跳转至

On the causal interpretation of randomised interventional indirect effects

作者: Caleb H Miles
来源: Journal of the Royal Statistical Society Series B
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/jrsssb/qkad066

一、领域脉络与小综述

这个方向是什么

本方向是因果中介分析中的一个子问题：如何定义和解释“间接效应”（即处理通过中介变量对结果产生的影响）。核心张力在于：自然间接效应（NIE）有直观的个体层面因果解释，但识别需要极强的无混淆性假设（处理-中介、中介-结果均无未测量混杂）；随机干预间接效应（RIIE）通过将中介变量“随机干预”到某个分布来绕开这些假设，但代价是失去了个体层面的中介解释。本文追问的是：RIIE 的“因果解释”到底是什么——它还能被称作“中介效应”吗？

发展脉络（history）

  • 奠基工作：自然间接效应（NIE）。Robins & Greenland (1992) 和 Pearl (2001) 定义了 NIE，它衡量的是：固定处理水平、但将中介变量改变为“在对照处理下本应取的值”时，结果的平均变化。NIE 有清晰的个体层面反事实解释，但识别需要“顺序可忽略性”（sequential ignorability）——即给定协变量，处理-中介、中介-结果均无未测量混杂。这一假设在观测研究中极难满足。
  • 主要进展：随机干预间接效应（RIIE）的提出。为绕开 NIE 的强假设，VanderWeele, Vansteelandt & Robins (2014) 和 Didelez, Dawid & Geneletti (2006) 提出了 RIIE。其核心思路是：不要求中介变量取“在对照处理下的值”，而是将中介变量随机干预到某个分布（通常是给定处理时的条件分布）。这样，RIIE 的识别只需要处理-中介无未测量混杂（给定协变量），而中介-结果的关系可以存在未测量混杂——只要处理与中介的交互作用可识别。这一放松使 RIIE 在实证中迅速流行。
  • 当前 frontier：RIIE 的因果解释之争。随着 RIIE 被广泛应用，其解释性开始受到质疑。Miles (2023) 指出，RIIE 不满足“sharp null criterion”——即当不存在任何个体层面的间接效应时，RIIE 可能非零。这意味着 RIIE 不能被视为“中介效应”的度量，而更像是一种“总效应分解”中的一项。本文是这一争论中的关键理论贡献。
  • 本文的位置：本文站在“RIIE 解释性批判”这一前沿，系统性地提出了衡量间接效应度量是否具有“真正中介解释”的准则，并证明 RIIE 不满足其中最关键的 sharp null criterion。作者还讨论了 RIIE 的其他可能解释（如“总效应分解”），但结论是：在没有更强假设的情况下，RIIE 不应被解释为中介效应。

子线索聚类

  • 线索一：自然间接效应（NIE）的识别与估计。代表工作：Robins & Greenland (1992), Pearl (2001), Imai, Keele & Tingley (2010)。核心关注：在顺序可忽略性下如何识别和估计 NIE，以及敏感性分析。
  • 线索二：随机干预间接效应（RIIE）的提出与推广。代表工作：VanderWeele, Vansteelandt & Robins (2014), Didelez, Dawid & Geneletti (2006), Vansteelandt & Daniel (2017)。核心关注：放松 NIE 的识别假设，定义 RIIE 并给出识别条件，推广到多种中介变量类型。
  • 线索三：间接效应度量的解释性批判。代表工作：Miles (2023, 即本文), 以及可能存在的早期讨论（如 Robins & Richardson 2010 对 NIE 解释性的质疑）。核心关注：间接效应度量是否具有“真正的中介解释”，以及如何定义这种解释。

这个方向在追问的核心问题

  1. 间接效应度量应满足哪些“解释性准则”？ 本文提出了 sharp null criterion、consistency with total effect decomposition 等，但这是否完备？是否有其他合理的准则？
  2. 在什么条件下 RIIE 可以具有中介解释？ 本文指出，在更强的假设（如处理-中介无交互作用、或中介-结果无未测量混杂）下，RIIE 可能满足 sharp null criterion。这些条件在实证中是否合理？
  3. 如果 RIIE 不是中介效应，那它是什么？ 作者讨论了“总效应分解”解释，但这是否有独立的科学价值？是否还有其他解释（如“受控直接效应”的某种变体）？
  4. 实证研究者应如何报告 RIIE 的结果？ 既然 RIIE 不能解释为中介效应，那么它在实证论文中应如何被描述和讨论？

⚠️ 作者的 framing

  • 作者的缺口 frame：作者将问题 frame 为“RIIE 是否具有真正的中介解释”，并提出了 sharp null criterion 作为判断标准。通过证明 RIIE 不满足该准则，作者将 RIIE 定位为“一种总效应分解工具，而非中介效应度量”。这使本文成为“RIIE 解释性批判”这一子领域的奠基性工作。
  • 被淡化或回避的竞争路线：作者没有深入讨论“如果接受 RIIE 作为总效应分解，那么它是否仍有科学价值？”——即，是否可能有一种“非中介”的因果解释仍然有用？此外，作者没有讨论“在哪些具体实证场景下，RIIE 的 sharp null criterion 违反是严重的，哪些是可忽略的”。
  • 值得研究者去查的问题：本文的 intro 和参考文献中，没有引用 Robins & Richardson (2010) 对 NIE 解释性的早期质疑，也没有引用 Pearl (2012) 对 RIIE 的批评（如果存在的话）。这些缺失可能意味着作者有意或无意地回避了某些已有讨论。建议研究者去查：Robins & Richardson (2010) 是否已经讨论过类似问题？Pearl 学派对 RIIE 的立场是什么？

张力

未见明显对立引用。本文的批判是理论性的，而非与某篇具体论文的直接争论。但可以预期，VanderWeele 等 RIIE 的提出者可能会回应：RIIE 从未声称具有个体层面的中介解释，sharp null criterion 的要求过于严格。这一潜在张力值得关注。

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：
  • \( A \)：处理变量（二值，0 = 对照，1 = 处理）。
  • \( M \)：中介变量（可以是任意类型，但为简单起见，假设为二值）。
  • \( Y \)：结果变量（连续或二值）。
  • \( C \)：协变量向量（可观测的混杂因素）。
  • \( Y(a, m) \)：反事实结果——当处理被设为 \( a \)、中介被设为 \( m \) 时的结果。
  • \( M(a) \)：反事实中介——当处理被设为 \( a \) 时的中介值。
  • \( Y(a, M(a')) \)：反事实结果——当处理被设为 \( a \)、中介被设为“在处理 \( a' \) 下本应取的值”时的结果。这是 NIE 的核心反事实量。
  • \( G_a \)：一个随机干预分布——将中介变量随机干预到某个分布（通常是 \( M | A = a, C \) 的条件分布）。

  • \( Y(a, G_{a'}) \)：反事实结果——当处理被设为 \( a \)、中介被随机干预到分布 \( G_{a'} \) 时的结果。这是 RIIE 的核心反事实量。

  • 模型：

  • 标准因果中介分析框架：存在反事实变量 \( Y(a, m) \) 和 \( M(a) \)，且满足一致性（consistency）：当 \( A = a \) 时，\( M = M(a) \)；当 \( A = a, M = m \) 时，\( Y = Y(a, m) \)。
  • 识别 NIE 需要顺序可忽略性：\( Y(a, m) \perp A | C \) 且 \( Y(a, m) \perp M | A, C \)（即处理-中介、中介-结果均无未测量混杂）。

  • 识别 RIIE 只需要处理-中介无未测量混杂（给定 \( C \)），以及处理-中介交互作用的可识别性。中介-结果可以存在未测量混杂。

  • 可观测数据：

  • 研究者观测到 \( (A_i, M_i, Y_i, C_i) \) 的 i.i.d. 样本，\( i = 1, \dots, n \)。
  • 想要但观测不到：反事实变量 \( Y(a, m) \)、\( M(a) \)、\( Y(a, M(a')) \)、\( Y(a, G_{a'}) \)。这些只能通过假设（如顺序可忽略性、随机干预分布的可识别性）来识别。

第二步：讲最小内核

最简特例：假设没有协变量 \( C \)，处理 \( A \) 和中介 \( M \) 都是二值（0/1），结果 \( Y \) 连续。我们关注的是“平均间接效应”——即处理通过中介对结果产生的平均影响。

  • 自然间接效应（NIE）：

    \[\text{NIE} = E[Y(1, M(1)) - Y(1, M(0))]\]
    解释：固定处理为 1，将中介从“在对照下的值”改为“在处理下的值”时，结果的平均变化。这有清晰的个体层面解释：对于每个个体，它衡量的是“如果中介被改变为处理下的值，结果会变化多少”。

  • 随机干预间接效应（RIIE）：

    \[\text{RIIE} = E[Y(1, G_1) - Y(1, G_0)]\]
    其中 \( G_a \) 是 \( M | A = a \) 的分布（即给定处理水平下中介的边际分布）。解释：固定处理为 1，将中介从“随机干预到对照组的分布”改为“随机干预到处理组的分布”时，结果的平均变化。

核心问题：RIIE 是否具有“中介解释”？即，当不存在任何个体层面的间接效应时，RIIE 是否一定为零？

  • 个体层面间接效应为零的定义：对于每个个体，\( Y(1, m) \) 不随 \( m \) 变化——即 \( Y(1, 0) = Y(1, 1) \)。这意味着，对于处理组中的每个个体，改变中介的值不会改变结果。此时，NIE 显然为零（因为 \( Y(1, M(1)) = Y(1, M(0)) \) 对每个个体成立）。

  • RIIE 在个体层面间接效应为零时是否为零？ 不一定。因为 RIIE 涉及的是“随机干预到分布”，而不是“个体层面的中介值改变”。即使每个个体的 \( Y(1, m) \) 不随 \( m \) 变化，但 \( G_1 \) 和 \( G_0 \) 的分布不同，导致 \( E[Y(1, G_1)] \) 和 \( E[Y(1, G_0)] \) 可能不同——因为 \( Y(1, m) \) 虽然对每个个体是常数，但不同个体的常数可能不同，而随机干预到不同分布会改变这些常数的加权平均。

具体例子： - 假设有 2 个个体，处理组（\( A=1 \)）： - 个体 1：\( Y(1, 0) = Y(1, 1) = 0 \)，\( M(1) = 0 \) - 个体 2：\( Y(1, 0) = Y(1, 1) = 1 \)，\( M(1) = 1 \) - 对照组（\( A=0 \)）： - 个体 3：\( M(0) = 0 \) - 个体 4：\( M(0) = 1 \) - 那么 \( G_1 \) 是 \( M | A=1 \) 的分布：\( P(M=0) = 0.5, P(M=1) = 0.5 \)。 - \( G_0 \) 是 \( M | A=0 \) 的分布：同样 \( P(M=0) = 0.5, P(M=1) = 0.5 \)。 - 因此 \( E[Y(1, G_1)] = E[Y(1, G_0)] = 0.5 \times 0 + 0.5 \times 1 = 0.5 \)，RIIE = 0。这个例子中 RIIE 为零。

但可以构造反例：假设处理组中，\( Y(1, m) \) 不随 \( m \) 变化（个体层面间接效应为零），但 \( G_1 \) 和 \( G_0 \) 的分布不同，且 \( Y(1, m) \) 的个体间变异与中介分布相关。例如： - 处理组：个体 1：\( Y(1, 0) = Y(1, 1) = 0 \)，\( M(1) = 0 \)；个体 2：\( Y(1, 0) = Y(1, 1) = 1 \)，\( M(1) = 1 \)。 - 对照组：个体 3：\( M(0) = 0 \)；个体 4：\( M(0) = 0 \)。 - 那么 \( G_1 \)：\( P(M=0) = 0.5, P(M=1) = 0.5 \)；\( G_0 \)：\( P(M=0) = 1, P(M=1) = 0 \)。 - \( E[Y(1, G_1)] = 0.5 \times 0 + 0.5 \times 1 = 0.5 \)；\( E[Y(1, G_0)] = 1 \times 0 + 0 \times 1 = 0 \)。 - RIIE = 0.5 ≠ 0，尽管个体层面间接效应为零。

这个最小内核揭示了本文的核心论点：RIIE 不满足 sharp null criterion——即使没有个体层面的间接效应，RIIE 也可能非零。因此，RIIE 不能被视为“中介效应”的度量，因为它可能将“中介分布的改变”误认为“中介效应”，而实际上只是“处理组中不同个体的常数结果被不同地加权”。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：随机干预间接效应（RIIE）是否具有真正的“中介解释”，即它是否满足一组合理的解释性准则（如 sharp null criterion）。
  2. 核心工具/方法：提出一组准则（sharp null criterion、consistency with total effect decomposition 等），并通过反例和理论证明，论证 RIIE 不满足这些准则。
  3. 主要结论：在没有更强假设的情况下，RIIE 不应被解释为中介效应；它更适合被视为一种“总效应分解”中的一项，而非独立的中介效应度量。

关键设定与假设

  • 设定：标准因果中介分析框架，存在反事实变量 \( Y(a, m) \) 和 \( M(a) \)，满足一致性。
  • 假设：
  • 识别 RIIE 所需的最小假设：处理-中介无未测量混杂（给定协变量 \( C \)），以及处理-中介交互作用的可识别性。本文的批判正是在这些假设下进行的——即，即使这些假设成立，RIIE 仍不满足 sharp null criterion。
  • 本文不假设顺序可忽略性（即中介-结果无未测量混杂），这正是 RIIE 相对于 NIE 的优势所在。
  • 相比已有文献：本文不提出新的识别或估计方法，而是对已有方法（RIIE）的解释性进行理论批判。因此，它不“放宽”或“强化”任何假设，而是指出在现有假设下，RIIE 的解释存在根本性缺陷。

主要结果

  • 结果 1：RIIE 不满足 sharp null criterion。这是本文的核心定理。作者通过构造反例（如第二节的最小内核所示）证明：即使对于每个个体，\( Y(1, m) \) 不随 \( m \) 变化（即个体层面间接效应为零），RIIE 也可能非零。这意味着 RIIE 不能作为“中介效应”的度量，因为它可能将“中介分布的改变”误认为“中介效应”。
  • 结果 2：RIIE 不满足“总效应分解”的一致性。作者进一步指出，即使将 RIIE 视为总效应分解的一部分（即总效应 = 直接效应 + 间接效应），这种分解也不唯一，且 RIIE 的解释依赖于如何定义直接效应。具体来说，如果直接效应被定义为“将中介固定在某分布下的处理效应”，那么 RIIE 和直接效应的和等于总效应，但这种分解的“中介”解释是模糊的。
  • 结果 3：在更强假设下，RIIE 可能满足 sharp null criterion。作者讨论了两种情形：（a）处理-中介无交互作用（即 \( Y(1, m) - Y(0, m) \) 不随 \( m \) 变化）；（b）中介-结果无未测量混杂（即顺序可忽略性成立）。在这些假设下，RIIE 退化为 NIE 或与之等价，从而满足 sharp null criterion。但作者强调，这些假设正是 RIIE 原本试图绕开的，因此这一“修复”削弱了 RIIE 的初衷。

证明路线与技术技巧

  • 整体路线：
  • 定义 sharp null criterion：一个间接效应度量 \( \theta \) 应满足：如果对于所有个体，\( Y(1, m) \) 不随 \( m \) 变化，则 \( \theta = 0 \)。
  • 构造反例：在无协变量的二值处理/二值中介设定下，构造一个数据生成过程，使得个体层面间接效应为零，但 RIIE ≠ 0。
  • 推广到一般情形：将反例推广到有协变量、连续中介等更一般设定，证明 sharp null criterion 的违反是普遍的，而非特例。
  • 讨论其他准则：类似地，检验 RIIE 是否满足其他解释性准则（如“总效应分解的一致性”），并证明不满足。

  • 讨论修复条件：分析在哪些更强假设下 RIIE 可以满足 sharp null criterion，并指出这些假设的代价。

  • 关键跳跃点：

  • 从个体层面到分布层面的跳跃：RIIE 的核心是“随机干预到分布”，而非“改变个体的中介值”。这一跳跃使得 RIIE 对个体层面间接效应的敏感性为零——即使每个个体的 \( Y(1, m) \) 是常数，只要不同个体的常数不同，且中介分布在处理组和对照组间不同，RIIE 就可能非零。这是本文论证的关键洞察。

  • 反例的构造：反例需要满足两个条件：（a）个体层面间接效应为零（\( Y(1, 0) = Y(1, 1) \) 对所有个体成立）；（b）RIIE ≠ 0。这要求 \( Y(1, m) \) 的个体间变异与中介分布相关。作者通过让 \( Y(1, m) \) 与 \( M(1) \) 相关（即处理组中，中介值不同的个体有不同的常数结果）来实现这一点。

  • 技术技巧点名：

  • 反例构造：这是本文的核心技术工具，而非复杂的数学证明。作者通过简单的二值设定和数值例子，清晰地展示了 sharp null criterion 的违反。
  • 理论论证：本文不涉及高深的概率论或统计理论，而是基于反事实框架的逻辑推理。因此，技术技巧主要是“反事实推理”和“假设检验”的逻辑。

真实例子与应用

本文为纯理论论文，没有真实数据例子、模拟实验或实际应用。作者通过构造反例（数值例子）来论证论点，但这些反例是人为设计的，而非来自真实数据。

🔎 结论是否比证明窄

  • 窄结论：本文严格证明的是“在无协变量的二值处理/二值中介设定下，RIIE 不满足 sharp null criterion”。作者将其推广到更一般设定（有协变量、连续中介等），但推广的严格性取决于读者是否接受“反例可以类似构造”的论证。对于连续中介，反例的构造需要更细致的处理（如 \( Y(1, m) \) 是 \( m \) 的常数函数，但不同个体的常数不同），但核心逻辑相同。
  • 泛泛 claim：作者在结论中声称“RIIE 不应被解释为中介效应”，这一 claim 比严格证明的“RIIE 不满足 sharp null criterion”更宽。因为 sharp null criterion 只是作者提出的准则之一，是否接受它作为“中介解释”的必要条件，取决于读者的判断。作者没有证明“所有合理的解释性准则都要求 sharp null criterion”，因此“不应被解释为中介效应”这一结论依赖于读者对 sharp null criterion 的接受程度。
  • 值得注意的语句：作者在讨论部分提到“RIIE 更适合被视为一种总效应分解中的一项”，但这一 claim 没有严格证明——它只是作者的建议，而非定理。读者应区分“严格证明的结论”和“作者的建议”。

四、开放问题

  1. sharp null criterion 是否过于严格？ 本文将其作为“中介解释”的必要条件，但是否有合理的“中介解释”定义不要求 sharp null criterion？例如，如果研究者只关心“平均层面的中介效应”，而非“个体层面的中介效应”，那么 RIIE 是否可接受？这一争论扎根于本文对 sharp null criterion 的定义和论证。

  2. 在哪些实证场景下，RIIE 的 sharp null criterion 违反是严重的？ 本文证明了违反的可能性，但没有量化其严重性。例如，如果 \( Y(1, m) \) 的个体间变异很小，或者中介分布在处理组和对照组间差异很小，那么 RIIE 的违反可能可忽略。是否存在一个“敏感性分析”框架来评估这种违反的严重性？这一开放问题扎根于本文的反例构造逻辑。

  3. 是否存在其他间接效应度量，既满足 sharp null criterion，又不需要顺序可忽略性？ 本文指出 RIIE 不满足，但没有提出替代方案。是否可能定义一种新的间接效应度量（如“条件随机干预间接效应”），在放松假设的同时保留中介解释？这一开放问题扎根于本文的结论部分（“RIIE 不应被解释为中介效应”）。

  4. RIIE 作为“总效应分解”的解释是否具有独立的科学价值？ 作者建议将 RIIE 视为总效应分解的一部分，但这一解释是否能为实证研究提供有意义的科学洞见？例如，在政策评估中，分解总效应为“通过中介的路径”和“其他路径”是否有用，即使前者不能被称为“中介效应”？这一开放问题扎根于本文的讨论部分（“alternative causal interpretations”）。

提醒：要确认这些是否是真正的 gap，建议去读同子领域近期约 5 篇的 intro（如 VanderWeele 2015 的综述、Vansteelandt & Daniel 2017 的推广、以及任何对 RIIE 的实证应用论文）。如果它们都指向“RIIE 的解释性需要澄清”，那么本文的批判是共识性的真 gap；如果它们互相打架（有的接受 RIIE 作为中介效应，有的质疑），那么这是一个活跃的争论点，机会更大。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论