Identifying Treatment and Spillover Effects with Control-Based and Forecast-Based Counterfactuals¶

作者: Viviana Celli, Augusto Cerqua, Guido Pellegrini
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2607.20156

一、领域脉络与小综述¶

这个方向是什么¶

本子方向处理的是因果推断中一个根本性的挑战：干扰（spillover / interference）。当某个单元接受的处理会影响其他单元的结果时，标准因果推断的“无干扰假设”（SUTVA 的一部分）被违反，导致直接比较处理组与对照组无法识别出有意义的因果效应。该方向的核心问题是：在存在单元间交互作用的情况下，如何定义、识别和估计直接效应（处理对自身的影响）与溢出效应（处理对他人的影响）。当前该方向已发展出多种方法框架，但大多数依赖于对干扰结构的强先验假设（如部分干扰、暴露映射、空间网络），且对“干净对照”的存在性有刚性需求。

发展脉络（history）¶

奠基工作：Cox (1958) 和 Rubin (1974, 1980) 正式提出 SUTVA，其中“无干扰”是核心组成部分。Sobel (2006) 是第一个系统展示干扰后果的里程碑：他证明，即使处理随机分配，标准差分均值估计量也会混淆直接效应与溢出效应，并引入部分干扰（partial interference）概念——允许干扰在预定义簇内存在，但跨簇不存在。
主要进展：Hudgens and Halloran (2008) 在部分干扰框架下正式定义了直接、间接、总效应和整体效应的因果估计量，并提出两阶段随机化设计。Aronow and Samii (2017) 推广了部分干扰，引入暴露映射（exposure mapping）——将邻居处理状态汇总为一个函数，从而在结构化干扰下定义因果效应。Huber and Steinmayr (2021) 将干扰分析扩展到观察性研究，在可忽略性和双重差分设计下分离个体处理效应与溢出效应。
当前 frontier：近期工作聚焦于暴露映射误设时的因果解释（Sävje, 2024; Auerbach et al., 2024; Leung, 2024），以及空间计量与网络框架的因果识别（Butts, 2023; Xu, 2025）。Mealli and Viviens (2025) 证明，在未知干扰下，传统 DiD 估计量识别的是处理单元的总效应与对照单元的溢出效应之间的对比，而非任一效应本身。
本文的位置：本文不提出新的干扰模型，而是系统比较两类反事实方法——基于对照的反事实方法（CBCM） 与基于预测的反事实方法（FBCM）——在四种干扰场景下的识别能力。核心论点是：当干扰普遍存在或结构未知时，CBCM 失效，而 FBCM 仍可识别总效应（如 ATOT 和 PAPE），尽管代价是依赖时间稳定性假设。

子线索聚类¶

部分干扰与暴露映射：Sobel (2006), Hudgens and Halloran (2008), Aronow and Samii (2017), Tchetgen Tchetgen and VanderWeele (2012), Forastiere et al. (2021), Sävje et al. (2021), Leung (2022), Di Stefano and Mellace (2024), Grossi et al. (2025)。这一簇的核心是：通过假设干扰结构（簇、网络、空间）来定义暴露，从而识别因果效应。
空间计量与网络框架：Anselin (1988), LeSage and Pace (2009), Bramoullé et al. (2009), Jackson (2010), Goldsmith-Pinkham and Imbens (2013), de Paula (2017), Ogburn and VanderWeele (2017), Butts (2023), Debarsy and Le Gallo (2025)。这一簇通过显式建模空间或网络依赖来估计交互效应，但因果解释常受限于外生性假设。
结构模型与行为模型：Heckman and Vytlacil (2007), Aguirregabiria and Mira (2010), Lewbel (2019)。这一簇通过完全指定的行为或均衡模型来推断干扰机制，但依赖强函数形式假设。
基于预测的反事实方法：Box and Tiao (1975), Menchetti et al. (2023), Cerqua et al. (2024), Botosaru et al. (2026)。这一簇不依赖跨单元比较，而是从预处理动态中预测反事实。本文是首次系统将其与 CBCM 在干扰下进行比较的工作。

这个方向在追问的核心问题¶

如何定义因果效应：当干扰存在时，潜在结果需同时索引自身处理与暴露。直接效应、间接效应、总效应、整体效应如何定义？暴露映射如何选择？
如何识别：在什么假设下，这些效应可以被点识别？干净对照的存在性、暴露映射的可观测性、平行趋势的适用性各起什么作用？
如何估计：给定识别条件，如何构造估计量？DiD、匹配、合成控制、MLCM 等方法的有限样本表现如何？
如何验证假设：暴露映射是否正确？干净对照是否真的未受污染？平行趋势是否成立？这些假设大多不可直接检验。

⚠️ 作者的 framing¶

作者将缺口 frame 为：“现有方法依赖对干扰结构的强假设或干净对照的存在性，而 FBCM 可以在不指定干扰机制的情况下识别总效应。” 具体来说，作者声称：“对于总政策效应，显式建模干扰机制甚至不是必需的”（Section 1, p.3）。竞争路线（如空间计量、网络框架）被淡化或回避：作者指出它们“主要设计用于拟合空间结构而非识别因果估计量”（Section 1, p.2），且“因果解释常受限”。什么明显该被引/该存在、却没出现在 intro 里？ 作者未引用任何关于统计-计算权衡或计算约束统计的文献（如低度多项式障碍、SQ 下界等），也未引用关于高阶影响函数或去偏机器学习在干扰下的应用。这些可能是值得研究者去查的缺口。

张力¶

未见明显对立引用。但存在一个微妙的张力：Sävje (2024) 认为误设暴露映射仍可定义可估计的期望暴露效应，而 Auerbach et al. (2024) 和 Leung (2024) 则质疑其因果解释与政策相关性。本文引用了这一讨论，但未深入解决。

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： - \( i = 1, \dots, N \)：单元（如县、街区）。 - \( t = 1, \dots, T_0, \dots, T \)：时间，\( T_0 \) 为共同处理开始时间。 - \( D_i \in \{0,1\} \)：时不变处理指示变量（1 = 处理，0 = 对照）。 - \( D_{it} = D_i \cdot \mathbf{1}\{t \ge T_0\} \)：实际处理状态。 - \( W = (w_{ij}) \)：时不变空间/网络权重矩阵，\( w_{ii} = 0 \)。 - \( S_i = \sum_{j \neq i} w_{ij} D_j = (W\mathbf{D})_i \)：单元 \( i \) 的暴露强度（暴露映射），衡量其受其他单元处理的影响程度。 - \( S_{it} = S_i \cdot \mathbf{1}\{t \ge T_0\} \)：实际暴露状态。 - \( Y_{it}(d, s) \)：潜在结果，当自身处理为 \( d \in \{0,1\} \)、暴露为 \( s \in \mathcal{S} \) 时的结果。 - \( Y_{it} = Y_{it}(D_{it}, S_{it}) \)：观测结果（一致性）。 - \( \mathcal{S} \)：暴露强度的支撑集。\( \mathcal{S}_1 \) 和 \( \mathcal{S}_0 \) 分别为处理组和对照组中暴露的支撑集。

模型： - 数据生成机制：潜在结果框架，允许干扰。处理分配可能非随机（如基于可观测特征），但假设预处理趋势平行（在 CBCM 下）或预处理动态稳定（在 FBCM 下）。 - 已知量：\( D_i \)、\( W \)（或暴露映射）、\( Y_{it} \)、协变量。 - 待估对象：各种因果效应（见下文）。

可观测数据： - 研究者观测到：每个单元 \( i \) 在每个时间 \( t \) 的结果 \( Y_{it} \)、处理状态 \( D_{it} \)、暴露强度 \( S_i \)（如果暴露映射已知）、协变量。 - 不可观测：潜在结果 \( Y_{it}(0,0) \)（无处理、无暴露下的结果），以及所有其他反事实组合（如 \( Y_{it}(1,0) \)、\( Y_{it}(0,s) \) 等）。

第二步：最小内核——最简特例¶

最简特例：考虑只有两个时间点（一个预处理期 \( t=0 \)，一个后处理期 \( t=1 \)），处理是二值的（\( D_i \in \{0,1\} \)），暴露是二值的（\( S_i \in \{0,1\} \)，即“有暴露”或“无暴露”）。假设暴露映射已知且正确（即研究者知道哪些单元有暴露）。我们关注两个核心效应： - 总效应（Total Effect on the Treated, ATOT）：\( \mathbb{E}[Y_{i1}(1, S_i) - Y_{i1}(0,0) \mid D_i = 1] \)。 - 溢出效应（Spillover Effect on the Exposed Untreated, ASEU）：\( \mathbb{E}[Y_{i1}(0, S_i) - Y_{i1}(0,0) \mid D_i = 0, S_i = 1] \)。

CBCM 的做法（以 DiD 为例）： - 假设存在“干净对照”：即存在一些单元 \( D_i = 0, S_i = 0 \)（未处理且未暴露）。 - 假设平行趋势：处理组（或暴露组）与干净对照组的潜在结果 \( Y_{it}(0,0) \) 在预处理到后处理期间有相同的变化趋势。 - 识别：ATOT 由 \( (\bar{Y}_{1,\text{treated}} - \bar{Y}_{0,\text{treated}}) - (\bar{Y}_{1,\text{clean}} - \bar{Y}_{0,\text{clean}}) \) 识别，其中 \( \bar{Y}_{t,g} \) 是组 \( g \) 在时间 \( t \) 的平均观测结果。ASEU 类似，但比较的是暴露对照组与干净对照组。

FBCM 的做法（以 MLCM 为例）： - 不依赖干净对照。对于每个单元 \( i \)，用预处理数据（\( t=0 \) 及之前）训练一个预测模型 \( \hat{m} \)，预测其在后处理期的无处理、无暴露结果 \( \hat{Y}_{i1}(0,0) \)。 - 假设：预处理动态稳定（即 \( Y_{it}(0,0) \) 的生成机制在后处理期不变），且预测误差足够小。 - 识别：ATOT 由 \( \mathbb{E}[Y_{i1} - \hat{Y}_{i1}(0,0) \mid D_i = 1] \) 识别。ASEU 由 \( \mathbb{E}[Y_{i1} - \hat{Y}_{i1}(0,0) \mid D_i = 0, S_i = 1] \) 识别。

核心思路：当干扰普遍存在（所有对照单元都有暴露，即 \( S_i > 0 \) 对所有 \( i \) 成立）时，CBCM 失效，因为不存在干净对照。但 FBCM 仍可工作，因为它不依赖跨单元比较，而是从每个单元自身的历史中预测反事实。这个特例揭示了本文的核心论点：FBCM 通过将识别负担从“跨单元可比性”转移到“时间稳定性”，在干扰下提供了更宽的识别窗口。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在存在干扰（spillover）的因果推断中，系统比较基于对照的反事实方法（CBCM，如 DiD）与基于预测的反事实方法（FBCM，如 MLCM）在四种干扰场景下的识别能力。
核心工具/方法：潜在结果框架 + 暴露映射 + DiD（CBCM）与 MLCM/FAT（FBCM）的识别条件推导，辅以模拟和实证应用。
主要结论：CBCM 的可行性关键取决于干净对照的存在性与可观测性；当干扰普遍存在或暴露结构未知时，CBCM 无法识别大多数因果效应，而 FBCM 仍可识别总效应（如 ATOT 和 PAPE），但代价是依赖时间稳定性假设。

关键设定与假设¶

在第二节最小记号基础上，补全完整设定： - 四种干扰场景： - Case (i)：无干扰。 - Case (ii.a)：选择性干扰，暴露可观测。 - Case (ii.b)：潜在选择性干扰，暴露不可观测。 - Case (iii)：干扰影响所有单元。 - CBCM 假设： - CBCM1（无预期）：预处理结果等于 \( Y_{it}(0,0) \)。 - CBCM2（无干扰对照）：所有对照单元的结果等于 \( Y_{it}(0,0) \)。 - CBCM2_v2（干净对照存在）：存在且可观测到未处理且未暴露的单元。 - CBCM3(a)-(c)：平行趋势假设，针对不同比较组。 - FBCM 假设： - FBCM1（无预期）：同 CBCM1。 - FBCM2（结构稳定性）：\( Y_{it}(0,0) \) 的生成机制在后处理期不变。 - FBCM3（充分可预测性）：预处理信息足以近似 \( Y_{it}(0,0) \)。 - 相比已有文献：本文的 CBCM 假设是标准的（如平行趋势），但明确区分了干净对照的存在性与可观测性（Case ii.b 是本文特别强调的）。FBCM 假设（时间稳定性）在因果推断中较少被系统讨论，本文将其与 CBCM 的跨单元可比性假设并列。

主要结果¶

理论结果（命题）：
Proposition CBCM1-CBCM8：在 Case (i) 和 (ii.a) 下，CBCM 可识别 ATOT、TE(s)、SE(s)、ASEU、PAPE 等；在 Case (ii.b) 和 (iii) 下，CBCM 无法识别任何以 \( Y_{it}(0,0) \) 为基准的效应（除非在 Case (iii) 下已知暴露映射时可识别 DE(s)）。
Proposition FBCM1-FBCM5：在 Case (i)-(iii) 下，FBCM 均可识别 ATOT 和 PAPE；在暴露可观测时，还可识别 TE(s)、SE(s)、ASEU；但无法识别 DE(s) 和 IE(s)（因为需要非零暴露下的反事实）。
核心直觉：CBCM 的识别依赖于“干净对照”的存在，而 FBCM 的识别依赖于“时间稳定性”。当干扰普遍存在时，前者失效，后者仍有效。
模拟结果（Table 3, Table 4）：
当暴露映射正确时，CBCM（CS-DR）几乎无偏且更精确（标准差小）。
当暴露映射误设（30 km 或 60 km 阈值）时，CBCM 的 ATOT 和 PAPE 出现显著偏差（如 30 km 下 PAPE 偏差 -0.408），而 FBCM（MLCM 和 FAT）的 ATOT 和 PAPE 保持不变（因为不依赖暴露映射）。
在普遍干扰（Case iii）下，CBCM 无法实施，FBCM 仍可工作（偏差小，但标准差大）。
实证结果（Table 5, Table 6）：
布宜诺斯艾利斯警察保护与汽车盗窃案例。
CBCM（DiD）估计的 ATOT 对控制组选择敏感（从 -0.025 到 -0.055），且溢出效应不稳定。
FBCM（MLCM）估计的 ATOT 为 -0.049（8月）和 -0.046（9月），与 CBCM 的某些设定接近，但不依赖干净对照假设。
FBCM 还发现：1 个街区外的单元有负效应（威慑），2 个街区及更远的单元有正效应（犯罪转移），导致 PAPE 为正（0.029 和 0.022），说明局部威慑被整体犯罪转移所抵消。

证明路线与技术技巧¶

整体路线（以 CBCM 的识别证明为例）：
写出 DiD 估计量的期望表达式。
利用一致性、无预期假设，将观测结果替换为潜在结果。
添加并减去 \( \mathbb{E}[Y_{it}(0,0) - Y_{i,T_0-1}(0,0) \mid \text{处理组}] \)。
将表达式分解为目标效应 + 偏差项。
利用平行趋势假设（CBCM3）将偏差项设为 0。
关键跳跃点：在 Case (ii.a) 下，平行趋势假设 CBCM3(a) 要求处理组与干净对照组的 \( Y_{it}(0,0) \) 趋势平行，但处理组本身可能有不同暴露水平。作者通过“在暴露层内应用平行趋势，然后对暴露分布取平均”来绕过这一难点（见 Proposition CBCM3 证明）。
技术技巧点名：
DiD 估计量：标准双重差分，用于 CBCM。
Callaway-Sant'Anna 估计量：双重稳健的 DiD 估计量，用于模拟和实证。
MLCM（Machine Learning Control Method）：用随机森林从预处理数据预测反事实，属于 FBCM。
FAT（Forecasted Average Treatment effect）：用线性时间趋势外推，属于 FBCM。
Bootstrap：用于 MLCM 的标准误估计。
Delta 方法：用于 PAPE 标准误的近似计算。

真实例子与应用¶

数据：Di Tella and Schargrodsky (2004) 的布宜诺斯艾利斯警察保护与汽车盗窃数据。876 个街区，每月观测，1994 年 4 月至 9 月。
方法应用：
CBCM：用 Callaway-Sant'Anna 估计量，定义处理组（受保护街区）、暴露组（1 个街区、2 个街区外）、干净对照组（>2 个街区外）。
FBCM：用 MLCM，用两个滞后结果预测反事实。
结果：见上文“主要结果-实证结果”。
例子想说明什么：验证理论——当干扰结构不确定时（犯罪转移可能超出 2 个街区），CBCM 的估计对控制组选择敏感，而 FBCM 提供互补证据。同时展示 PAPE 的重要性：局部效应（ATOT 为负）与整体效应（PAPE 为正）可能相反。

🔎 结论是否比证明窄¶

是。作者在 Section 1 声称“对于总政策效应，显式建模干扰机制甚至不是必需的”（p.3），但证明中 FBCM 的识别依赖于 FBCM2（结构稳定性）和 FBCM3（充分可预测性），这些假设在长期可能不成立。作者在 Section 6 也承认“FBCM 依赖时间稳定性，可能难以维持长期效应”（p.32）。因此，结论“FBCM 可识别总效应”在短期更可信，长期则需额外假设。
另一个例子：作者在 Section 3.2.2 声称 FBCM 可识别 ASEU（Proposition FBCM2），但证明中假设 FBCM1-FBCM3 对对照单元也成立。如果对照单元的结果动态与处理单元不同（例如受不同冲击），则预测可能失效。作者未在证明中讨论这一异质性。

四、开放问题¶

FBCM 与 DML 的结合：本文的 FBCM 使用随机森林或线性趋势，未涉及去偏机器学习（DML）或半参数效率理论。能否将 FBCM 的预测步骤与 DML 的 Neyman 正交性结合，以在干扰下获得更高效、更稳健的估计量？扎根点：Section 3.2 仅用 MLCM 和 FAT 作为例子，未讨论效率问题。
长期效应的识别：FBCM 依赖时间稳定性假设，这在长期可能不成立。能否引入结构断点检验或时变系数模型来放松 FBCM2？扎根点：Section 6 承认“FBCM 可能难以维持长期效应”（p.32）。
暴露映射未知时的直接效应识别：本文证明，在 Case (iii) 下，即使暴露映射已知，CBCM 也只能识别 DE(s)，而 FBCM 无法识别 DE(s) 或 IE(s)。是否存在一种混合方法（如 CBCM 与 FBCM 的组合）能在暴露映射未知时识别直接效应？扎根点：Table 1 显示，在“普遍干扰 + 暴露未知”下，CBCM 和 FBCM 均无法识别 DE(s)。
统计-计算权衡：本文的 FBCM 使用随机森林，其计算成本随单元数和时间点增加而增长。是否存在信息-计算差距？例如，在干扰下，是否存在一个统计上可识别但计算上困难（如需要指数时间）的效应？扎根点：本文未讨论计算复杂性，但用户的研究兴趣（统计-计算权衡）可在此切入。建议去读同子领域近期约 5 篇的 intro，确认这是否为共识性缺口。

Maintained by 陈星宇 · Homepage · Source on GitHub