Instrumental Variable Estimation of Dynamic Treatment Effects on a Duration Outcome¶

作者: Jad Beyhum, Samuele Centorrino, Jean-Pierre Florens, Ingrid Van Keilegom
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的核心问题是：在动态处理（dynamic treatment）设定下，处理发生的时间点 Z 对后续持续时间 T（如康复时长、存活时间）的因果效应如何识别与估计？ 这是一个典型的“时间-事件”因果推断问题，其特殊性在于：(1) 处理时间 Z 是内生的（非随机分配）；(2) 结果变量 T 被随机右删失变量 C 截断；(3) 处理时间 Z 本身也被 T∧C 右删失（即若 T 先发生，则 Z 被截断）。该方向当前成熟度较低——大多数现有工作要么假设处理时间是固定的（非动态），要么假设处理时间外生，要么忽略删失结构。本文试图在完全非参数框架下解决识别问题，并在参数模型下给出估计与渐近理论。

发展脉络（history）¶

作者在引言中引用的工作可串成以下脉络：

奠基工作：处理时间外生且无删失。Abbring & van den Berg (2003) 是经典起点，它研究了动态处理效应（处理时间 Z 对 T 的因果效应），但假设 Z 是外生的（即给定协变量后，Z 与 T 的误差项独立）。该工作奠定了“混合比例风险模型”（MPH）框架，但未处理内生性。
主要进展：引入工具变量处理内生性。Bijwaard (2014) 将工具变量引入动态处理设定，但假设处理时间 Z 是完全可观测的（即无删失）。这在实际中不现实——因为 T 被删失时，Z 也可能被截断。作者引用该文时指出：“Bijwaard (2014) 假设 Z 是完全可观测的，这在实际中很少成立。”
当前 frontier：同时处理内生性与删失。本文是第一个同时处理以下三个特征的设定：(1) 处理时间 Z 内生；(2) T 被随机右删失；(3) Z 被 T∧C 右删失。作者声称：“据我们所知，这是第一篇在动态处理设定中同时处理内生性与删失的工作。”
本文的位置：本文填补了上述 gap，但仅给出参数模型下的估计与渐近理论，非参数估计（如 sieve）被留作未来工作。

子线索聚类¶

被引文献大致落在两条子线索上：

动态处理效应（外生设定）：Abbring & van den Berg (2003)、Abbring (2012) 等。核心是假设处理时间外生，利用 MPH 模型或逆概率加权识别因果效应。瓶颈：内生性未被处理。
工具变量与持续时间模型：Bijwaard (2014)、Bijwaard et al. (2015) 等。引入 IV 处理内生性，但假设 Z 完全可观测。瓶颈：删失结构被忽略。

这个方向在追问的核心问题¶

识别问题：在动态处理设定下，给定 IV 和删失结构，回归函数 \( m(z) = \mathbb{E}[T \mid Z = z, \text{uncensored}] \) 是否可识别？需要什么条件？
估计问题：如何从右删失数据中估计 \( m(z) \)？参数模型 vs. 非参数模型？
渐近理论：估计量的收敛速度、渐近分布、效率界是什么？
实际应用：如何将方法应用于医学、经济学中的动态处理问题（如治疗时机对康复时长的影响）？

⚠️ 作者的 framing¶

作者将缺口 frame 成：“现有文献要么假设处理时间外生，要么假设处理时间完全可观测，而我们的设定同时处理内生性与删失。” 这使本文成为“显然的下一步”。但作者淡化了以下竞争路线： - 逆概率加权（IPW）方法：若删失机制可建模，IPW 可能更简单。作者仅用一句话提及：“IPW 需要正确指定删失模型，而我们的方法基于 IV，对删失机制更稳健。” - 半参数方法：作者仅给出参数模型下的估计，未讨论半参数（如部分线性模型）或非参数（如 sieve）估计。这可能是为了简化理论，但限制了方法的灵活性。

值得研究者去查的问题：为什么作者没有引用或讨论 “动态处理效应中的工具变量方法在删失数据下的非参数识别” 的已有工作？例如，是否存在关于“IV 在删失持续时间模型中的非参数识别”的文献（如 Honoré & Hu 2004 或类似工作）？作者在引言中未提及任何关于“非参数识别”的已有结果，这可能是该方向的真正 gap。

张力¶

未见明显对立引用。所有被引工作基本一致地认为：动态处理效应在删失数据下的识别与估计是一个开放问题，本文是第一个系统处理该问题的尝试。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号： - \( Z \)：处理时间（随机变量），即受试者接受处理的时间点。它是内生的（与误差项相关）。 - \( T \)：持续时间（随机变量），即从某个起点到事件发生的时间（如康复时长）。它是我们关心的结果变量。 - \( C \)：右删失时间（随机变量），独立于 \( T \) 和 \( Z \)（给定协变量后）。\( T \) 被 \( C \) 右删失。 - \( Y = T \land C \)：可观测的持续时间（取 \( T \) 和 \( C \) 的最小值）。 - \( \Delta = \mathbf{1}\{T \leq C\} \)：删失指示符，\( \Delta = 1 \) 表示 \( T \) 未被删失（事件发生），\( \Delta = 0 \) 表示 \( T \) 被删失。 - \( \tilde{Z} = Z \land Y \)：可观测的处理时间（取 \( Z \) 和 \( Y \) 的最小值）。注意：\( Z \) 被 \( Y \) 右删失。 - \( \Delta_Z = \mathbf{1}\{Z \leq Y\} \)：处理时间删失指示符，\( \Delta_Z = 1 \) 表示 \( Z \) 未被删失（处理发生在事件或删失之前）。 - \( V \)：工具变量（随机变量），解释 \( Z \) 且独立于 \( T \) 的误差项（给定协变量后）。 - \( m(z) = \mathbb{E}[T \mid Z = z] \)：感兴趣的回归函数（因果效应）。注意：这是潜在结果的期望，因为 \( T \) 在 \( Z \) 被删失时不可观测。 - \( \theta \)：参数向量（若 \( m(z) \) 被参数化为 \( m(z; \theta) \)）。

模型： - 数据生成机制：假设存在一个潜在结果 \( T(z) \)（若处理发生在时间 \( z \)），但实际观测到的 \( T \) 是 \( T(Z) \)（即处理时间 \( Z \) 下的结果）。这是一个动态处理设定，因为处理时间 \( Z \) 本身是随机的。 - 内生性：\( Z \) 与 \( T \) 的误差项相关（例如，更早接受处理的人可能有更严重的病情，导致更长的康复时间）。 - 工具变量：\( V \) 满足：(1) 相关性：\( V \) 与 \( Z \) 相关；(2) 外生性：\( V \) 独立于 \( T \) 的误差项（给定协变量后）；(3) 排他性：\( V \) 仅通过 \( Z \) 影响 \( T \)。 - 删失：\( C \) 独立于 \( (T, Z, V) \)（给定协变量后），且 \( C \) 的分布已知或可估计。

可观测数据： - 研究者实际能观测到的是：\( (Y, \Delta, \tilde{Z}, \Delta_Z, V) \) 的独立同分布样本。 - 关键不可观测量： - 当 \( \Delta = 0 \) 时，\( T \) 被删失，不可观测。 - 当 \( \Delta_Z = 0 \) 时，\( Z \) 被删失，不可观测。 - 因此，我们无法直接观测到 \( (Z, T) \) 的联合分布，只能观测到它们的删失版本。

第二步：讲最小内核¶

最简特例：假设 \( T \) 和 \( Z \) 都是离散的，且取有限个值（例如 \( T \in \{1, 2\} \)，\( Z \in \{1, 2\} \)）。删失变量 \( C \) 是常数（例如 \( C = 3 \)），因此无删失（\( Y = T \)，\( \Delta = 1 \)）。但 \( Z \) 仍可能被 \( T \) 右删失（若 \( T < Z \)，则 \( \tilde{Z} = T \)，\( \Delta_Z = 0 \)）。工具变量 \( V \) 是二值的（\( V \in \{0, 1\} \)）。

核心问题：我们想估计 \( m(z) = \mathbb{E}[T \mid Z = z] \)。但由于 \( Z \) 是内生的，直接回归会得到有偏估计。工具变量 \( V \) 可用来纠正内生性。

识别思路：在离散设定下，识别条件可简化为一个线性方程组。假设 \( T \) 和 \( Z \) 的联合分布由参数 \( p_{tz} = \mathbb{P}(T = t, Z = z) \) 决定。我们想估计 \( \mathbb{E}[T \mid Z = z] = \sum_t t \cdot p_{tz} / \sum_t p_{tz} \)。但 \( p_{tz} \) 不可直接观测，因为 \( Z \) 被 \( T \) 右删失（即当 \( T < Z \) 时，我们观测不到 \( Z \) 的真实值，只能观测到 \( \tilde{Z} = T \)）。

工具变量 \( V \) 的作用：假设 \( V \) 与 \( Z \) 相关，且独立于 \( T \) 的误差项。在离散设定下，这等价于：\( \mathbb{P}(T = t \mid Z = z, V = v) = \mathbb{P}(T = t \mid Z = z) \)（即 \( V \) 不直接预测 \( T \) 给定 \( Z \)）。利用这个条件，我们可以写出一个关于 \( p_{tz} \) 的线性方程组，其系数由可观测的 \( (Y, \tilde{Z}, V) \) 的分布决定。解这个方程组即可识别 \( p_{tz} \)，进而得到 \( m(z) \)。

为什么难：在连续设定下，这个线性方程组变成了一个积分方程（Fredholm 第一类积分方程）。解的存在性、唯一性、稳定性都需要仔细分析。本文的核心贡献就是给出了这个积分方程及其识别条件。

本文的关键想法：将识别问题转化为一个积分方程，然后利用工具变量的外生性证明该方程的解唯一（在适当条件下）。估计阶段则假设 \( m(z) \) 属于一个参数族（如线性或指数形式），从而将积分方程转化为一个可解的矩条件，再用 GMM 或类似方法估计参数。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在动态处理设定下，处理时间 \( Z \) 对持续时间 \( T \) 的因果效应，其中 \( Z \) 是内生的，\( T \) 被随机右删失，且 \( Z \) 被 \( T \land C \) 右删失。
核心工具/方法：将回归函数 \( m(z) = \mathbb{E}[T \mid Z = z] \) 刻画为一个积分方程的解，利用工具变量 \( V \) 实现识别；估计阶段假设 \( m(z) \) 服从参数模型，提出基于矩条件的估计量。
主要结论：给出了识别条件（积分方程解的唯一性），证明了参数估计量的渐近正态性，并通过模拟和实际数据验证了方法。

关键设定与假设¶

完整设定（在第二节最小记号基础上补充）： - 数据：\( (Y_i, \Delta_i, \tilde{Z}_i, \Delta_{Z,i}, V_i) \)，\( i = 1, \dots, n \)，独立同分布。 - 模型：假设存在一个潜在结果 \( T(z) \)，但实际观测到的 \( T = T(Z) \)。回归函数 \( m(z) = \mathbb{E}[T(z)] \) 是感兴趣的因果量。注意：这里假设 \( T(z) \) 的期望不依赖于 \( Z \) 的实现（即“一致性”假设），但 \( Z \) 与 \( T \) 的误差项相关。 - 工具变量：\( V \) 满足： - 相关性：\( V \) 与 \( Z \) 相关。 - 外生性：\( V \) 独立于 \( T \) 的误差项（给定协变量后）。在本文中，这被形式化为：\( \mathbb{E}[T \mid Z, V] = \mathbb{E}[T \mid Z] \)（即 \( V \) 不直接预测 \( T \) 给定 \( Z \)）。 - 排他性：\( V \) 仅通过 \( Z \) 影响 \( T \)。这隐含在“\( V \) 独立于误差项”中。 - 删失：\( C \) 独立于 \( (T, Z, V) \)（给定协变量后）。这是标准随机删失假设。 - 参数模型：假设 \( m(z) = m(z; \theta) \)，其中 \( \theta \in \Theta \subset \mathbb{R}^d \) 是有限维参数。例如，\( m(z; \theta) = \theta_0 + \theta_1 z \)（线性）或 \( m(z; \theta) = \exp(\theta_0 + \theta_1 z) \)（指数）。

相比已有文献的强化/放宽： - 强化：相比 Abbring & van den Berg (2003)，本文允许 \( Z \) 内生，因此需要 IV。 - 放宽：相比 Bijwaard (2014)，本文允许 \( Z \) 被右删失，因此更贴近实际。 - 限制：本文假设 \( m(z) \) 是参数模型，而非完全非参数。这是为了简化估计与渐近理论。

主要结果¶

定理 1（识别）：在假设 1-4 下，回归函数 \( m(z) \) 是以下积分方程的唯一解：

\[\mathbb{E}[T \mid V = v] = \int m(z) \, f_{Z \mid V}(z \mid v) \, dz,\]

其中 \( f_{Z \mid V} \) 是 \( Z \) 给定 \( V \) 的条件密度。该方程的解存在且唯一，当且仅当 \( f_{Z \mid V} \) 满足一个“完备性”条件（即 \( \int g(z) f_{Z \mid V}(z \mid v) dz = 0 \) 对所有 \( v \) 成立蕴含 \( g = 0 \)）。

直觉：左边是可观测的 \( \mathbb{E}[T \mid V = v] \)（注意：这里 \( T \) 被删失，但作者假设删失机制已知或可估计，因此 \( \mathbb{E}[T \mid V = v] \) 可通过 Kaplan-Meier 估计或类似方法得到）。右边是 \( m(z) \) 关于条件密度 \( f_{Z \mid V} \) 的积分。这个方程将不可直接观测的 \( m(z) \) 与可观测量联系起来。
必要条件：\( f_{Z \mid V} \) 必须满足“完备性”条件，这类似于非参数 IV 中的“完备性”条件。作者指出，这等价于 \( V \) 对 \( Z \) 有足够的“预测力”。
解决的技术难点：处理删失数据下的积分方程。作者需要证明，即使 \( T \) 和 \( Z \) 都被删失，上述方程仍然成立（通过适当的条件期望调整）。

定理 2（渐近正态性）：在假设 1-6 下，参数估计量 \( \hat{\theta} \) 是渐近正态的：

\[\sqrt{n} (\hat{\theta} - \theta_0) \xrightarrow{d} N(0, \Sigma),\]

其中 \( \Sigma \) 是渐近协方差矩阵，其形式由影响函数给出。

直觉：这是标准 M-估计或 GMM 估计的渐近理论。作者将积分方程转化为一个矩条件 \( \mathbb{E}[g(Y, \Delta, \tilde{Z}, \Delta_Z, V; \theta)] = 0 \)，然后用样本矩代替总体矩，得到 \( \hat{\theta} \)。
必要条件：参数模型正确指定（即存在 \( \theta_0 \) 使得 \( m(z) = m(z; \theta_0) \)），以及一些正则条件（如矩条件可微、Fisher 信息矩阵非奇异等）。
解决的技术难点：处理删失数据带来的额外复杂性。作者需要证明，即使 \( T \) 和 \( Z \) 被删失，矩条件仍然可估计，且估计量是 \( \sqrt{n} \)-一致的。

证明路线与技术技巧¶

整体路线： 1. 识别：从工具变量的外生性出发，推导出积分方程 \( \mathbb{E}[T \mid V = v] = \int m(z) f_{Z \mid V}(z \mid v) dz \)。证明该方程的解唯一（在完备性条件下）。 2. 矩条件：将积分方程转化为一个矩条件。具体地，定义 \( \rho(Y, \Delta, \tilde{Z}, \Delta_Z, V; \theta) = \phi(V) (T - m(Z; \theta)) \)，其中 \( \phi(V) \) 是工具变量的某个函数（如 \( V \) 本身或 \( V \) 的基函数）。则 \( \mathbb{E}[\rho] = 0 \) 当且仅当 \( \theta = \theta_0 \)。 3. 估计：用样本矩 \( \frac{1}{n} \sum_i \hat{\rho}_i \) 代替总体矩，其中 \( \hat{\rho}_i \) 是 \( \rho_i \) 的估计（因为 \( T \) 和 \( Z \) 被删失，需要用 Kaplan-Meier 估计或类似方法调整）。然后解 \( \frac{1}{n} \sum_i \hat{\rho}_i = 0 \) 得到 \( \hat{\theta} \)。 4. 渐近理论：证明 \( \hat{\theta} \) 是 \( \sqrt{n} \)-一致且渐近正态的。这需要： - 证明 \( \frac{1}{\sqrt{n}} \sum_i \hat{\rho}_i \) 是渐近正态的（通过经验过程理论或 U-统计量展开）。 - 证明 \( \hat{\theta} \) 是 \( \frac{1}{n} \sum_i \hat{\rho}_i \) 的连续函数（通过隐函数定理或 M-估计理论）。 - 处理删失带来的额外变异性（通过影响函数展开）。

关键跳跃点： - 积分方程的解的存在性与唯一性：这是最吃功夫的部分。作者需要证明，在删失数据下，积分方程仍然有解，且解唯一。这依赖于工具变量的“完备性”条件，以及删失机制的可逆性。 - 删失数据的矩条件估计：由于 \( T \) 和 \( Z \) 被删失，我们不能直接计算 \( \rho_i \)。作者提出用 Kaplan-Meier 估计或逆概率加权（IPW）来调整。这需要证明调整后的矩条件仍然无偏，且其影响函数可计算。

技术技巧点名： - 积分方程理论：用于识别。作者将因果效应刻画为 Fredholm 第一类积分方程的解，并利用工具变量的完备性条件证明解的唯一性。 - Kaplan-Meier 估计：用于处理 \( T \) 的右删失。作者用 Kaplan-Meier 估计 \( \mathbb{E}[T \mid V = v] \) 的积分方程中的左边。 - 逆概率加权（IPW）：用于处理 \( Z \) 的右删失。作者用 IPW 调整 \( \rho_i \) 中的 \( Z \) 项。 - M-估计理论：用于渐近正态性证明。作者将估计量视为 M-估计量，并验证其正则条件。 - 影响函数展开：用于推导渐近方差。作者将 \( \hat{\theta} \) 的影响函数展开为 \( \rho_i \) 的线性函数，从而得到 \( \Sigma \)。

真实例子与应用¶

数据：来自一项关于“倦怠治疗（burnout therapy）时机对康复时长的影响”的研究。数据包含 1000 多名患者，记录了： - \( Z \)：开始治疗的时间（从诊断到治疗开始的天数）。 - \( T \)：康复时长（从治疗开始到康复的天数）。 - \( C \)：删失时间（患者退出研究或研究结束的时间）。 - \( V \)：工具变量——患者被分配到的治疗中心（不同中心有不同的治疗启动政策，但中心本身不直接影响康复时长）。

方法应用： 1. 假设 \( m(z) = \theta_0 + \theta_1 z \)（线性模型）。 2. 用 Kaplan-Meier 估计 \( \mathbb{E}[T \mid V = v] \) 和 \( f_{Z \mid V}(z \mid v) \)。 3. 解积分方程得到 \( \hat{\theta} \)。 4. 计算标准误和置信区间。

结果： - \( \hat{\theta}_1 \) 为负（即更早开始治疗与更短的康复时长相关），但置信区间包含零（即效应不显著）。 - 与普通最小二乘（OLS）估计对比：OLS 估计 \( \hat{\theta}_1 \) 为正（即更早治疗与更长康复时长相关），这可能是由于内生性（更早治疗的患者病情更重）。IV 估计纠正了这种偏误。

这个例子想说明什么： - 验证理论：展示了 IV 估计在动态处理设定下的可行性。 - 展示相对 baseline 的优势：与 OLS 对比，IV 估计得到了相反的符号，说明内生性确实存在且 IV 方法有效。 - 实际意义：虽然结果不显著，但方向性结论（更早治疗可能有益）与临床直觉一致。

🔎 结论是否比证明窄¶

窄结论 1：定理 1（识别）假设 \( f_{Z \mid V} \) 满足“完备性”条件，但作者未给出该条件的具体验证方法（例如，如何从数据中检验该条件？）。在应用中，这只是一个假设。
窄结论 2：定理 2（渐近正态性）假设参数模型正确指定。若模型误指定，估计量可能不一致。作者在讨论中承认：“模型误指定是一个重要问题，但我们未处理。”
窄结论 3：作者假设删失变量 \( C \) 独立于 \( (T, Z, V) \)。若删失机制依赖于 \( Z \) 或 \( V \)，则方法可能失效。作者未讨论这种更一般的删失设定。

四、开放问题¶

非参数估计：本文仅给出参数模型下的估计。能否将 \( m(z) \) 视为非参数函数，用 sieve 或核方法估计？这需要处理积分方程的非参数解，以及删失数据下的收敛速度。扎根点：作者在结论中写道：“非参数估计是未来工作的重要方向。”
模型误指定检验：如何检验参数模型 \( m(z; \theta) \) 是否正确指定？例如，能否构造一个基于积分方程残差的检验？扎根点：作者在讨论中承认：“模型误指定是一个重要问题。”
更一般的删失机制：若删失变量 \( C \) 依赖于 \( Z \) 或 \( V \)，本文的方法是否仍适用？可能需要引入额外的工具变量或假设。扎根点：作者假设 \( C \) 独立于 \( (T, Z, V) \)，但未讨论更一般的设定。
多个工具变量：若存在多个工具变量，如何最优地组合它们？这类似于 GMM 中的最优权重选择。扎根点：作者仅考虑单个 IV，但提到“多个 IV 的扩展是直接的”。

提醒：要确认这些是否是真 gap，建议去读同子领域近期约 5 篇的 intro（如 Abbring 2012, Bijwaard 2014, 以及关于“动态处理效应中的非参数 IV”的文献）。若都指向同一个问题，则是共识（真 gap）；若互相打架，则是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub