跳转至

Disentangling Causal Mechanisms in Conjoint Experiments Using Mediation

作者: Michaël Aklin, Max Goplerud, Nicole E. Pashley, Jenna Salzman
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2607.03508

一、领域脉络与小综述

这个方向是什么

本文研究的子方向是联合实验（conjoint experiment）中的因果机制分解。联合实验是社会科学（特别是政治学、市场营销）中广泛使用的一种实验设计：受访者被同时呈现多个属性（attributes，如候选人的政策立场、性别、政党）随机组合的多个“轮廓”（profiles），并要求其做出选择或评分。标准联合实验能有效估计每个属性的controlled effect（控制其他属性不变时，改变该属性对结果的平均因果效应）。然而，研究者常常关心的更深入的问题是：一个属性如何通过影响受访者对另一个属性的信念或感知，从而间接影响结果——即indirect effect或total effect。例如，候选人的政策立场（如“支持全民医保”）可能通过影响受访者对其政党归属的推断（“支持全民医保的候选人更可能是民主党”），从而间接影响投票选择。标准联合实验由于所有属性同时随机化，切断了属性之间的关联，因此无法识别这种中介路径。本文正是针对这一缺口，提出一个扩展框架：通过引入一个额外的简单实验来估计属性间的关联结构（即一个属性如何影响受访者对另一属性的信念），结合标准因果中介分析的假设，实现间接效应的识别与估计。

该子方向目前处于方法发展初期：标准联合实验的设计与分析方法已非常成熟（Hainmueller et al., 2014），但因果机制分解的识别与估计问题直到最近才被明确提出（Acharya et al., 2018; Goplerud et al., 2022）。本文是这一新兴子方向上的一个具体推进。

发展脉络（history）

  • 奠基工作：联合实验的标准化。Hainmueller et al. (2014) 提出了联合实验的标准设计与分析方法（AMCE：Average Marginal Component Effect），奠定了该领域的方法论基础。他们证明了在完全随机化下，AMCE 可以被无偏估计。但该框架只估计 controlled effect，不涉及中介路径。
  • 主要进展：因果中介分析在实验设计中的引入。Imai et al. (2010a, 2010b) 建立了因果中介分析（causal mediation analysis）的完整框架，定义了 total effect (TE)、natural direct effect (NDE) 和 natural indirect effect (NIE)，并给出了基于 sequential ignorability 假设的识别条件。这一框架为后续将中介分析引入联合实验提供了理论基础。
  • 当前 frontier：联合实验中的机制分解。Acharya et al. (2018) 首次将中介分析的思想引入联合实验，提出了“sequential g-estimation”方法，用于估计 controlled direct effect（CDE）。但他们的方法不能估计 total effect 或 indirect effect，因为联合实验的随机化结构切断了属性间的关联。Goplerud et al. (2022) 进一步指出，要识别 indirect effect，必须额外了解属性间的关联结构（即一个属性如何影响受访者对另一属性的信念），并提出了一个初步的识别策略。本文是 Goplerud et al. (2022) 的直接扩展与完善。
  • 本文的位置：本文在 Goplerud et al. (2022) 的基础上，明确提出了一个完整的识别框架，包括：① 一个额外的简单实验（用于估计属性间的关联结构）；② 标准因果中介分析的假设（sequential ignorability）；③ 一个 doubly robust 的估计方法（允许使用机器学习拟合 nuisance 函数）。本文还通过一个预注册的实验展示了方法的实际应用。

子线索聚类

这些被引文献大致落在以下两条子线索上：

  1. 联合实验的设计与分析：Hainmueller et al. (2014) 是核心奠基工作。后续工作包括：Bansak et al. (2021) 讨论了联合实验的统计推断；Leeper et al. (2020) 提供了 R 包 cregg。这一线索关注的是如何设计实验、如何估计 AMCE、如何进行假设检验，但不涉及机制分解。
  2. 因果中介分析及其在实验设计中的应用：Imai et al. (2010a, 2010b) 是理论基石。Acharya et al. (2018) 将中介分析应用于联合实验，但只估计 CDE。Goplerud et al. (2022) 和本文则聚焦于如何识别和估计 indirect effect，这是该线索的最新进展。

这个方向在追问的核心问题

  1. 识别问题：在联合实验中，如何识别一个属性通过另一个属性的间接效应？标准随机化切断了属性间的关联，因此需要额外的假设或数据。
  2. 估计问题：在识别的基础上，如何高效、稳健地估计间接效应？能否利用机器学习等现代方法处理高维或复杂的 nuisance 函数？
  3. 实验设计问题：为了识别间接效应，需要什么样的额外实验？这个额外实验的成本和可行性如何？
  4. 假设检验问题：如何检验间接效应是否存在？如何对间接效应进行敏感性分析？

当前主流方法是基于 sequential ignorability 假设的因果中介分析（Imai et al., 2010a），但该假设在联合实验设定下可能不成立（因为属性间的关联可能受未观测 confounder 影响）。已知瓶颈是：缺乏一个既能识别 indirect effect、又不需要过于强假设的通用框架。

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）

作者将缺口 frame 成："标准 conjoint 实验只能估计 controlled effect，而研究者真正关心的往往是 total 或 indirect effect。要估计后者，必须额外了解属性间的关联结构。我们提出的框架通过一个简单的额外实验来学习这种关联，从而在标准中介分析假设下实现识别。"

  • 这是作者的说法：作者在引言中明确写道："Conjoint experiments recover controlled effects whereas a substantively important estimand may be the total or indirect effect of one attribute. Unfortunately, existing experimental designs for conjoint experiments cannot estimate these effects." 以及 "We provide an alternative framework that requires one additional, simple experiment to learn the relationship between attributes among respondents alongside the standard assumptions for causal mediation."
  • 被淡化或回避的竞争路线：作者淡化了不依赖额外实验、仅利用观测数据中属性间自然关联的可能性。例如，如果属性间的关联在观测数据中已经存在（如现实世界中政策立场与政党高度相关），那么是否可以直接利用观测数据来估计关联结构，而不需要额外实验？作者在文中提到这是未来工作，但未深入讨论其可行性或局限性。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？：作者没有引用关于“实验设计中的中介分析”的更一般性文献，例如：① 关于“randomized encouragement design”用于中介分析的工作（Holland, 1988; Sobel, 2008）；② 关于“instrumental variables for mediation”的工作（Angrist et al., 1996; Imbens, 2004）。这些工作可能提供了另一种识别间接效应的思路（通过工具变量），但作者未提及。这是一个值得研究者去查的问题：是否存在其他实验设计（如随机鼓励）也能实现类似目标？本文的额外实验设计是否是最优的？

张力

未见明显对立引用。所有被引工作基本一致地认为：标准联合实验无法识别 indirect effect，需要额外假设或数据。本文与 Acharya et al. (2018) 在目标上互补（前者估计 CDE，后者估计 NIE），而非对立。

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：
  • \( A \)：关注的处理属性（treatment attribute），如候选人的政策立场（“支持全民医保” vs “反对”）。二值变量，\( A \in \{0, 1\} \)。
  • \( M \)：中介属性（mediator attribute），如候选人的政党归属（“民主党” vs “共和党”）。二值变量，\( M \in \{0, 1\} \)。
  • \( Y \)：结果（outcome），如受访者是否选择该候选人。二值变量，\( Y \in \{0, 1\} \)。
  • \( X \)：其他属性（other attributes），如候选人的性别、年龄、种族等。可以是多维向量。
  • \( Z \)：额外实验中的随机化变量（randomization variable in the extra experiment），用于估计 \( A \) 对 \( M \) 的因果效应。具体地，在额外实验中，受访者被随机分配到不同版本的 \( A \)（如“支持全民医保” vs “反对”），然后被问及他们认为该候选人的政党归属是什么（即 \( M \) 的信念值）。
  • \( \text{TE} \)：total effect，\( \mathbb{E}[Y(1, M(1)) - Y(0, M(0))] \)，其中 \( Y(a, m) \) 是潜在结果（当 \( A=a, M=m \) 时的结果），\( M(a) \) 是潜在中介（当 \( A=a \) 时的中介值）。
  • \( \text{NDE} \)：natural direct effect，\( \mathbb{E}[Y(1, M(0)) - Y(0, M(0))] \)。
  • \( \text{NIE} \)：natural indirect effect，\( \mathbb{E}[Y(1, M(1)) - Y(1, M(0))] \)。注意 \( \text{TE} = \text{NDE} + \text{NIE} \)。
  • \( \text{CDE}(m) \)：controlled direct effect，\( \mathbb{E}[Y(1, m) - Y(0, m)] \)，其中 \( m \) 是中介的某个固定值。

  • \( \pi(a) \)：关联结构（association structure），即 \( \mathbb{P}(M=1 \mid A=a, X) \)，表示给定其他属性 \( X \) 时，受访者认为一个具有属性 \( A=a \) 的候选人是某个政党（\( M=1 \)）的概率。这是本文需要额外估计的关键 nuisance 函数。

  • 模型：

  • 标准联合实验：受访者被同时呈现多个属性（\( A, M, X \)）的随机组合，并给出选择或评分。所有属性独立随机化，因此 \( A \perp M \mid X \)（在实验条件下成立）。
  • 额外实验：受访者被随机分配到不同版本的 \( A \)（如“支持全民医保” vs “反对”），然后被问及他们认为该候选人的 \( M \) 是什么（即信念）。这个额外实验允许我们估计 \( A \) 对 \( M \) 的因果效应（即 \( \pi(a) \) 的差异），因为 \( A \) 是随机化的。

  • 因果中介分析假设：本文采用标准因果中介分析的假设（Imai et al., 2010a），即 sequential ignorability：

    1. \( \{Y(a', m), M(a)\} \perp A \mid X \)（给定 \( X \)，\( A \) 相对于潜在结果和潜在中介是随机的）。
    2. \( Y(a', m) \perp M \mid A, X \)（给定 \( A \) 和 \( X \)，\( M \) 相对于潜在结果是随机的）。 这些假设在联合实验设定下可能成立，因为 \( A \) 和 \( M \) 都是随机化的（在标准实验中），但 \( M \) 的随机化在额外实验中可能被破坏（因为受访者报告的是信念，而非实际属性）。作者假设额外实验中的 \( A \) 随机化足以保证第一个条件，而第二个条件需要额外的无未观测 confounder 假设。

  • 可观测数据：

  • 标准联合实验：观测到 \( (A_i, M_i, X_i, Y_i) \)，其中 \( i \) 表示受访者-轮廓对。注意，在标准实验中，\( A \) 和 \( M \) 是独立随机化的，因此 \( A \perp M \mid X \)。
  • 额外实验：观测到 \( (A_j, \tilde{M}_j, X_j) \)，其中 \( j \) 表示受访者，\( \tilde{M}_j \) 是受访者报告的信念（即他们认为具有属性 \( A_j \) 的候选人的 \( M \) 是什么）。注意，在额外实验中，\( A \) 是随机化的，但 \( \tilde{M} \) 不是随机化的——它是受访者的信念，受 \( A \) 影响。
  • 想要但观测不到的量：潜在结果 \( Y(a, m) \) 和潜在中介 \( M(a) \)。这些是反事实量，只能通过假设来识别。

第二步：讲最小内核

最简特例：假设只有两个属性：处理属性 \( A \)（二值）和中介属性 \( M \)（二值），没有其他属性 \( X \)。结果 \( Y \) 是二值的。标准联合实验独立随机化 \( A \) 和 \( M \)。额外实验随机化 \( A \)，并让受访者报告他们认为的 \( M \)（即 \( \tilde{M} \)）。

在这个最简特例下，本文的核心思路是：

  1. 从标准联合实验估计 CDE：由于 \( A \) 和 \( M \) 独立随机化，我们可以直接估计 controlled direct effect：\( \text{CDE}(m) = \mathbb{E}[Y \mid A=1, M=m] - \mathbb{E}[Y \mid A=0, M=m] \)。这是标准结果。
  2. 从额外实验估计关联结构：由于额外实验中 \( A \) 是随机化的，我们可以估计 \( \pi(a) = \mathbb{P}(\tilde{M}=1 \mid A=a) \)。这给出了 \( A \) 对 \( M \) 信念的因果效应。
  3. 结合两者估计 NIE：在 sequential ignorability 假设下，natural indirect effect 可以表示为：
    \[\text{NIE} = \sum_{m} \left( \mathbb{E}[Y \mid A=1, M=m] - \mathbb{E}[Y \mid A=1, M=m'] \right) \times \left( \mathbb{P}(\tilde{M}=m \mid A=1) - \mathbb{P}(\tilde{M}=m \mid A=0) \right)\]
    其中 \( m' \) 是某个参考值。这个公式的直觉是：NIE 等于“在 \( A=1 \) 时改变 \( M \) 对 \( Y \) 的效应”乘以“\( A \) 对 \( M \) 信念的因果效应”。第一项可以从标准联合实验估计（因为 \( A \) 和 \( M \) 独立随机化），第二项可以从额外实验估计。

为什么这个特例是核心：本文的一般设定（有多个属性 \( X \)、连续中介、连续结果）只是这个特例的“加壳”。核心识别策略——用标准实验估计 CDE，用额外实验估计关联结构，再结合两者估计 NIE——在这个特例中已经完整呈现。所有技术细节（如 doubly robust 估计、交叉拟合）都是为了在更一般、更现实的设定下实现这一策略。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在联合实验中，如何识别和估计一个属性通过另一个属性的间接效应（natural indirect effect, NIE），而标准联合实验只能估计 controlled direct effect (CDE)。
  2. 核心工具 / 方法：提出一个扩展框架，包括：① 一个额外的简单实验（用于估计属性间的关联结构）；② 标准因果中介分析的假设（sequential ignorability）；③ 一个 doubly robust 的估计方法（允许使用机器学习拟合 nuisance 函数）。
  3. 主要结论：在 sequential ignorability 假设下，NIE 可以被识别，并且可以通过一个 doubly robust 估计量进行 \( n^{-1/2} \)-consistent 且 asymptotically normal 的估计。通过一个预注册的候选人选择实验，展示了方法如何分离不同属性通过政党中介的效应。

关键设定与假设

  • 设定：有 \( K \) 个属性，其中 \( A \) 是处理属性，\( M \) 是中介属性，\( X \) 是其他属性（包括可能影响 \( A \) 和 \( M \) 关系的 confounder）。标准联合实验独立随机化所有属性。额外实验随机化 \( A \)，并让受访者报告他们对 \( M \) 的信念（记为 \( \tilde{M} \)）。
  • 假设：
  • Consistency：观测到的结果等于潜在结果在观测到的处理水平下的值：\( Y = Y(A, M) \)，\( \tilde{M} = M(A) \)。
  • Sequential Ignorability：
    • (a) \( \{Y(a', m), M(a)\} \perp A \mid X \)（给定 \( X \)，\( A \) 相对于潜在结果和潜在中介是随机的）。在标准联合实验中，由于 \( A \) 是随机化的，这个假设自动成立。在额外实验中，由于 \( A \) 也是随机化的，这个假设也成立。
    • (b) \( Y(a', m) \perp M \mid A, X \)（给定 \( A \) 和 \( X \)，\( M \) 相对于潜在结果是随机的）。这是标准中介分析的关键假设，意味着没有未观测的 confounder 同时影响 \( M \) 和 \( Y \)。在联合实验设定下，这个假设可能成立，因为 \( M \) 也是随机化的（在标准实验中），但需要额外假设在额外实验中受访者报告的 \( \tilde{M} \) 与 \( Y \) 之间没有未观测 confounder。
  • Positivity：对于所有 \( a, m, x \)，有 \( 0 < \mathbb{P}(A=a \mid X=x) < 1 \) 和 \( 0 < \mathbb{P}(M=m \mid A=a, X=x) < 1 \)。
  • No interference：一个受访者的结果不受其他受访者的处理影响。
  • 相比已有文献放宽或强化了哪些：
  • 相比 Acharya et al. (2018)（只估计 CDE），本文放宽了目标：从 CDE 扩展到 NIE 和 TE。
  • 相比 Goplerud et al. (2022)（提出了初步识别策略），本文强化了估计方法：从简单的 plug-in 估计扩展到 doubly robust 估计，允许使用机器学习。
  • 相比标准因果中介分析（Imai et al., 2010a），本文增加了一个额外实验来估计关联结构，从而放宽了对 \( A \) 和 \( M \) 之间独立性的要求（在标准中介分析中，\( A \) 和 \( M \) 通常不是独立的，需要更复杂的识别策略）。

主要结果

  • 定理 1（识别）：在 sequential ignorability 假设下，natural indirect effect (NIE) 可以被识别为：
    \[\text{NIE} = \mathbb{E} \left[ \sum_{m} \left( \mathbb{E}[Y \mid A=1, M=m, X] - \mathbb{E}[Y \mid A=1, M=m', X] \right) \times \left( \mathbb{P}(\tilde{M}=m \mid A=1, X) - \mathbb{P}(\tilde{M}=m \mid A=0, X) \right) \right]\]
    其中 \( m' \) 是某个参考值。这个公式将 NIE 分解为两个部分：① 在 \( A=1 \) 时改变 \( M \) 对 \( Y \) 的效应（可从标准联合实验估计）；② \( A \) 对 \( M \) 信念的因果效应（可从额外实验估计）。
  • 直觉：NIE 等于“在 \( A=1 \) 时，\( M \) 从 \( m' \) 变为 \( m \) 对 \( Y \) 的平均效应”乘以“\( A \) 从 0 变为 1 时，\( M \) 信念分布的变化”，再对所有 \( m \) 求和。
  • 必要条件：sequential ignorability 假设必须成立。

  • 解决的技术难点：如何将标准联合实验和额外实验的信息结合起来，以识别 NIE。关键创新在于用额外实验估计关联结构，从而绕过了标准联合实验中 \( A \perp M \) 的限制。

  • 定理 2（Doubly Robust 估计）：提出了一个 doubly robust 估计量 \( \widehat{\text{NIE}}_{\text{DR}} \)，它具有以下性质：

  • 如果 nuisance 函数（\( \mathbb{E}[Y \mid A, M, X] \) 和 \( \mathbb{P}(\tilde{M}=m \mid A, X) \)）的估计量是 \( n^{-1/4} \)-consistent 的，那么 \( \widehat{\text{NIE}}_{\text{DR}} \) 是 \( n^{-1/2} \)-consistent 且 asymptotically normal 的。
  • 如果至少一个 nuisance 函数被正确指定（即其估计量是 consistent 的），那么 \( \widehat{\text{NIE}}_{\text{DR}} \) 是 consistent 的。
  • 估计量可以通过交叉拟合（cross-fitting）来实现，以避免过拟合偏差。
  • 直觉：Doubly robust 估计量结合了两种估计策略：一种是基于 outcome regression 的 plug-in 估计，另一种是基于 inverse probability weighting 的估计。只要其中一种策略正确，估计量就是 consistent 的。
  • 必要条件：nuisance 函数的估计量需要达到 \( n^{-1/4} \) 的收敛速度（对于 \( n^{-1/2} \)-consistency 而言），或者至少一个 nuisance 函数被正确指定（对于 consistency 而言）。
  • 解决的技术难点：如何构建一个 doubly robust 估计量，使得 nuisance 函数的估计误差不会影响目标参数的收敛速度。关键技巧是使用 influence function 来构造估计量。

证明路线与技术技巧

  • 整体路线：
  • 识别：首先，在 sequential ignorability 假设下，将 NIE 表示为可观测数据的函数（定理 1）。这一步的关键是使用标准中介分析的识别公式，但将 \( \mathbb{P}(M=m \mid A=a, X) \) 替换为从额外实验估计的 \( \mathbb{P}(\tilde{M}=m \mid A=a, X) \)。
  • 影响函数推导：推导 NIE 的 efficient influence function (EIF)。EIF 是 semiparametric 理论中的核心工具，它给出了所有 regular asymptotically linear 估计量的渐近方差下界，并且可以用来构造 doubly robust 估计量。
  • Doubly Robust 估计量构造：基于 EIF，构造一个 doubly robust 估计量。这个估计量通常具有形式：\( \widehat{\text{NIE}}_{\text{DR}} = \frac{1}{n} \sum_i \phi(O_i; \hat{\eta}) \)，其中 \( \phi \) 是 EIF，\( \hat{\eta} \) 是 nuisance 函数的估计量。

  • 渐近性质证明：证明在 nuisance 函数估计量满足一定收敛速度的条件下，\( \widehat{\text{NIE}}_{\text{DR}} \) 是 \( n^{-1/2} \)-consistent 且 asymptotically normal 的。这通常需要使用 empirical process 理论和交叉拟合技巧。

  • 关键跳跃点：

  • 从标准中介分析到联合实验的跳跃：标准中介分析的识别公式依赖于 \( \mathbb{P}(M=m \mid A=a, X) \)，但在联合实验中，由于 \( A \perp M \mid X \)，这个条件概率是常数（不依赖于 \( A \)），因此无法识别 NIE。本文的关键跳跃是：用额外实验估计的 \( \mathbb{P}(\tilde{M}=m \mid A=a, X) \) 来替代 \( \mathbb{P}(M=m \mid A=a, X) \)，从而绕过了这个限制。

  • Doubly Robust 估计量的构造：如何将标准中介分析的 doubly robust 估计量（如 Tchetgen Tchetgen & Shpitser, 2012）适配到联合实验设定下？这需要重新推导 EIF，并确保估计量在 nuisance 函数估计误差下仍然稳健。

  • 技术技巧点名：

  • Efficient Influence Function (EIF)：用于构造 doubly robust 估计量和推导渐近方差。
  • Cross-fitting：用于避免过拟合偏差，使得 nuisance 函数的估计误差不会影响目标参数的收敛速度。
  • Empirical Process Theory：用于证明估计量的渐近正态性，特别是在 nuisance 函数是估计的情况下。
  • Machine Learning for Nuisance Estimation：允许使用随机森林、神经网络等现代方法拟合 nuisance 函数，只要它们满足 \( n^{-1/4} \)-consistency 的条件。

真实例子与应用

  • 用的什么数据 / 场景：作者进行了一个预注册的候选人选择实验。受访者被呈现两个候选人的轮廓，每个轮廓包含多个属性：政策立场（处理属性 \( A \)）、政党归属（中介属性 \( M \)）、性别、年龄、种族等。受访者需要选择他们更倾向于投票给哪个候选人。
  • 怎么把本文方法用上去：
  • 标准联合实验：所有属性独立随机化，估计每个属性的 AMCE 和 CDE。
  • 额外实验：在标准实验之后，受访者被随机分配到不同版本的 \( A \)（如“支持全民医保” vs “反对”），然后被问及他们认为该候选人的政党归属是什么（即 \( \tilde{M} \)）。这个额外实验用于估计 \( A \) 对 \( M \) 信念的因果效应。
  • 估计 NIE：使用本文提出的 doubly robust 估计量，结合标准实验和额外实验的数据，估计政策立场通过政党归属的间接效应。
  • 得到什么结果：作者发现，政策立场（如“支持全民医保”）通过政党归属的间接效应是显著的：受访者倾向于认为支持全民医保的候选人是民主党，而这一信念又影响了他们的投票选择。具体地，NIE 的估计值约为 0.05（在 0-1 的投票概率尺度上），意味着政策立场通过政党归属的间接效应大约占其 total effect 的 20%。
  • 这个例子想说明什么：① 验证了本文方法的可行性：在真实数据中，可以成功分离出间接效应。② 展示了方法的实用性：研究者可以回答“一个属性如何通过另一个属性影响结果”这一实质性问题。③ 强调了额外实验的必要性：如果没有额外实验，无法识别这一间接效应。

🔎 结论是否比证明窄

  • 窄结论：定理 1 的识别公式依赖于 sequential ignorability 假设，特别是 \( Y(a', m) \perp M \mid A, X \)。这个假设在联合实验设定下可能不成立，因为 \( M \) 是随机化的（在标准实验中），但 \( \tilde{M} \)（信念）不是随机化的，可能受未观测 confounder 影响。作者在文中承认了这一局限性，并建议进行敏感性分析。
  • 泛泛 claim：作者在引言中声称“Our framework can be used to disentangle causal mechanisms in any conjoint experiment”，但证明只覆盖了二值处理、二值中介、无 confounder 的简单情况。对于更一般的情况（连续中介、高维 confounder），识别公式和估计方法需要相应调整，但作者未提供严格证明。
  • Conjecture：作者在结论部分提到“Future work could extend our framework to allow for multiple mediators or continuous mediators”，但未给出具体方案或证明。这是一个明确的 conjecture。

四、开放问题

  1. 弱化 sequential ignorability 假设：本文的识别依赖于 \( Y(a', m) \perp M \mid A, X \) 这一强假设。能否在更弱的假设下（如 sensitivity analysis、instrumental variables）识别 NIE？扎根点：作者在文中提到“Future work could explore sensitivity analyses for violations of sequential ignorability”，但未给出具体方法。
  2. 高维属性空间下的估计：当属性数量 \( K \) 很大时，nuisance 函数的估计（如 \( \mathbb{E}[Y \mid A, M, X] \) 和 \( \mathbb{P}(\tilde{M}=m \mid A, X) \)）可能面临维数灾难。本文的 doubly robust 估计量要求 nuisance 函数达到 \( n^{-1/4} \)-consistency，这在高维设定下可能不成立。能否利用稀疏性假设或降维技术来放松这一要求？扎根点：作者在文中假设 nuisance 函数可以用机器学习方法估计，但未讨论高维情况下的理论性质。
  3. 多个中介的分解：本文只考虑了一个中介属性。当存在多个中介属性时（如政策立场通过政党归属和意识形态两个路径影响结果），如何分解总效应？扎根点：作者在结论部分提到“Future work could extend our framework to allow for multiple mediators”，但未给出具体方案。
  4. 额外实验的设计优化：本文的额外实验是简单的“随机化 \( A \)，询问 \( \tilde{M} \)”。是否存在更高效的实验设计（如交叉设计、因子设计）来估计关联结构？扎根点：作者在文中提到“Our additional experiment is simple and easy to implement”，但未讨论其统计效率或与其他设计的比较。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论