跳转至

Candidate Set Size and Voting Behavior: A Front-Door Approach to Causal Moderation

作者: Masayuki Haruhara
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2608.20779


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是因果推断中的调节效应(causal moderation / interaction)识别,其根本问题是:当我们关心某个处理变量 T 对结果 Y 的因果效应是否随另一个变量 S(调节变量)的变化而改变时,如何在存在未观测混杂的情况下识别这一"效应的异质性"。该方向的核心困难在于,处理 T 可以是随机化的(如实验中的彩票抽签),但调节变量 S 往往不是随机分配的——S 的取值可能受个体特征、选举环境等混杂因素影响,因此 S 与 Y 之间的关联不能直接解释为因果。本文的贡献在于将前门准则(Front-Door Criterion, FDC)与平行估计框架(Parallel Estimation Framework, PEF)结合,在 T 随机化但 S 非随机化的设定下识别"通过中介路径传导的调节效应"。

发展脉络

  • 奠基工作:因果图与后门/前门准则。Pearl (1995) 提出有向无环图(DAG)框架下的后门准则(back-door criterion)与前门准则(front-door criterion),后者允许在存在未观测混杂 U 的情况下,通过一个满足特定条件的中介变量 M 来识别 H 对 Y 的因果效应。这是本文方法论的根基。
  • 主要进展:平行估计框架(PEF)。Bansak (2021) 提出 PEF,针对"处理随机化但调节变量非随机"的设定,给出识别平均处理调节效应(ATME)的条件:在 T 的每个取值层内,S 对 Y 的效应(条件于协变量 X)可以被识别,则跨层差分即得调节效应。该框架被多个应用领域采用(如 Carlsson et al., 2024; Koizreva et al., 2023; Krajewski et al., 2025; Pickett et al., 2024),但多数应用仅通过观测协变量调整来处理 S 的内生性,未完全解决未观测混杂问题。
  • 前门准则的现代复兴。Bellemare et al. (2024) 系统梳理了前门准则的识别假设与估计框架,强调其在"处理不可随机化但中介变量可观测"场景下的实用性,并给出了线性设定下的估计方程。Glynn & Kashin (2017, 2018) 则提供了前门准则的偏差公式与混合调整策略,指出前门准则在假设不满足时的偏差方向。
  • 当前 frontier:如何在更复杂的设定(如连续处理、多中介、纵向数据)下,将前门准则与其它识别策略(如工具变量、代理变量)结合,同时保持可解释性与可检验性。本文的位置在于:首次将 PEF 与前门准则结合,在 T 随机化、S 非随机化、且存在中介 M 的设定下,识别"通过 M 传导的调节效应",并利用日本选举的制度特征构造了一个"天然的前门设定"。

子线索聚类

  1. 识别策略线索:后门/前门准则(Pearl, 1995)、平行估计框架(Bansak, 2021)、前门-双重差分(Glynn & Kashin, 2017)、前门准则的应用与偏差分析(Bellemare et al., 2024; Glynn & Kashin, 2018)。
  2. 行为机制线索:选择过载(choice overload)与投票行为——Cunow et al. (2021)、Goidel & Armstrong (2025)、Söderlund et al. (2021) 等实验与观测研究,关注候选人数量如何影响投票决策(如 ballot order effect, BOE)。本文的实证部分属于这一线索。
  3. 制度设计线索:日本选举制度中的"候选人-传单页数"机械规则(Haruhara et al., 2026),为前门准则提供了自然实验式的制度基础。

这个方向在追问的核心问题

  1. 识别问题:当调节变量 S 非随机化时,如何从观测数据中识别"T 对 Y 的效应如何随 S 变化"?需要哪些假设?这些假设是否可检验?
  2. 机制问题:调节效应是通过什么路径传导的?是直接改变 T 的效应,还是通过改变中介变量 M(如信息量)间接实现?
  3. 稳健性问题:当识别假设(如前门准则的排除限制)不满足时,估计偏差的方向与大小如何?能否通过敏感性分析加以评估?

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:现有 PEF 应用(如 Carlsson et al., 2024; Pickett et al., 2024)在调节变量非随机化时,仅通过观测协变量调整来处理内生性,未解决未观测混杂问题。作者声称,本文通过引入前门准则,利用"候选人数量 → 传单总页数 → 投票行为"这一制度性中介路径,在 T 随机化(传单位置抽签)且 S 非随机化(候选人数量)的设定下,首次实现了对"通过页数渠道传导的调节效应"的因果识别。作者还强调,本文的设定满足前门准则的三个关键假设(排除限制、中介外生性、无直接效应),且这些假设在制度背景下有较强的可信度。

张力

未见明显的对立引用。但存在一个潜在张力:前门准则的假设(特别是"排除限制"——H 对 Y 无直接效应)在社会科学应用中通常难以满足。Bellemare et al. (2024) 与 Glynn & Kashin (2018) 都指出,前门准则的识别力依赖于中介变量的完全中介性,而本文作者在脚注中承认"存在其他路径"但未加以处理。这一张力是读者需要自行判断的。


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

符号(逐个点名):

  • T:处理变量,二元(T ∈ {0,1})。在本文实证中,T = 1 表示候选人被安排在传单首页,T = 0 表示被安排在内页。T 是随机化的(抽签决定)。
  • H:调节变量,连续(H ∈ ℝ)。在实证中,H = 候选人数量(每场选举的候选人总数)。
  • M:中介变量,连续(M ∈ ℝ)。在实证中,M = 传单总页数。
  • Y:结果变量,二元(Y ∈ {0,1})。在实证中,Y = 1 表示候选人当选。
  • X:协变量向量(如候选人年龄、性别、是否现任等)。
  • W:未观测混杂(如选举热度、市政议题关注度),可能同时影响 H、M、Y。
  • 潜在结果:
  • M_i(h):当 H = h 时,候选人 i 的潜在中介值(传单总页数)。
  • Y_i(t, h, m):当 T = t, H = h, M = m 时,候选人 i 的潜在结果(是否当选)。
  • 参数 / 估计目标:
  • ν(h, x) = E[M_i(h) | X = x]:给定协变量下,H 对 M 的因果响应函数。
  • μ_t(h, m, x) = E[Y_i(t, h, m) | H = h, X = x]:给定 H 和 X 下,T = t 时 M 对 Y 的因果响应函数。
  • AMTME(平均中介调节效应,即本文的估计目标):
    \[\text{AMTME} \equiv E_{H,X}\left[ \frac{\partial \nu(h,x)}{\partial h} \left( \frac{\partial \mu_1(h,m,x)}{\partial m} - \frac{\partial \mu_0(h,m,x)}{\partial m} \right) \right]\]
    直观含义:当 H 增加一个单位(多一个候选人)时,通过增加传单总页数 M,T(首页 vs 内页)对当选概率的效应改变了多少。

模型(线性设定):

  • 中介模型:M = a_M(X) + θ₀ H + v,其中 θ₀ 是 H 对 M 的因果效应(常数)。
  • 结果模型:Y = a_t(X) + ζ_t H + θ₁ₜ M + ε,其中 θ₁ₜ 是 M 对 Y 的因果效应(在 T = t 层内),ζ_t 是 H 对 Y 的直接效应(允许存在)。

可观测数据:

  • 来自东京 165 场市议会选举(1987–2023),共 8,450 名候选人。
  • 每个候选人 i 观测到:T_i(首页/内页,随机)、H_i(该场选举的候选人总数)、M_i(该场选举传单总页数)、Y_i(是否当选)、X_i(个人特征)。
  • 关键制度事实:传单总页数 M 由候选人数量 H 和市政条例(每页固定候选人格数)机械决定,即 M 是 H 的确定性函数(在给定市政条例下)。这为前门准则提供了制度基础。

第二步:最小内核

核心问题:我们想知道"候选人数量 H 是否改变了首页效应(T 对 Y 的效应)"。但 H 不是随机分配的——选举热度等未观测因素 W 可能同时推高 H 和 Y,造成虚假关联。

最小内核(最简例子):假设只有两个候选人数量水平:H = 10(少)和 H = 20(多)。我们想比较: - 在 H = 10 的选举中,首页候选人(T=1)比内页候选人(T=0)当选概率高多少? - 在 H = 20 的选举中,这个差距又有多大? - 两个差距之差,就是"候选人数量对首页效应的调节效应"。

为什么不能直接比较? 因为 H = 20 的选举可能本身就更受关注(W 更大),而关注度高的选举中,选民可能更依赖传单首页信息(T 的效应更大)。这样我们观察到的调节效应可能只是 W 的混杂,而非 H 的因果作用。

本文的识别策略(最小内核): 1. 利用 T 的随机性:在每场选举内部,T 是抽签决定的,所以 T 与 W 独立。因此,在给定 H 和 X 下,T 对 Y 的效应可以被无偏估计(通过比较首页和内页候选人的当选率)。 2. 利用前门准则:H 对 Y 的调节效应通过 M(传单总页数)传导。由于 M 是 H 的确定性函数(制度规则),且 M 对 Y 的效应在控制 H 和 X 后可以被识别(因为 T 随机化,且 M 的外生性由制度保证),我们可以用"两步法": - 第一步:估计 H 对 M 的效应 θ₀(这是机械关系,几乎无偏)。 - 第二步:在 T = t 层内,估计 M 对 Y 的效应 θ₁ₜ(控制 H 和 X)。 - 第三步:调节效应 = θ₀ × (θ₁₁ − θ₁₀)。

为什么这个例子"一看就懂"? 因为它剥离了所有技术细节,只留下核心逻辑:T 随机化解决了 T 的内生性;制度规则(M 是 H 的确定性函数)解决了 M 的外生性;前门准则将 H 的效应分解为"通过 M 的路径",从而绕开了 H 本身的混杂。这就是整篇论文的数学内核。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在 T 随机化但调节变量 H 非随机化的设定下,如何识别"通过中介 M 传导的调节效应"(AMTME),并应用于东京市议会选举中候选人数量对首页效应的调节作用。
  2. 核心工具 / 方法:将 Bansak (2021) 的平行估计框架(PEF)与 Pearl (1995) 的前门准则(FDC)结合,利用"候选人数量 → 传单总页数 → 当选概率"的制度性中介路径,构造了一个满足前门准则的识别策略。
  3. 主要结论:每增加一名候选人,通过增加传单总页数,使首页效应(首页候选人相对内页候选人的当选优势)增加 0.322 个百分点,为基线首页效应(4.023 个百分点)的 8.0%;背面效应无显著增加。

关键设定与假设

在第二节最小记号的基础上,本文的完整设定如下:

  • 处理 T:二元(首页 vs 内页),完全随机化(抽签)。
  • 调节变量 H:候选人数量(连续,25–82)。
  • 中介 M:传单总页数(连续,4–10),由 H 和市政条例机械决定。
  • 结果 Y:当选(二元)。
  • 协变量 X:候选人年龄、性别、现任身份、政党归属等。

假设(对应文中的 Assumption 1–3):

  1. Assumption 1(T 的完全随机化):潜在结果与 T 独立,即 T 的分配不依赖任何个体或选举特征。这由抽签制度保证。
  2. Assumption 2(M 的条件外生性):给定 H 和 X,M 对 Y 的效应不受未观测混杂影响。本文论证:M 是 H 的确定性函数,且市政条例在样本期内不变,因此 M 的变异仅来自 H 和市政差异(被固定效应吸收)。
  3. Assumption 3(H 对 M 的外生性):给定 X,H 对 M 的效应不受未观测混杂影响。这由"M 是 H 的机械函数"这一制度事实保证。

相比已有文献的放宽/强化: - 相比 Bansak (2021) 的原始框架,本文强化了识别假设:不仅要求 T 随机化,还要求 M 满足前门准则的排除限制(H 对 Y 无直接效应,或直接效应被允许但不在估计目标内)。 - 相比 Bellemare et al. (2024) 的前门准则应用,本文放宽了对 H 随机化的要求:H 可以是非随机的,只要 M 满足外生性条件。

主要结果

估计结果(表 3–6):

层 θ₀(H→M) θ₁(M→Y) γ = θ₀×θ₁ 调节效应(γ₁−γ₀)
首页(T=1) 0.100*** 1.472*** 0.148* 0.322**
内页(T=0) 0.096*** −0.222 −0.021 —
背面(T=1) 0.131*** −1.333*** −0.174** 0.153
  • 首页效应:每增加一个候选人,通过增加传单页数,首页候选人的当选概率相对内页候选人增加 0.322 个百分点(p < 0.05),为基线首页效应(4.023 个百分点)的 8.0%。
  • 背面效应:每增加一个候选人,通过增加传单页数,背面候选人的当选概率相对内页候选人增加 0.153 个百分点,但统计上不显著(p > 0.1)。
  • 结论:候选人数量增加主要通过"增加传单总页数"这一渠道强化了首页效应,而对背面效应无显著影响。这支持了"选择过载导致选民更依赖早期信息"的行为机制。

稳健性:作者使用聚类自助法(cluster bootstrap)计算标准误,以应对选举层面的相关性。

证明路线与技术技巧

整体路线(对应附录 A 的证明):

  1. Step 1:证明 θ₀ₜ = θ₀(H 对 M 的效应不随 T 变化)。利用 T 的随机化(Assumption 1),条件期望 E[M | H, X] 与 T 无关。
  2. Step 2:证明 θ₁ₜ 可识别。利用 Assumption 2(M 的条件外生性),在 T = t 层内,回归 Y 对 M(控制 H 和 X)的系数即为因果效应。
  3. Step 3:证明 γ_t = θ₀ × θ₁ₜ。利用链式法则,将 H 对 Y 的效应分解为"通过 M 的路径"。
  4. Step 4:取差分 γ₁ − γ₀,消去 H 的直接效应 ζ_t(因为 ζ_t 不进入 γ_t 的定义),得到 AMTME。

技术技巧:

  • 链式法则:将调节效应分解为"H→M"和"M→Y"两个环节的乘积,这是前门准则的核心。
  • 聚类自助法:用于计算乘积项(θ₀×θ₁)的标准误,避免 Delta method 在小样本下的偏差。
  • 制度性工具变量:利用"市政条例固定"这一制度事实,将 M 视为 H 的确定性函数,从而满足前门准则的排除限制。

🔎 结论是否比证明窄

是的,存在明显的不匹配:

  1. 证明的是"线性、常数效应":附录 A 的证明假设 ν(h,x) 和 μ_t(h,m,x) 是线性的(式 18–19),且 θ₀、θ₁ₜ 是常数。但实证中 H 和 M 是计数变量,且作者在正文中承认"可能存在非线性关系"(Limitations 第一条)。因此,证明的结论(θ₀×(θ₁₁−θ₁₀))只在全局线性设定下成立,而实证估计可能只是局部平均效应。
  2. 证明允许 H 的直接效应,但实证未识别:证明中 ζ_t(H→Y 直接效应)被允许存在且不影响 AMTME 的识别。但作者在 Limitations 中承认"无法排除其他路径"(如候选人数量直接影响选民关注度),这意味着实证估计的 γ_t 可能混入了非中介路径的贡献。
  3. 假设 2 的强形式:Assumption 2 要求 M 对 Y 的效应在给定 H 和 X 后无未观测混杂。但作者在正文中承认"选举热度"可能同时影响 M(通过 H)和 Y,而 M 的变异仅来自 H 和市政条例——这一论证依赖于"市政条例不随选举热度调整"的假设,但作者未提供直接证据。

四、开放问题

  1. 非线性与异质性:本文的识别策略在全局线性设定下成立。能否将 AMTME 推广到非线性响应面(如 H 的阈值效应、M 的饱和效应)?需要什么额外的识别条件?(扎根于 Limitations 第一条:"some studies find inverted U-shaped relationships")
  2. 直接效应的排除:本文仅识别了通过 M 的调节效应,但 H 可能通过其他路径(如改变选民关注度)直接影响 T 的效应。能否设计敏感性分析,评估"未观测直接路径"对估计结果的威胁?(扎根于 Limitations 第二条:"cannot strongly rule out the possibility that effects through other paths")
  3. 前门准则的检验:Assumption 2 和 3 在本文中由制度背景保证,但缺乏统计检验。能否利用可观测的协变量(如选举热度代理变量)构造过度识别检验?(扎根于 Bellemare et al., 2024 对前门准则假设的讨论)
  4. 外部效度:本文的识别策略依赖于日本选举中"传单页数由候选人数量机械决定"这一特殊制度。在其他选举制度(如美国、欧洲)中,是否存在类似的中介变量?如何推广?(扎根于 Limitations 第四条:"the CIP is a relatively uncommon medium")

提示:若想确认这些是否是真 gap,建议去读近 5 年 Political Analysis、JRSS-A 和 Journal of Causal Inference 上关于"因果调节效应"和"前门准则"的论文——如果多篇论文都指向同一问题,则可能是共识性 gap;如果互相矛盾,则可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论