弱：一个孩子在某波时表现出抑郁，可能导致家庭内部更动荡、更无力支付账单，从而使得下一次暴露的概率更高（违反严格外生性，存在反馈效应）。
    2. 时不变混杂已完全控制（by FE）：所有不随时间变化的混杂（如遗传、出生时社会经济地位）在 α_i 中被吸收，故被充分控制。
    3. 时变混杂充分调整（线性模型）：X_it 中的变量足以捕捉所有的时变混杂效应，且其效应是线性的。这非常强：例如，如果家庭遇上一场突然的“意外事故”（住院、失业——这既是E的原因又是Y的原因），它可能没有被 X_it 中的“家庭收入变化”和“看护人心理困扰”完全捕获，那么估计偏倚。
    4. 无测量误差 或暴露误差与结果无关（对于二元暴露，错分类是常见问题，极具破坏性）。
  • 与已有文献的区别：作者强调，许多以往研究使用了单暴露（仅关注驱逐或无力支付之一），或者横截面设计（无法处理时不变混杂），或者小样本。本研究通过同时纳入两种暴露和四波纵向数据以及大样本（N≈12,000）来克服这些局限。

• 主要结果：

  • （核心量化结果） 暴露（驱逐或无力支付）与更严重的内化、外化及睡眠障碍相关，效应量约为 0.1-0.2 个标准分（Cohen's d ≈ 0.1-0.2），对应于量表上几个 T 分数的差异（具体数值见论文Table 2或3）。这对于心理健康结果是临床上相关但中等效应（小到中等）的大小。
  • （与baseline对比） 在模型1（仅调整年龄和收入）中，驱逐和无力支付的估计均显著，且驱逐的效应似乎更大。但在模型3（两者同时纳入）中，驱逐的效应降低约一半（不再显著或不稳定），而无力支付的效应估计几乎不变。这使得作者倾向于认为：驱逐的独立效应可能被高估，因为它很大程度上是通过“家中更普遍的经济困难（无力支付）”这条路径产生影响的；而被保留的“无力支付”效应表明，经济资源约束本身可能直接损害心理健康，不论是否发生驱逐。
  • （稳健性） 结果在额外调整了个体特定的时间趋势（线性趋势或多项式趋势）后依然存在（这是重要的敏感度分析，表明结果不是由简单的个体成长时间趋势驱动的）。

• 证明路线与技术技巧：本文非理论型，核心是应用型实证。由于是应用论文，不存在严格的数学证明。其“论证路线”如下：

  • 步骤1：建模（描述性） 描述了ABCD队列。
  • 步骤2：模型设定 指定了FE线性模型（公式(1)及其组内变换）。
  • 步骤3：逐步纳入变量 模型1（+年龄、收入变化）→模型2（+看护人特征）→模型3（+两种暴露互相控制）。
  • 步骤4：检验与解释 用标准误（聚类稳健标准误）计算统计显著性；通过比较不同模型系数讨论路径；进行敏感性分析（额外控制个体特异性时间趋势）。关键技巧：使用聚类稳健标准误来调整同一人跨时间相关误差（假定不为球型），这比简单标准误更稳健。
  • 技术技巧点名：在应用层面，关键技巧是个体固定效应（within-transformation / demeaning 或 lsdv 方法）与聚类稳健标准误（解决组内相关性）。没有用到更复杂的高阶U-统计量、经验过程、影响函数等。这正是该研究纯应用性质的体现。

• 真实例子与应用：

  • 数据：ABCD Study（2016-2021），n=11,868，年龄9-13岁。数据详细描述了青少年认知能力发展及家庭环境（暴露、结果、协变量来源信息清晰）。
  • 方法如何应用：研究人员定义了暴露（二分询问“自上次访问以来，你家人是否被驱逐/无力支付账单？”）。他们使用了多变量FE线性模型（使用了统计软件如Stata、R的 plm 或 lfe 包）。他们利用 plm 或 lfe 中的FE面板数据回归函数，自动执行组内去均值、生成个体特定的虚拟变量、并计算聚类稳健标准误。结果以标准化的回归系数（可解释为T分数的变化）呈现。
  • 这个例子想说明：
    1. 验证理论：直观上，“被驱逐”这种剧烈事件对儿童的冲击（如搬家、学校变动、社会关系断裂）预计非常严重。但本研究发现，当同时控制“无力支付”（一种更慢性的经济紧张）后，驱逐的增量效应大幅减弱。这推翻了“驱逐本身最坏”的简单直觉，转而支持了“更普适的经济压力-持续经济困难”更关键的机制——这是一个反直观的对常理的验证，具有公共政策含义（也许提供租金补贴/租金减免比仅仅提供法律代表来防止驱逐更有效？作者在讨论中确实提出了这一点）。
    2. 展示相对优势：本研究通过仔细比较两种暴露（同时检验），展示了“一种暴露可能是另一种暴露效应的一条主要机制路径”——这就是中介分析的初步信号（虽然他们声称由于聚焦于效力而非机制，未完全做中介分析，但他们的“同时纳入”本质上也是一种部分中介分析）。

• 结论是否比证明窄：非常明显。论文结论断言“Our results suggest a causal effect of housing insecurity on youth mental health”，但实证方法（FE+少数时变协变量）远不能保证因果识别。它们的证明（仅在假设下）是：在严格外生性 + 时不变混杂被FE控制 + 线性效应 + 无测量误差的假设下，估计值是无偏的。但作者没有（也无法）证明这些假设在DD数据中成立。因此，结论噪声很大：它实际上是一个“条件于这些随时可能被违背的假设上的因果效应估计”。文中并未明确说明“我们只是发现了一种稳健的关联（association），而非严格意义上的因果（causal）”——这是对FE结果的弱化要求，但标题和方法部分仍然隐含地使用因果语言。更严谨的结论应该是：“在控制了一组强假设后，我们估计的关联模式与住房不稳定性是青少年心理健康风险因素的假设一致。”

四、开放问题

1. 时变混杂的充分调整问题：本文调整的时变协变量（看护人婚姻状况、看护人心理困扰、家庭收入变化）是否能充分捕捉所有影响暴露和结果的因素？如家庭冲突、离婚、失业、学校欺凌、社区暴力等。这些未观察到的时变因素是否可能驱动了估计出的关联？解决方案：使用敏感性分析（如 VanderWeele & Arah 的E-value法，或用多重观察到的协变量构造“代理混杂指标”） 评估偏倚。该问题根植于文章的“Discussion”部分，作者承认“Despite our efforts to control for time-varying confounders, residual confounding is possible.”
2. 暴露的时序与累积效应建模：本研究将暴露视为二元“在时间窗口中是否发生”，但暴露的时刻（何时发生）、持续时间（一次还是持续数月）、累积次数（多次驱逐 / 多次无力支付）以及暴露的先后顺序可能非常关键。使用事件史分析（event history analysis）、逆概率加权（IPTW）、g-computation 等方法来建模暴露的时间序列和累积风险，可能是更具因果解释力的后续工作。作者在“Introduction”和“Discussion”中提到了“exposure timing may be important”，但并未将其整合到分析中。
3. 识别因果路径：中介分析：本文通过同时纳入两种暴露（E1 + E2）暗示了“无力支付”可能是“驱逐”影响心理健康的一个中介。更严格的方法是进行因果中介分析（如使用自然效应模型，或利用g-methods来分解直接效应与间接效应，假设顺序可交换）。作者在“Discussion”中提到“Future work should explore possible mediating pathways...”
4. 处理反馈与同期混杂：FE模型要求严格外生性，但在心理健康与住房不稳定性之间存在强的潜在反馈效应（如心理健康恶化导致家中冲突加剧或经济状况恶化，从而导致无力支付）。使用工具变量（如地方驱逐法庭的随机分派法官/开庭日、地方住房政策的冲击）或动态面板模型（如Arellano-Bond估计量，利用滞后暴露或滞后结果作为工具变量）或g-methods中的逆概率加权（处理随时间变化的混杂受过去暴露影响的情况）能克服这个局限。作者未讨论该问题，但这是FE应用中最常见的批评点之一。扎根在“严格外生性”假设本身——该假设在所有FE教科书中被广泛讨论，但论文未提供测试或放松该假设的尝试。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论