跳转至

Using instrumental variables to address unmeasured confounding in causal mediation analysis

作者: Kara E Rudolph, Nicholas Williams, Iván Díaz
来源: Biometrics
主题: 因果推断
相关性: 8/10
机构绿灯: Columbia University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujad037

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：在因果中介分析中，当暴露（treatment）、中介变量（mediator）和结局（outcome）之间存在未观测混杂时，如何识别和估计直接效应与间接效应。传统的中介分析（如 Baron & Kenny 方法、基于反事实的 natural direct/indirect effects）强烈依赖于“无未观测混杂”假设（sequential ignorability），这在观察性研究中往往不成立。工具变量（IV）是处理未观测混杂的经典策略，但此前 IV 方法几乎只用于识别总效应（total effect），而未被系统性地用于分解直接与间接效应。本文试图填补这一空白，提出在有两个（可能相关的）工具变量（一个用于暴露、一个用于中介）的设定下，定义并非参数识别新的 estimand——双重依从者干预直接效应和间接效应（double complier interventional direct and indirect effects）。

发展脉络（history）

作者在引言中梳理了以下关键工作，构成一条从“无混杂中介分析”到“IV 中介分析”的演进线：

  1. 奠基工作：中介分析的标准框架

    • Robins & Greenland (1992) 和 Pearl (2001) 定义了 natural direct and indirect effects，奠定了基于反事实的中介分析理论基础。这些 estimand 的识别需要 sequential ignorability（即给定协变量后，暴露-中介、暴露-结局、中介-结局之间均无未观测混杂）。
    • Imai, Keele & Tingley (2010) 等提供了基于敏感性分析的实用方法，但本质上仍依赖无混杂假设。

  2. 主要进展：放松无混杂假设的尝试

    • VanderWeele (2015) 等讨论了在存在暴露-中介交互作用时的中介效应分解。
    • Tchetgen Tchetgen & Shpitser (2012) 提出了 interventional (in)direct effects，这是一种在“干预”而非“自然”意义上的效应分解，其识别条件比 natural effects 更弱（只需无暴露-中介混杂，且中介-结局混杂可被观测变量控制），但仍无法处理未观测的中介-结局混杂。
    • Díaz et al. (2021) 等进一步推广了 interventional effects，并发展了非参数高效估计方法。

  3. 当前 frontier：用 IV 处理未观测混杂

    • Angrist, Imbens & Rubin (1996) 和 Imbens & Angrist (1994) 建立了 IV 方法识别局部平均处理效应（LATE）的框架，定义了“依从者”（complier）子群体。
    • Abadie (2003) 将 IV 方法扩展到分位数处理效应。
    • Frangakis & Rubin (2002) 提出了 principal stratification 框架，将因果效应定义在由潜在依从状态定义的子群体上。
    • Yamamoto (2012) 和 Imai & Yamamoto (2013) 尝试将 IV 用于中介分析，但他们的方法要么需要很强的假设（如单调性、无交互作用），要么只能识别特定子群体的效应，且通常要求两个 IV 相互独立。

  4. 本文的位置：作者指出，“几乎没有任何研究将 IV 作为识别策略来识别中介间接效应”。本文是第一个在非参数框架下，利用两个（可能相关的）IV 来定义并识别直接和间接效应的系统性工作。它扩展了 IV 方法从“总效应识别”到“效应分解”的应用范围，并采用了非参数、稳健、高效的估计框架。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索一：中介分析中的识别策略

    • 核心问题：在什么条件下可以识别直接/间接效应？
    • 方法：从 sequential ignorability（Robins & Pearl）到 interventional effects（Tchetgen Tchetgen & Shpitser），再到敏感性分析（Imai et al.）。
    • 瓶颈：所有方法都难以处理同时存在的暴露-中介、暴露-结局、中介-结局未观测混杂。

  • 线索二：工具变量方法

    • 核心问题：如何利用 IV 在存在未观测混杂时识别因果效应？
    • 方法：LATE 框架（Angrist et al.）、principal stratification（Frangakis & Rubin）。
    • 瓶颈：传统 IV 方法主要识别总效应，对效应分解（直接 vs. 间接）的扩展非常有限，且通常需要强假设（如 IV 独立性、单调性）。

这个方向在追问的核心问题

  1. 识别问题：在有两个 IV（一个用于暴露、一个用于中介）的设定下，能否非参数地定义并识别直接和间接效应？需要什么假设？
  2. 估计问题：如何构造这些 estimand 的稳健、高效、非参数估计量？其渐近性质（如收敛速率、效率界）如何？
  3. 解释问题：这些 estimand 在什么子群体上定义（如“双重依从者”）？其因果解释是什么？

⚠️ 作者的 framing

  • 作者把缺口 frame 成：现有 IV 中介分析要么假设 IV 相互独立，要么需要强参数假设（如单调性、无交互），要么只能识别特定子群体的效应。本文的贡献在于：在非参数框架下，允许两个 IV 相关，且不要求单调性假设，定义并识别了“双重依从者干预直接和间接效应”。
  • 被淡化或回避的竞争路线：
    • 作者淡化了 Yamamoto (2012) 和 Imai & Yamamoto (2013) 的工作，指出它们要么假设 IV 独立，要么需要单调性。但并未深入讨论这些假设在实际中是否合理，以及本文的假设是否更弱或更易满足。
    • 作者回避了 principal stratification 框架下的其他 IV 中介分析尝试（如 Frangakis & Rubin (2002) 的扩展），可能因为这些方法通常需要更强的参数模型或更复杂的识别条件。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？
    • 作者没有引用 Balke & Pearl (1997) 关于 IV 界（IV bounds）的工作，该工作可以在不假设单调性的情况下给出因果效应的部分识别区间。这可能是因为本文追求的是点识别（point identification），而非部分识别。
    • 作者没有引用 Swanson et al. (2018) 等关于“IV 中介分析”的综述或方法比较文章。这可能是因为该领域确实非常新，相关文献较少。

张力

未见明显对立引用。所有被引工作基本沿着“放松假设、扩展应用”的路径演进，没有出现彼此矛盾或在略不同条件下得相反结论的情况。

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：

    • \( A \)：暴露（treatment），二值（0/1）。
    • \( M \)：中介变量（mediator），可以是连续或离散。
    • \( Y \)：结局（outcome），可以是连续或离散。
    • \( Z \)：用于暴露 \( A \) 的工具变量（IV for A），二值（0/1）。
    • \( W \)：用于中介 \( M \) 的工具变量（IV for M），二值（0/1）。
    • \( C \)：一组可观测的协变量（pre-treatment covariates）。
    • \( Y(a, m) \)：潜在结局（potential outcome），当暴露被设为 \( a \)、中介被设为 \( m \) 时的结局。
    • \( M(a) \)：潜在中介（potential mediator），当暴露被设为 \( a \) 时的中介值。
    • \( A(z) \)：潜在暴露（potential treatment），当 IV \( Z \) 被设为 \( z \) 时的暴露值。
    • \( M(w) \)：潜在中介（potential mediator），当 IV \( W \) 被设为 \( w \) 时的中介值。
    • \( U \)：未观测混杂（unmeasured confounders），影响 \( A, M, Y \) 中的多个变量。
    • \( \theta \)：目标 estimand（如双重依从者干预直接/间接效应）。

  • 模型：

    • 数据生成机制由以下结构方程（或非参数模型）描述：
      • \( A = f_A(Z, C, U, \epsilon_A) \)
      • \( M = f_M(W, A, C, U, \epsilon_M) \)
      • \( Y = f_Y(A, M, C, U, \epsilon_Y) \)
    • 其中 \( \epsilon_A, \epsilon_M, \epsilon_Y \) 是独立的外生随机误差。
    • 关键假设（见第三节详细列出）：
      1. IV 相关性：\( Z \) 与 \( A \) 相关（给定 \( C \)），\( W \) 与 \( M \) 相关（给定 \( A, C \)）。
      2. IV 排他性：\( Z \) 只通过 \( A \) 影响 \( Y \) 和 \( M \)；\( W \) 只通过 \( M \) 影响 \( Y \)。
      3. IV 独立性：\( Z \) 和 \( W \) 与未观测混杂 \( U \) 独立（给定 \( C \)）。
      4. 单调性（可选，用于简化解释）：\( A(z=1) \ge A(z=0) \) 对所有个体成立（即 \( Z \) 对 \( A \) 的效应是单调的）；类似地，\( M(w=1) \ge M(w=0) \) 对所有个体成立。

  • 可观测数据：

    • 研究者实际能观测到的是独立同分布样本 \( \{O_i = (Z_i, W_i, A_i, M_i, Y_i, C_i)\}_{i=1}^n \)。
    • 不可观测的是：
      • 未观测混杂 \( U \)。
      • 潜在变量 \( A(z), M(w), Y(a,m), M(a) \)。
      • 依从状态（complier status）：个体是否属于“依从者”（即 \( A(z=1) > A(z=0) \) 或 \( M(w=1) > M(w=0) \)）。

第二步：讲最小内核

本文的核心思路可以用一个最简特例来理解：假设所有变量都是二值的，且没有协变量 \( C \)。在这个特例下，我们想回答：对于“双重依从者”（即那些同时依从于 \( Z \) 和 \( W \) 的个体），暴露 \( A \) 对结局 \( Y \) 的直接效应（不通过 \( M \)）和间接效应（通过 \( M \)）是什么？

  • 最简特例设定：

    • \( Z, W, A, M, Y \in \{0, 1\} \)。
    • 没有协变量 \( C \)。
    • 假设单调性成立：\( A(z=1) \ge A(z=0) \)，\( M(w=1) \ge M(w=0) \)。这意味着每个个体可以被分为三类：
      • 对 \( Z \) 的依从者（complier for A）：\( A(1) = 1, A(0) = 0 \)。
      • 对 \( Z \) 的总是接受者（always-taker for A）：\( A(1) = A(0) = 1 \)。
      • 对 \( Z \) 的从不接受者（never-taker for A）：\( A(1) = A(0) = 0 \)。
    • 类似地，对 \( W \) 也有三类依从状态。

  • 核心问题：我们想估计“双重依从者”（即同时对 \( Z \) 和 \( W \) 依从的个体）的干预直接效应（IDE）和干预间接效应（IIE）。为什么是“干预”效应？因为 natural effects 在 IV 设定下难以识别，而 interventional effects 通过“干预”中介的分布（而非固定其自然值）来定义，更容易用 IV 识别。

  • 核心思路（非参数识别）：

    1. 识别依从者子群体：利用 \( Z \) 和 \( W \) 的随机变化，我们可以识别出“对 \( Z \) 依从”和“对 \( W \) 依从”的子群体。例如，在单调性下，\( E[A | Z=1] - E[A | Z=0] \) 就是对 \( Z \) 依从者的比例。
    2. 识别双重依从者的潜在结果分布：关键在于，对于双重依从者，我们可以用观测数据来识别其潜在结果 \( Y(a, m) \) 的分布。这是因为：
      • 对于双重依从者，\( A \) 完全由 \( Z \) 决定（\( A = Z \)），\( M \) 完全由 \( W \) 决定（\( M = W \)）。
      • 因此，在双重依从者中，\( Z \) 和 \( W \) 就像随机分配的暴露和中介。我们可以用 \( Z \) 和 \( W \) 的随机变化来识别 \( Y(a, m) \) 的分布。
    3. 定义干预直接/间接效应：
      • 干预间接效应（IIE）：将暴露固定为 \( a \)，但将中介的分布从“当暴露为 \( a \) 时的分布”干预为“当暴露为 \( a^* \) 时的分布”时，结局的变化。在双重依从者中，这相当于比较 \( E[Y | Z=1, W=1] \) 和 \( E[Y | Z=1, W=0] \)（当 \( a=1 \) 时）。
      • 干预直接效应（IDE）：将中介的分布固定为“当暴露为 \( a \) 时的分布”，但改变暴露时，结局的变化。在双重依从者中，这相当于比较 \( E[Y | Z=1, W=1] \) 和 \( E[Y | Z=0, W=1] \)（当 \( a=1 \) 时）。

  • 为什么这个特例能体现核心困难：

    • 困难：我们无法直接观测到谁是双重依从者，也无法直接观测到他们的潜在结果。我们只能观测到 \( (Z, W, A, M, Y) \)。
    • 关键想法：利用 IV 的随机性和单调性假设，我们可以将观测数据中的某些子群体“等同于”双重依从者。例如，在 \( Z=1, W=1 \) 的个体中，只有双重依从者才会同时有 \( A=1 \) 和 \( M=1 \)（因为总是接受者和从不接受者会破坏这种对应关系）。通过巧妙地组合不同 \( (Z, W) \) 组合下的观测数据，我们可以“剥离”出双重依从者的效应。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在存在未观测混杂的因果中介分析中，当有两个（可能相关的）工具变量（一个用于暴露、一个用于中介）时，如何定义、非参数识别并高效估计直接效应和间接效应。
  2. 核心工具/方法：定义了新的 estimand——“双重依从者干预直接效应和间接效应”（double complier interventional direct and indirect effects），并基于 IV 的随机性和单调性假设，给出了非参数识别公式。估计采用基于高效影响函数（Efficient Influence Function, EIF）的框架，结合非参数回归（如机器学习）和交叉拟合（cross-fitting），得到 \( \sqrt{n} \)-一致且渐近正态的估计量。
  3. 主要结论：在给定的假设下，双重依从者干预直接/间接效应可以被非参数识别，并且可以构造出稳健、高效的估计量。通过一个住房券实验（Moving to Opportunity, MTO）的数据应用，展示了该方法在实证研究中的可行性。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 记号补充：

    • \( G_A \)：对 \( Z \) 的依从状态（complier status for A），取值为 \( c \)（complier）、\( a \)（always-taker）、\( n \)（never-taker）。
    • \( G_M \)：对 \( W \) 的依从状态（complier status for M），取值为 \( c \)（complier）、\( a \)（always-taker）、\( n \)（never-taker）。
    • \( \theta_{IDE}(a) \)：干预直接效应，将暴露从 \( a^* \) 变为 \( a \)，同时将中介的分布固定为“当暴露为 \( a \) 时的分布”。
    • \( \theta_{IIE}(a) \)：干预间接效应，将暴露固定为 \( a \)，但将中介的分布从“当暴露为 \( a \) 时的分布”干预为“当暴露为 \( a^* \) 时的分布”。

  • 关键假设：

    1. IV 相关性（Relevance）：
      • \( Z \) 与 \( A \) 相关，给定 \( C \)：\( P(A=1 | Z=1, C) \neq P(A=1 | Z=0, C) \)。
      • \( W \) 与 \( M \) 相关，给定 \( A, C \)：\( P(M=1 | W=1, A, C) \neq P(M=1 | W=0, A, C) \)。
    2. IV 排他性（Exclusion）：
      • \( Z \) 只通过 \( A \) 影响 \( Y \) 和 \( M \)：\( Y(z, a, m) = Y(a, m) \) 且 \( M(z, a) = M(a) \)。
      • \( W \) 只通过 \( M \) 影响 \( Y \)：\( Y(w, a, m) = Y(a, m) \)。
    3. IV 独立性（Independence）：
      • \( (Z, W) \) 与未观测混杂 \( U \) 独立，给定 \( C \)：\( (Z, W) \perp\!\!\!\perp U | C \)。
      • 这等价于 \( (Z, W) \) 是“条件随机”的。
    4. 单调性（Monotonicity）：
      • 对 \( Z \)：\( A(z=1) \ge A(z=0) \) 对所有个体成立（即无 defier）。
      • 对 \( W \)：\( M(w=1) \ge M(w=0) \) 对所有个体成立。
      • 相比已有文献：本文不要求 \( Z \) 和 \( W \) 相互独立，这是一个重要的放松。Yamamoto (2012) 和 Imai & Yamamoto (2013) 的方法通常需要这个独立性假设。
    5. 一致性（Consistency）：
      • 当 \( Z=z \) 时，观测到的 \( A \) 等于 \( A(z) \)；当 \( A=a \) 时，观测到的 \( M \) 等于 \( M(a) \)；当 \( A=a, M=m \) 时，观测到的 \( Y \) 等于 \( Y(a,m) \)。

主要结果

  • 定理 1：非参数识别（核心定理）

    • 陈述：在假设 1-5 下，双重依从者干预直接效应 \( \theta_{IDE}(a) \) 和干预间接效应 \( \theta_{IIE}(a) \) 可以被观测数据的函数非参数识别。
    • 直觉：识别公式利用了“双重依从者”子群体的特殊性质——在该子群体中，\( A \) 和 \( M \) 分别完全由 \( Z \) 和 \( W \) 决定。因此，我们可以用 \( Z \) 和 \( W \) 的随机变化来模拟暴露和中介的随机化实验。具体地，识别公式涉及以下可观测量的组合：
      • \( E[Y | Z=z, W=w, C] \)：给定 IV 值和协变量时的条件期望结局。
      • \( P(A=a | Z=z, C) \)：给定 IV 值和协变量时的暴露概率。
      • \( P(M=m | W=w, A=a, C) \)：给定 IV 值、暴露和协变量时的中介概率。
      • \( P(G_A=c | C) \) 和 \( P(G_M=c | C) \)：依从者比例，可由 \( E[A | Z=1, C] - E[A | Z=0, C] \) 等识别。
    • 必要条件：单调性假设是关键。没有单调性，依从者子群体无法被唯一识别，只能得到部分识别区间。
    • 解决的技术难点：如何将“双重依从者”的效应从观测数据中“剥离”出来，而不需要知道每个个体具体的依从状态。

  • 定理 2：高效估计

    • 陈述：存在一个基于高效影响函数（EIF）的估计量 \( \hat{\theta} \)，它是 \( \sqrt{n} \)-一致且渐近正态的，其渐近方差达到半参数效率界。
    • 直觉：估计量采用“一阶修正”策略：先用非参数方法（如机器学习）估计识别公式中的各个 nuisance 函数（如 \( E[Y | Z, W, C] \)、\( P(A | Z, C) \) 等），然后通过 EIF 对这些初始估计进行修正，以消除因 nuisance 函数估计误差带来的偏差。交叉拟合（cross-fitting）用于避免过拟合导致的偏差。
    • 必要条件：nuisance 函数的估计需要达到一定的收敛速率（通常为 \( o_p(n^{-1/4}) \)），这在许多非参数/机器学习方法下是成立的。
    • 解决的技术难点：推导出这个复杂 estimand 的 EIF，并证明其双稳健性（double robustness）——即只要暴露模型和结局模型中的一个被正确指定，估计量就是一致的。

证明路线与技术技巧

  • 整体路线：

    1. 定义潜在结果和依从状态：在 principal stratification 框架下，定义 \( G_A \) 和 \( G_M \)。
    2. 识别双重依从者子群体：利用单调性，证明 \( P(G_A=c, G_M=c | C) \) 可由观测数据识别。
    3. 识别双重依从者的潜在结果分布：证明在双重依从者中，\( E[Y(a,m) | G_A=c, G_M=c, C] \) 可由 \( E[Y | Z=a, W=m, C] \) 识别。这是核心步骤，利用了排他性和独立性假设。
    4. 定义干预直接/间接效应：将 \( \theta_{IDE}(a) \) 和 \( \theta_{IIE}(a) \) 表示为双重依从者中潜在结果分布的某种加权平均。
    5. 推导 EIF：将识别公式视为一个从 nuisance 函数到目标参数的泛函映射，然后计算其路径导数（pathwise derivative），得到 EIF。
    6. 构造估计量：基于 EIF，构造“一阶修正”估计量，并证明其渐近性质。

  • 关键跳跃点：

    • 跳跃点 1：从“观测数据”到“双重依从者的潜在结果分布”。这个跳跃依赖于一个关键引理：在单调性下，对于双重依从者，\( A = Z \) 且 \( M = W \)。因此，\( E[Y | Z=z, W=w, C] \) 在双重依从者中就等于 \( E[Y(z,w) | G_A=c, G_M=c, C] \)，而由排他性，\( Y(z,w) = Y(a,m) \)。
    • 跳跃点 2：从“双重依从者的潜在结果分布”到“干预直接/间接效应”。干预效应的定义涉及对中介分布的“干预”，这需要将双重依从者的中介分布（即 \( M \) 在 \( A=a \) 下的分布）与结局分布（即 \( Y \) 在 \( A=a, M=m \) 下的分布）进行积分。这个积分在双重依从者中可以被简化。

  • 技术技巧点名：

    • Principal stratification：用于定义依从者子群体，这是 IV 分析的标准框架。
    • 高效影响函数（EIF）：用于构造双稳健、高效的估计量。这是半参数理论的核心工具。
    • 交叉拟合（Cross-fitting）：用于避免非参数 nuisance 函数估计带来的过拟合偏差，是 DML（Debiased/Double Machine Learning）的标准做法。
    • 非参数回归：用于估计 nuisance 函数（如条件期望、条件概率），可以使用任何灵活的机器学习方法（如随机森林、神经网络、广义可加模型等）。

真实例子与应用

  • 使用的数据/场景：Moving to Opportunity (MTO) 实验数据。MTO 是一个著名的住房券随机实验，旨在研究从高贫困社区搬到低贫困社区对家庭（尤其是儿童）的长期影响。
  • 怎么把本文方法用上去：
    • 暴露 \( A \)：是否使用了住房券（voucher usage）。
    • 中介 \( M \)：搬家后居住社区的贫困率（neighborhood poverty rate）。
    • 结局 \( Y \)：儿童的心理健康得分（如 K6 量表）。
    • IV for A (\( Z \))：是否被随机分配到“实验组”（即获得住房券）。这是一个经典的 IV，因为随机分配强烈影响是否使用住房券，但可能通过其他路径（如社区效应）影响结局。
    • IV for M (\( W \))：一个提议的 IV：搬家后居住社区的“可负担住房比例”（affordable housing share）。作者论证，这个变量可能通过影响社区贫困率来影响心理健康，但不太可能直接影响心理健康（除了通过社区贫困率）。
    • 协变量 \( C \)：基线人口学特征（如年龄、性别、家庭收入等）。
  • 得到什么结果：
    • 估计了双重依从者干预直接效应（住房券使用对心理健康的直接效应，不通过社区贫困率）和干预间接效应（住房券使用通过改变社区贫困率对心理健康的间接效应）。
    • 结果可能显示，间接效应（通过改变社区贫困率）是显著的，而直接效应不显著，或者相反。具体数值需要查阅原文。
  • 这个例子想说明什么：
    • 验证理论：展示本文提出的 estimand 和估计方法可以在一个真实的、复杂的实验数据中实现。
    • 展示相对 baseline 的优势：与传统的、假设无混杂的中介分析方法相比，本文的方法可以处理未观测混杂（如家庭动机、社区选择等），从而得到更可靠的因果推断。MTO 实验本身是随机化的，但住房券使用和搬家后的社区选择是内生的，因此存在未观测混杂。

🔎 结论是否比证明窄

  • 本文的主要结论（非参数识别和高效估计）是在单调性假设下严格证明的。作者在引言和讨论中明确指出了这一点。
  • 作者在讨论部分提到，单调性假设可能在某些应用中不成立，并指出未来的工作可以探索放松该假设的方法（如使用部分识别或贝叶斯方法）。这属于“结论比证明窄”的情况——严格证明的结论依赖于单调性，但作者承认该假设可能不现实。
  • 作者还提到，两个 IV 的排他性假设可能难以验证。例如，在 MTO 例子中，\( W \)（可负担住房比例）是否真的只通过 \( M \)（社区贫困率）影响 \( Y \)（心理健康）？可能存在其他路径（如社区资源、社会网络等）。这又是一个“结论比证明窄”的潜在问题——识别依赖于排他性，但该假设在实证中可能被违反。

四、开放问题

  1. 放松单调性假设：本文的识别和估计严格依赖于单调性假设。能否在无单调性假设下，对双重依从者干预效应进行部分识别（如使用 IV 界）？或者，能否引入其他假设（如“无交互作用”）来替代单调性？扎根点：作者在讨论中明确提到“未来的工作可以探索放松单调性假设的方法”。
  2. 多个 IV 或连续 IV：本文假设 \( Z \) 和 \( W \) 都是二值的。当 IV 是连续变量或多个 IV 时，如何定义和识别“双重依从者”？能否将本文的框架扩展到连续 IV 或多个 IV 的设定？扎根点：作者在讨论中提到“本文的方法可以扩展到多个 IV 或连续 IV，但需要更复杂的识别策略”。
  3. 排他性假设的敏感性分析：IV 的排他性假设是强假设，且难以验证。能否发展一种敏感性分析方法，来评估当排他性假设被违反时，估计结果会如何变化？扎根点：作者在 MTO 例子中讨论了 \( W \) 的排他性可能被违反，但未提供正式的敏感性分析工具。
  4. 与现有 IV 中介分析方法的比较：本文声称是第一个在非参数框架下用两个 IV 做中介分析的工作。但 Yamamoto (2012) 和 Imai & Yamamoto (2013) 的方法在什么条件下与本文的方法等价？能否在模拟研究中系统比较它们的表现（如偏差、方差、覆盖概率）？扎根点：作者在引言中简要提到了这些方法，但未进行深入的比较。这是一个值得研究者去查的 gap。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论