跳转至

Varying Coefficient Mediation Model and Application to Analysis of Behavioral Economics Data

作者: Yujie Liao, Jingyuan Liu, Donna L. Coffman, Runze Li
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 8/10
机构绿灯: Pennsylvania State University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2021.1971089

一、领域脉络与小综述

这个方向是什么

这个子方向是因果中介分析（Causal Mediation Analysis），其根本问题是：在存在一个中介变量（mediator）M 的情况下，如何将处理变量 T 对结果变量 Y 的总效应（Total Effect, TE）分解为通过 M 的间接效应（Indirect Effect, IE）和直接效应（Direct Effect, DE），并给出这些效应的识别条件与估计方法。当前成熟度较高，已有大量关于线性、非线性、高维、纵向设定下的识别与估计工作，但效应随协变量（调节变量）光滑变化的情形仍是一个相对开放的 frontier。

发展脉络（history）

  1. 奠基工作：
  2. Baron & Kenny (1986)：提出了经典的线性中介分析框架（三步法），奠定了“总效应 = 直接效应 + 间接效应”的线性分解。但该方法依赖于线性性、无交互、无未观测混杂等强假设。

  3. Robins & Greenland (1992) 与 Pearl (2001)：将中介分析纳入潜在结果（counterfactual）框架，给出了自然直接效应（Natural Direct Effect, NDE） 和自然间接效应（Natural Indirect Effect, NIE） 的正式定义，并提出了基于“序贯可忽略性（sequential ignorability）”的识别条件。这标志着从线性模型到非参数因果推断的转变。

  4. 主要进展：

  5. Imai, Keele & Tingley (2010) 及其后续工作：提出了基于敏感性分析的统一框架，并开发了 R 包 mediation，使得中介分析在应用统计中广泛普及。他们强调识别依赖于“处理-中介无未观测混杂”和“中介-结果无未观测混杂”两个假设。

  6. Tchetgen Tchetgen & Shpitser (2012) 与 VanderWeele (2015)：系统发展了基于边际结构模型（Marginal Structural Models） 和回归方法的效应分解，并给出了交互项存在时的分解公式。VanderWeele 的专著《Explanation in Causal Inference》是当前的标准参考。

  7. 当前 frontier：

  8. 高维中介分析：Zhang et al. (2016) 等处理高维中介变量。
  9. 纵向与时间相依中介：Lin et al. (2017) 等处理随时间变化的中介。

  10. 效应异质性（Effect Heterogeneity）：即处理效应（包括直接和间接效应）如何随协变量变化。这是本文的直接定位点。已有工作如 Preacher, Rucker & Hayes (2007) 的“调节中介分析（Moderated Mediation）”通过参数交互项（如 T × X）来建模，但假设效应是协变量的线性或已知函数。

  11. 本文的位置：

  12. 作者明确将本文定位为“调节中介分析”的非参数推广：将直接效应和间接效应建模为某个调节变量 Z 的未知光滑函数，而非参数线性交互。这填补了“效应异质性”中从参数到非参数的 gap。
  13. 作者在引言中引用 Huang (2019) 和 Cai et al. (2022) 作为“变系数模型在因果推断中应用”的近期例子，但指出它们未专门处理中介分解。本文是第一个将变系数模型（Varying Coefficient Model, VCM）系统嵌入因果中介分析框架的工作。

子线索聚类

这些被引文献大致落在 3 条子线索上：

  1. 参数调节中介分析（Moderated Mediation）：
  2. 代表：Preacher, Rucker & Hayes (2007), Hayes (2013)。
  3. 做法：在回归方程中加入 T × Z 或 M × Z 交互项，假设效应是 Z 的线性函数。

  4. 瓶颈：线性假设过强，无法捕捉非线性或非单调的效应变化。

  5. 非参数变系数模型（Varying Coefficient Models）：

  6. 代表：Hastie & Tibshirani (1993)（奠基），Fan & Zhang (2008)（综述），Huang (2019), Cai et al. (2022)（近期因果应用）。
  7. 做法：系数是协变量的光滑函数，用核或样条估计。

  8. 瓶颈：这些工作主要关注“处理效应异质性”（如 CATE），未专门处理中介分解中的直接/间接效应分离。

  9. 因果中介分析的识别与估计：

  10. 代表：Imai et al. (2010), VanderWeele (2015), Tchetgen Tchetgen & Shpitser (2012)。
  11. 做法：基于序贯可忽略性，用回归、加权或双重稳健方法估计 NDE 和 NIE。
  12. 瓶颈：现有方法假设效应是常数或随处理变量线性变化，未考虑随调节变量光滑变化。

这个方向在追问的核心问题（2-4 个）

  1. 识别问题：在变系数设定下，自然直接效应（NDE）和自然间接效应（NIE）的识别条件是什么？是否仍需要序贯可忽略性？是否需要额外的“无交互”假设？
  2. 估计问题：如何以最优速率（minimax 意义下）估计变系数函数？B 样条是否达到最优？能否用核方法或局部多项式？
  3. 推断问题：如何构造直接效应和间接效应的置信区间或假设检验？变系数函数的置信带如何构造？
  4. 高维扩展：当调节变量 Z 是高维时，如何选择重要调节变量？能否用稀疏变系数模型？

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）

  • 作者把缺口 frame 成什么：作者在引言中写道：“Existing mediation analysis methods often assume that the direct and indirect effects are constant across individuals... However, in many applications, the effects may vary with a moderator variable.” 因此，他们将本文定位为“变系数中介模型”，是“调节中介分析的非参数推广”。
  • 哪些竞争路线被他淡化或回避了：
  • 作者淡化了非参数识别的复杂性：他们直接假设了序贯可忽略性（sequential ignorability），并假设处理 T 和中介 M 之间无交互（即 NDE 和 NIE 的分解公式在变系数下仍成立）。这实际上回避了“在变系数设定下，自然效应是否仍可识别”这一更根本的问题。
  • 作者回避了双重稳健估计：他们使用 B 样条 + 最小二乘，而非基于高效影响函数（EIF）的双重稳健方法。这意味着他们的估计量可能对模型误设敏感。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？：
  • Tchetgen Tchetgen & Shpitser (2012) 关于“中介分析中的交互项”的工作未被引用。该文讨论了当 T 和 M 有交互时 NDE/NIE 的分解，与本文的变系数设定直接相关（因为变系数本质上是一种交互）。
  • Kennedy et al. (2017) 关于“非参数 CATE 估计”的 minimax 最优速率未被引用。本文的变系数函数估计本质上是一个非参数回归问题，Kennedy 等人的结果可用来判断 B 样条是否达到最优。
  • Cai et al. (2022) 被引用，但仅作为“变系数模型在因果推断中的应用”的例子，未深入讨论其与本文在识别假设上的差异。

张力

未见明显对立引用。所有被引工作基本一致地接受序贯可忽略性作为识别条件，差异主要在于估计方法（参数 vs. 非参数）和效应形式（常数 vs. 变系数）。

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：
  • \( T \in \{0, 1\} \)：处理变量（二值，如是否接受某种干预）。
  • \( M \)：中介变量（连续或离散，如某种行为指标）。
  • \( Y \)：结果变量（连续，如某种经济决策得分）。
  • \( Z \in \mathbb{R}^d \)：调节变量（连续，如年龄或收入），是效应异质性的来源。
  • \( X \)：其他协变量（可能包含 Z 的一部分，但本文主要关注 Z 作为调节变量）。
  • \( \alpha(z) \)：处理 T 对中介 M 的效应函数（随 Z 变化）。
  • \( \beta(z) \)：中介 M 对结果 Y 的直接效应函数（随 Z 变化）。
  • \( \gamma(z) \)：处理 T 对结果 Y 的直接效应函数（随 Z 变化）。
  • \( \theta(z) = \alpha(z) \beta(z) \)：间接效应函数（随 Z 变化）。

  • \( \tau(z) = \gamma(z) + \alpha(z) \beta(z) \)：总效应函数（随 Z 变化）。

  • 模型（变系数中介模型）：

    \[M = \alpha(Z) T + \epsilon_M, \quad \mathbb{E}[\epsilon_M | T, Z] = 0\]
    \[Y = \gamma(Z) T + \beta(Z) M + \epsilon_Y, \quad \mathbb{E}[\epsilon_Y | T, M, Z] = 0\]
    其中 \( \alpha(\cdot), \beta(\cdot), \gamma(\cdot) \) 是未知光滑函数，\( \epsilon_M, \epsilon_Y \) 是均值为零的误差项。注意：模型假设了无交互（即 M 对 Y 的效应不随 T 变化），这是为了简化 NDE/NIE 的分解。

  • 可观测数据：

  • 研究者实际能观测到的是独立同分布样本 \( \{ (T_i, M_i, Y_i, Z_i) \}_{i=1}^n \)。
  • 潜在结果（counterfactuals）如 \( M(t) \)（在 T=t 下的中介值）和 \( Y(t, m) \)（在 T=t, M=m 下的结果值）是不可观测的，只能通过序贯可忽略性假设来识别。

第二步：讲最小内核

最简特例：假设调节变量 Z 是一维连续变量（如年龄），且 \( \alpha(z), \beta(z), \gamma(z) \) 都是光滑函数（如二阶可导）。我们想估计在给定 Z=z 时的直接效应 \( \gamma(z) \) 和间接效应 \( \theta(z) = \alpha(z) \beta(z) \)。

核心思路：将变系数函数用 B 样条基展开，转化为有限维参数估计问题。

  • B 样条展开：设 \( B(z) = (B_1(z), \ldots, B_K(z))^\top \) 是 K 个 B 样条基函数（阶数固定，节点数随样本量增长）。则：

    \[\alpha(z) \approx \sum_{k=1}^K a_k B_k(z), \quad \beta(z) \approx \sum_{k=1}^K b_k B_k(z), \quad \gamma(z) \approx \sum_{k=1}^K c_k B_k(z)\]
    其中 \( a_k, b_k, c_k \) 是待估系数。

  • 估计：将展开代入模型，得到：

    \[M_i \approx \sum_{k=1}^K a_k B_k(Z_i) T_i + \epsilon_{M,i}\]
    \[Y_i \approx \sum_{k=1}^K c_k B_k(Z_i) T_i + \sum_{k=1}^K b_k B_k(Z_i) M_i + \epsilon_{Y,i}\]
    这变成了两个线性回归问题（对每个方程分别用最小二乘），但注意第二个方程中的 \( M_i \) 与误差项可能相关（因为 \( \epsilon_M \) 和 \( \epsilon_Y \) 可能相关），因此需要工具变量或两阶段最小二乘？本文假设 \( \epsilon_M \) 和 \( \epsilon_Y \) 独立，因此可直接用 OLS。

  • 为什么成立：在正则条件下（B 样条逼近误差可忽略，节点数 \( K \to \infty \) 且 \( K/n \to 0 \)），B 样条估计量 \( \hat{\alpha}(z), \hat{\beta}(z), \hat{\gamma}(z) \) 是相合的，且收敛速率达到非参数最优（\( n^{-2/(4+d)} \) 当 Z 是 d 维时）。渐近正态性可用于构造置信区间和检验。

这个最小内核揭示了本文的核心数学困难：如何同时估计三个变系数函数，并处理它们之间的依赖关系（间接效应是 \( \alpha \) 和 \( \beta \) 的乘积）。B 样条将问题简化为线性回归，但需要仔细控制样条基的维数（K 的选择）和误差项的独立性假设。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在因果中介分析中，当直接效应和间接效应随一个调节变量 Z 光滑变化时，如何识别、估计和检验这些效应。
  2. 核心工具 / 方法：B 样条展开将变系数函数转化为有限维参数，再用最小二乘估计；基于估计量的渐近正态性构造 F 型检验用于直接效应的显著性。
  3. 主要结论：在正则条件下，B 样条估计量达到 \( n^{-2/(4+d)} \) 的收敛速率（d 是 Z 的维数），且渐近正态；F 型检验有正确的渐近尺寸和一致性。

关键设定与假设

  • 模型：如上节所述，变系数中介模型：
    \[M = \alpha(Z) T + \epsilon_M, \quad Y = \gamma(Z) T + \beta(Z) M + \epsilon_Y\]
    其中 \( \mathbb{E}[\epsilon_M | T, Z] = 0 \)，\( \mathbb{E}[\epsilon_Y | T, M, Z] = 0 \)，且 \( \epsilon_M \) 与 \( \epsilon_Y \) 独立（这是关键假设，用于保证 OLS 的一致性）。
  • 假设：
  • A1（光滑性）：\( \alpha(z), \beta(z), \gamma(z) \) 在 Z 的支撑集上有有界的 r 阶导数（r ≥ 2）。
  • A2（样条逼近）：B 样条基的阶数 ≥ r，节点数 K 满足 \( K \to \infty \) 且 \( K/n \to 0 \)。
  • A3（矩条件）：\( \mathbb{E}[T^2], \mathbb{E}[M^2], \mathbb{E}[Y^2] \) 有限，且设计矩阵非奇异。
  • A4（独立性）：\( \epsilon_M \) 与 \( \epsilon_Y \) 独立（用于保证第二个方程 OLS 的一致性）。
  • 相比已有文献：相比 Preacher et al. (2007) 的线性交互，本文放宽了效应函数的形式（从线性到光滑）；相比 Imai et al. (2010) 的常数效应，本文允许效应随 Z 变化。但本文的独立性假设（A4）比 Imai 等人的“序贯可忽略性”更强——后者只要求条件均值独立，而本文要求误差项独立。

主要结果

  • 定理 1（收敛速率）：在假设 A1-A4 下，B 样条估计量 \( \hat{\alpha}(z), \hat{\beta}(z), \hat{\gamma}(z) \) 的均方积分误差（MISE）为 \( O_p(K/n + K^{-2r}) \)。当 \( K \asymp n^{1/(2r+1)} \) 时，达到最优速率 \( n^{-2r/(2r+1)} \)。对于 d 维 Z，速率变为 \( n^{-2r/(2r+d)} \)。
  • 直觉：B 样条估计的偏差来自逼近误差（\( K^{-2r} \)），方差来自参数个数（\( K/n \)）。平衡两者得到最优 K。
  • 必要条件：Z 的维数 d 不能太大（否则“维数灾难”），且 r 足够大（光滑性足够强）。

  • 解决的技术难点：需要处理两个方程之间的依赖——第二个方程中的 M 是内生变量（因为 \( \epsilon_M \) 和 \( \epsilon_Y \) 相关？不，本文假设独立，所以 OLS 一致）。难点在于同时估计三个函数并控制它们的联合收敛速率。

  • 定理 2（渐近正态性）：对于任意固定的 z，\( \hat{\gamma}(z) \) 和 \( \hat{\theta}(z) = \hat{\alpha}(z) \hat{\beta}(z) \) 是渐近正态的，且方差可用“夹心估计量”一致估计。

  • 直觉：B 样条估计量是线性估计量（最小二乘），因此渐近正态性来自中心极限定理和样条基的局部性。

  • 必要条件：K 的增长速度不能太快（否则方差过大），也不能太慢（否则偏差主导）。需要 \( K^3/n \to 0 \) 以保证偏差可忽略。

  • 定理 3（F 型检验）：对于原假设 \( H_0: \gamma(z) = 0 \) 对所有 z 成立（即直接效应为零），构造 F 统计量 \( F = (RSS_0 - RSS_1) / (RSS_1) \times (n - 3K) / (K) \)，其中 RSS_0 和 RSS_1 分别是约束和无约束模型的残差平方和。在 \( H_0 \) 下，F 渐近服从 \( F_{K, n-3K} \) 分布。

  • 直觉：这是线性回归中 F 检验的直接推广，因为 B 样条将模型转化为线性回归。
  • 必要条件：误差项正态性？不，本文只要求矩条件，F 检验的渐近性质来自大样本理论。

证明路线与技术技巧

  • 整体路线：
  • B 样条逼近：将 \( \alpha(z), \beta(z), \gamma(z) \) 用 B 样条基展开，得到近似线性模型。
  • 最小二乘估计：对两个方程分别做 OLS，得到系数估计 \( \hat{a}, \hat{b}, \hat{c} \)。
  • 偏差-方差分解：将估计误差分解为逼近误差（bias）和估计误差（variance）。逼近误差由样条逼近理论控制（de Boor, 2001），估计误差由 OLS 的渐近理论控制。
  • 收敛速率：通过选择最优 K 平衡偏差和方差，得到 MISE 速率。
  • 渐近正态性：利用 OLS 估计量的线性形式（\( \hat{\gamma}(z) = \sum_i w_i(z) Y_i \)），其中权重 \( w_i(z) \) 由样条基和设计矩阵决定。通过验证 Lindeberg 条件得到正态性。

  • F 检验：将原假设 \( \gamma(z) = 0 \) 转化为线性约束 \( c = 0 \)，然后使用标准 F 检验。

  • 关键跳跃点：

  • 跳跃点 1：如何证明第二个方程 OLS 的一致性？因为 M 是内生变量（与 \( \epsilon_Y \) 相关？不，本文假设独立，所以没问题）。但若放松独立性假设，则需要工具变量。本文的独立性假设是“偷懒”但关键的跳跃。

  • 跳跃点 2：如何控制 \( \hat{\theta}(z) = \hat{\alpha}(z) \hat{\beta}(z) \) 的渐近分布？这是两个估计量的乘积，需要 Delta 方法。本文通过联合渐近正态性和 Delta 方法得到 \( \hat{\theta}(z) \) 的分布。

  • 技术技巧点名：

  • B 样条逼近理论（de Boor, 2001）：用于控制逼近误差的阶数。
  • 最小二乘的渐近理论：用于得到估计量的收敛速率和正态性。
  • Delta 方法：用于处理乘积 \( \hat{\alpha}(z) \hat{\beta}(z) \) 的渐近分布。
  • F 检验：用于直接效应的假设检验。

真实例子与应用

  • 用的什么数据 / 场景：行为经济学数据，来自一项关于“社会偏好”的实验。处理变量 T 是“是否收到关于他人行为的反馈”，中介变量 M 是“对公平性的感知”，结果变量 Y 是“在最后通牒博弈中的出价”，调节变量 Z 是“年龄”。
  • 怎么把本文方法用上去：将年龄作为调节变量 Z，估计直接效应（反馈对出价的直接影响）和间接效应（反馈通过公平性感知对出价的影响）如何随年龄变化。
  • 得到什么结果：发现直接效应在年轻群体中显著为正（反馈增加出价），在老年群体中不显著；间接效应在所有年龄组中都显著，但强度随年龄增加而减弱。
  • 这个例子想说明什么：验证了变系数中介模型能捕捉到效应异质性（年龄调节效应），而传统常数效应模型会掩盖这种差异。

🔎 结论是否比证明窄

  • 窄结论 1：定理 1 的收敛速率 \( n^{-2r/(2r+d)} \) 是在假设 A4（误差独立）下证明的。但作者在结论中声称“该方法适用于一般中介分析”，这比证明窄——若误差相关（如存在未观测混杂），则 OLS 不一致，速率不成立。
  • 窄结论 2：F 检验的渐近性质依赖于 B 样条逼近的偏差可忽略（即 \( K^3/n \to 0 \)）。作者在模拟中使用了固定的 K（如 5 个节点），但未讨论 K 的选择对检验尺寸的影响。结论中“F 检验有正确尺寸”可能只在特定 K 下成立。
  • 窄结论 3：作者在真实例子中只用了年龄作为调节变量，但未讨论 Z 的维数灾难问题。若 Z 是二维或更高，B 样条的节点数会指数增长，估计可能不稳定。结论中“适用于高维调节变量”未被证明。

四、开放问题

  1. 误差相关时的识别与估计：本文假设 \( \epsilon_M \) 与 \( \epsilon_Y \) 独立，这在实际中可能不成立（如存在未观测的混杂变量 U 同时影响 M 和 Y）。如何放松这一假设？是否可以用工具变量或双重稳健方法？扎根于：假设 A4 和定理 1 的证明。
  2. minimax 最优性：B 样条估计量是否达到 minimax 最优速率？对于 d 维 Z，非参数回归的 minimax 速率是 \( n^{-2r/(2r+d)} \)，但本文的估计量涉及两个方程，可能更慢。扎根于：定理 1 的速率，以及作者未引用 Kennedy et al. (2017) 的 minimax 结果。
  3. 高维调节变量：当 Z 的维数 d 较大时（如 d > 3），B 样条面临“维数灾难”。能否用稀疏变系数模型（如 group lasso）或可加结构？扎根于：作者在模拟中只用了 d=1，未讨论高维情形。
  4. 中介变量 M 的测量误差：本文假设 M 被精确观测。若 M 有测量误差，估计会如何偏倚？能否用 SIMEX 或工具变量校正？扎根于：作者在结论中未提及测量误差问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论