跳转至

Stochastic interventions, sensitivity analysis, and optimal transport

作者: Alexander W. Levis, Edward H. Kennedy, Alec McClean, Sivaraman Balakrishnan, Larry Wasserman
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2411.14285

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：在存在未测量混杂（unmeasured confounding）时，如何对随机干预（stochastic intervention） 的因果效应进行敏感性分析（sensitivity analysis）。传统上，随机干预是指根据协变量随机分配治疗，其效应在无混杂假设下可被点识别。但当该假设不成立时，效应只能被部分识别（partial identification），即被界定在一个区间内。本文发现，对于传统的“纯随机”干预（即治疗分配独立于自然治疗值），其效应边界有一个反直觉的性质：当目标治疗分布趋近于观测到的自然治疗分布时，边界不会收缩至零宽度（non-collapsing）。作为替代，作者提出广义策略（generalized policy），即允许治疗规则依赖于协变量、自然治疗值及辅助随机性，并证明这类策略可以解决边界非坍缩问题。该方向当前处于理论框架构建与初步方法开发阶段，核心贡献在于将最优传输（optimal transport）理论引入因果敏感性分析，为设计“最优”干预策略提供了数学工具。

发展脉络（history）

  • 奠基工作：Robins (1989) 和 Manski (1990) 开创了非参数边界方法，在仅假设结果有界时给出最宽泛的因果效应边界。Murphy (2003) 和 Robins (2004) 奠定了动态治疗规则（dynamic treatment regimes）的理论基础，即干预可依赖于协变量。
  • 主要进展：
  • 随机干预与增量倾向评分：Kennedy (2019) 提出增量倾向评分干预（incremental propensity score interventions），通过指数倾斜（exponential tilt）改变观测治疗分布，且不要求 positivity 假设。Díaz and Hejazi (2020) 将其推广至连续治疗，并用于中介分析。这些工作主要关注无混杂假设下的点识别与有效估计。
  • 修改治疗策略（MTPs）：Robins et al. (2004) 首次提出治疗规则可依赖于自然治疗值（即 MTPs）。Young et al. (2014) 和 Díaz et al. (2023) 系统研究了 MTPs 的识别与估计，并指出在无混杂下，一个 MTP 可关联到一个“纯随机”策略（通过独立随机抽样）。但 Díaz and Hejazi (2020) 明确指出，反向构造（从纯随机策略到 MTP）仍是开放问题。
  • 敏感性分析：Rosenbaum (2002) 和 Tan (2006) 提出了基于倾向得分比值比的敏感性模型。Bonvini et al. (2022) 将敏感性分析推广至边际结构模型，可处理任意离散或连续治疗。Dorn and Guo (2023) 针对二元治疗给出了基于分位数的锐界（sharp bounds）。
  • 当前 frontier 与本文位置：现有敏感性分析大多针对确定性、静态干预，且多限于二元治疗。本文是首个系统探索非确定性策略（随机干预）的敏感性分析的工作。它通过引入耦合（coupling） 和最优传输，统一了纯随机策略与 MTPs，并解决了边界非坍缩问题。作者将 Díaz and Hejazi (2020) 的开放问题（纯随机策略与 MTPs 的关联）作为直接出发点，并给出了完整解答。

子线索聚类

  1. 随机干预与动态治疗规则：包括 Kennedy (2019)、Díaz and Hejazi (2020)、Schindl et al. (2024)、Rakshit et al. (2024) 等。核心是定义和估计在无混杂假设下，由指数倾斜等机制产生的随机干预的因果效应。
  2. 修改治疗策略（MTPs）：包括 Robins et al. (2004)、Young et al. (2014)、Díaz et al. (2023)、Haneuse and Rotnitzky (2013) 等。核心是定义和识别依赖于自然治疗值的干预（如阈值干预、移位干预），并探讨其与纯随机策略的关系。
  3. 非参数敏感性分析：包括 Robins (1989)、Manski (1990)、Rosenbaum (2002)、Tan (2006)、Bonvini et al. (2022)、Dorn and Guo (2023) 等。核心是在各种未测量混杂模型下，构建因果效应的锐界。

核心问题与已知瓶颈

  • 核心问题：
  • 如何界定一个随机干预（而非确定性干预）在未测量混杂下的因果效应？
  • 如何设计干预策略，使其在敏感性分析中具有最窄的效应边界？
  • 如何为连续治疗变量开发有效的敏感性分析方法？
  • 已知瓶颈：
  • 传统纯随机策略的边界在目标分布趋近观测分布时不坍缩，这导致其敏感性分析结果可能过于保守。
  • 现有敏感性分析大多针对二元治疗，对连续治疗的处理有限。
  • 纯随机策略与 MTPs 之间的理论联系不清晰，限制了策略设计的灵活性。

⚠️ 作者的 framing

作者将缺口 frame 为：传统随机干预的边界非坍缩性质是一个“令人惊讶的”缺陷，而广义策略是解决该问题的“显然的下一步”。他们通过引入耦合和最优传输，将问题转化为一个最小化边界宽度的优化问题，并声称其最优策略具有“更简洁的解释”。作者淡化了其他敏感性分析路线（如基于工具变量的方法、基于结果模型的参数化方法），将其归为“不同家族”。值得研究者去查的问题：论文的参考文献中，没有出现与 proximal causal inference（如 Tchetgen Tchetgen et al. 的工作）的直接比较或引用。Proximal 方法也处理未测量混杂，但通过代理变量（proxy）实现点识别，而非部分识别。本文的框架是否可与 proximal 方法结合？这是一个明显的未探索交叉点。

张力

未见明显对立引用。不同敏感性模型（如结果导向 vs. 治疗导向）假设不同，但作者将其视为互补而非矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型与可观测数据

  • 符号：
  • \(O = (X, A, Y)\)：观测数据，其中 \(X \in \mathbb{R}^d\) 是协变量，\(A \in \mathcal{A} \subseteq \mathbb{R}\) 是治疗变量，\(Y \in \mathbb{R}\) 是结果。
  • \(P\)：观测数据分布。
  • \(Y(a)\)：在治疗 \(A=a\) 下的潜在结果（counterfactual）。
  • \(d\)：广义策略（generalized policy），是一个可测函数 \(d: \mathcal{X} \times \mathcal{A} \times \mathcal{V} \to \mathcal{A}\)，其中 \(V\) 是辅助随机变量（如 \(V \sim \text{Unif}(0,1)\)）。
  • \(Y(d)\)：在策略 \(d\) 下的潜在结果。
  • \(\Pi(\cdot \mid X)\)：观测到的治疗条件分布（CDF）。
  • \(Q(\cdot \mid X)\)：目标治疗条件分布。
  • \(\mathcal{D}_Q\)：所有能诱导出治疗分布 \(Q\) 的广义策略的集合，即 \(Q\)-策略。
  • \(\nu_a(X, a') = E(Y(a) \mid X, A = a')\)：在给定 \(X\) 和观测治疗 \(A=a'\) 的个体中，若将治疗设为 \(a\) 的潜在结果均值。
  • \(\mu_a(X) = E(Y \mid X, A = a)\)：观测结果回归函数。
  • \(\tau_Q = E\left( \int \mu_a(X) dQ(a \mid X) \right)\)：在无混杂假设下，任何 \(Q\)-策略的边际效应。
  • 模型：
  • 数据生成机制：\((X, A, \{Y(a)\}_{a \in \mathcal{A}}) \sim P^*\)，观测到的 \(O = (X, A, Y)\) 是 \(P^*\) 的边际分布，且满足一致性假设（\(Y = Y(A)\)）。
  • 核心假设：一致性（Assumption 1）和辅助随机性（Assumption 2，即 \(V\) 独立于 \((X, A, \{Y(a)\})\)）。
  • 敏感性模型：对未测量混杂的程度施加约束，例如 \(|\nu_a(X, a') - \mu_a(X)| \leq \Gamma\)（Model 2）。
  • 可观测数据：研究者能观测到 \(n\) 个独立同分布的样本 \(\{ (X_i, A_i, Y_i) \}_{i=1}^n\)。
  • 不可观测量：潜在结果 \(Y(a)\) 对于 \(a \neq A\) 的个体是不可观测的。函数 \(\nu_a(X, a')\) 对于 \(a' \neq a\) 是不可识别的，只能通过敏感性模型进行约束。

第二步：最小内核——二元治疗下的边界非坍缩问题

考虑最简单的设定：二元治疗 \(A \in \{0, 1\}\)，且无协变量 \(X\)（或条件于 \(X\) 分析）。此时： - 观测治疗分布由倾向得分 \(\pi = P(A=1)\) 刻画。 - 目标治疗分布由 \(q = P(d=1)\) 刻画。 - 纯随机策略 \(d_q\)：独立于 \(A\)，以概率 \(q\) 分配治疗 1。 - 最大耦合策略 \(d^*_q\)：依赖于 \(A\)，其定义为： - 若 \(q = \pi\)，则 \(d^*_q = A\)。 - 若 \(q < \pi\)，则 \(d^*_q = A \cdot \mathbf{1}(V \leq q/\pi)\)（即，仅当 \(A=1\) 且 \(V \leq q/\pi\) 时才保留治疗，否则改为 0）。 - 若 \(q > \pi\)，则 \(d^*_q = A + (1-A) \cdot \mathbf{1}(V > (1-q)/(1-\pi))\)（即，仅当 \(A=0\) 且 \(V > (1-q)/(1-\pi)\) 时才改为治疗 1）。

核心现象：当目标分布趋近观测分布，即 \(q \to \pi\) 时： - 对于纯随机策略 \(d_q\)：\(P(A \neq d_q) = \pi(1-q) + (1-\pi)q \to 2\pi(1-\pi) > 0\)（除非 \(\pi=0\) 或 1）。因此，即使 \(q=\pi\)，\(d_q\) 仍与 \(A\) 不同，其效应边界宽度不趋于 0。 - 对于最大耦合策略 \(d^*_q\)：\(P(A \neq d^*_q) = |q - \pi| \to 0\)。因此，当 \(q=\pi\) 时，\(d^*_\pi = A\)，效应被点识别，边界坍缩至一点。

数学本质：论文的核心数学问题是：在给定敏感性模型（如 \(|\nu_a - \mu_a| \leq \Gamma\)）下，对于任意 \(Q\)-策略 \(d\)，其效应 \(E(Y(d))\) 的边界宽度为 \(2\Gamma \cdot P(A \neq d)\)。因此，最小化边界宽度等价于最小化 \(P(A \neq d)\)，即最大化 \(d\) 与自然治疗 \(A\) 的一致性。最大耦合策略正是这一优化问题的解。对于连续治疗，该问题推广为最优传输问题：最小化 \(E(h(|A-d|))\)，其中 \(h\) 是凸函数，其解由秩保持耦合（rank-preserving coupling）给出。

三、这篇论文做了什么

三句话

  1. 研究问题：在存在未测量混杂时，传统随机干预的因果效应边界在目标分布趋近观测分布时不会坍缩，本文提出广义策略（generalized policy）作为替代，并研究其最优设计与敏感性分析。
  2. 核心工具：利用耦合方法（coupling method）和最优传输理论（optimal transport），将寻找最优广义策略（即最小化边界宽度）转化为一个 Monge-Kantorovich 问题。
  3. 主要结论：对于多种敏感性模型（结果有界、结果偏差有界、连续结果偏差、倾向得分比值比），刻画了最优广义策略（最大耦合策略或秩保持耦合策略）及其对应的锐界（sharp bounds），并为指数倾斜目标分布开发了灵活、高效、稳健的估计量。

关键设定与假设

  • 广义策略（Definition 1）：\(d \in \mathcal{D}_Q\) 是任何满足 \(P(d(X,A,V) \leq a \mid X) = Q(a \mid X)\) 的可测函数。这统一了纯随机策略（\(d_Q\)，独立于 \(A\)）和 MTPs（依赖于 \(A\)）。
  • 一致性假设（Assumption 1）：\(Y(d_1) = Y(d_2)\) 若 \(d_1 = d_2\)，且 \(Y(A) = Y\)。
  • 辅助随机性假设（Assumption 2）：\(V \perp\!\!\!\perp (X, A, \{Y(a)\})\)。这是为了确保 \(d\) 与潜在结果条件独立，便于识别。
  • 绝对连续性假设（Assumption 3）：\(Q(\cdot \mid X) \ll \Pi(\cdot \mid X)\)。这替代了传统的 positivity 假设，要求目标分布不赋予观测分布零测集以正质量。
  • 目标分布可识别假设（Assumption 4）：\(Q\) 可由观测数据识别（例如，通过指数倾斜定义）。
  • 敏感性模型（Models 1-4）：对未测量混杂的程度施加不同形式的约束。例如，Model 2 假设 \(|\nu_a(X, a') - \mu_a(X)| \leq \Gamma\)，Model 3 假设 \(|\nu_a(X, a') - \mu_a(X)| \leq \Gamma |a' - a|^p\)。相比已有文献，Model 4（倾向得分比值比模型）被推广至任意离散或连续治疗（原文称“这些边界是新的，可能具有独立意义”）。

主要结果

  • Proposition 1：对于任何 \(d \in \mathcal{D}_Q\)，其条件效应可分解为：
    \[E(Y(d) \mid X) = t_Q(X) + E\left( \mathbf{1}(A \neq d) \cdot \{\nu_d(X, A) - \mu_d(X)\} \mid X \right),\]
    其中 \(t_Q(X) = \int \mu_a(X) dQ(a \mid X)\)。该分解将效应偏差与“策略与自然治疗不一致”的事件联系起来，是后续所有边界推导的基础。
  • Theorem 1（最大耦合策略的最优性）：在敏感性模型下，若偏差有界 \(|\nu_a(X, a') - \mu_a(X)| \leq \Gamma^\pm(X)\)，则最大耦合策略 \(d^*_Q\)（Example 3）最小化 \(P(A \neq d \mid X)\)，从而给出最窄边界：
    \[E(Y(d^*_Q) \mid X) \in [t_Q(X) - \Gamma^-(X) \cdot \text{TV}_{\Pi, Q}(X),\; t_Q(X) + \Gamma^+(X) \cdot \text{TV}_{\Pi, Q}(X)],\]
    其中 \(\text{TV}_{\Pi, Q}(X)\) 是总变差距离。该边界是锐界（sharp）。
  • Theorem 2（秩保持耦合策略的最优性）：在连续治疗且偏差有界 \(|\nu_a(X, a') - \mu_a(X)| \leq h(|a' - a|)\)（\(h\) 为凸函数）时，秩保持耦合策略 \(d^{\text{mon}}_Q\)（Example 2）最小化 \(E(h(|A-d|) \mid X)\)，从而给出最窄边界，其宽度由 \(p\)-Wasserstein 距离 \(W_p(\Pi, Q)\) 决定。
  • Theorem 3（二元治疗的特例）：对于二元治疗，最大耦合策略 \(d^*_q\) 在更一般的偏差模型（如 Model 4）下仍是最优的，其边界宽度为 \((\Gamma^-_s + \Gamma^+_s) |q - \pi|\)，其中 \(s = \mathbf{1}(q > \pi)\)。这比纯随机策略的边界（宽度为 \(\Gamma^-_0 \pi(1-q) + \Gamma^-_1 (1-\pi)q + \Gamma^+_0 \pi(1-q) + \Gamma^+_1 (1-\pi)q\)）更窄。

证明路线与技术技巧

  • 整体路线：
  • 分解效应（Proposition 1）：将 \(E(Y(d) \mid X)\) 分解为可识别部分 \(t_Q(X)\) 和由未测量混杂引起的偏差项。
  • 将边界宽度与耦合联系起来：在给定敏感性模型下，偏差项的上界可表示为 \(E(\Gamma(A, d) \mid X)\)，其中 \(\Gamma\) 是已知函数。因此，最小化边界宽度等价于最小化 \(E(\Gamma(A, d) \mid X)\)。
  • 转化为最优传输问题：对于不同的 \(\Gamma\) 函数，该优化问题对应不同的最优传输问题。例如，当 \(\Gamma(a, a') = \mathbf{1}(a \neq a')\) 时，问题退化为最小化 \(P(A \neq d)\)，其解是最大耦合（Theorem 1）。当 \(\Gamma(a, a') = h(|a - a'|)\) 时，问题退化为最小化 \(E(h(|A-d|))\)，其解是秩保持耦合（Theorem 2）。
  • 利用已知最优传输结果：最大耦合和秩保持耦合是经典最优传输问题的解，作者直接引用这些结果（如 Santambrogio, 2015 的 Theorem 2.9）。
  • 构建锐界：将最优耦合代入 Proposition 1，得到锐界。
  • 关键跳跃点：将“最小化边界宽度”问题转化为“最小化 \(P(A \neq d)\)”或“最小化 \(E(h(|A-d|))\)”问题。这一步依赖于 Proposition 1 的分解，以及敏感性模型对偏差项的直接约束。作者巧妙地利用了“偏差项仅在 \(A \neq d\) 时非零”这一事实。
  • 技术技巧点名：
  • 耦合方法：用于构造广义策略，并建立其与目标分布 \(Q\) 的联系。
  • 最优传输理论：用于刻画最优耦合，特别是 Monge-Kantorovich 问题。
  • von Mises 展开：用于推导估计量的渐近性质（Proposition 2, 3）。
  • 非光滑泛函估计：对于涉及指示函数的泛函（如总变差距离、分位数），作者利用边际条件（Margin Condition, Assumption 5, 6）来控制估计偏差，这是处理非路径可微泛函的标准技巧（如 Luedtke and van der Laan, 2016）。
  • 交叉拟合（cross-fitting）：用于处理估计量中的 nuisance 函数，实现渐近正态性。

真实例子与应用

本文为纯理论论文，无真实数据例子。但包含一个模拟例子（Section 2.1, Figure 1）： - 数据：\(X \sim \text{Unif}(0,1)\)，\(A \in \{0,1\}\)，\(\pi(X) = X\)，\(\mu_a(X) = (2a-1)X\)。 - 方法：考虑增量倾向评分干预 \(q_\delta\)，在敏感性模型 \(|\nu_a - \mu_a| \leq \Gamma\) 下，计算纯随机策略 \(d_{q_\delta}\) 和最大耦合策略 \(d^*_{q_\delta}\) 的效应边界。 - 结果：Figure 1 显示，当 \(\delta \to 0\)（即 \(q_\delta \to \pi\)）时，\(d_{q_\delta}\) 的边界不坍缩，而 \(d^*_{q_\delta}\) 的边界坍缩至一点。这直观验证了论文的核心理论发现。 - 目的：该例子旨在展示问题（边界非坍缩）和验证理论（最大耦合策略解决该问题），而非展示方法在实际数据上的性能。

🔎 结论是否比证明窄

  • 窄结论：Theorem 1 和 Theorem 2 的最优性结论依赖于敏感性模型对偏差项的具体形式（如 \(|\nu_a - \mu_a| \leq \Gamma\) 或 \(|\nu_a - \mu_a| \leq h(|a'-a|)\)）。作者在 Theorem 3 的证明中明确指出，对于 Model 4（倾向得分比值比模型），最优策略的闭式解“尚不清楚”，并“将这个问题留给未来工作”。这表明，论文的结论在更复杂的敏感性模型下可能不成立。
  • 泛化 claim：论文在 Section 5（讨论）中声称，其方法可推广至其他敏感性模型（如污染模型）和纵向设置。但这些推广并未在本文中严格证明，属于 conjecture。
  • 具体语句：在 Section 3.2 末尾，作者写道：“Optimal policies for such bounds can be determined from the solution of a linear optimization problem, however whether this solution has a simple closed form is unclear, and we leave this problem for future work.” 这明确承认了结论的局限性。

四、开放问题

  1. 其他敏感性模型下的最优策略：对于 Model 4（倾向得分比值比模型）等更复杂的模型，最优广义策略的闭式解是什么？是否可以通过线性规划高效求解？（扎根于 Section 3.2 末尾的“leave this problem for future work”）
  2. 纵向设置下的推广：本文的框架能否推广至具有时变治疗的纵向设置？在纵向设置下，广义策略的识别需要更强的假设（如 Young et al., 2014 所述），部分识别结果是否还能保持？（扎根于 Section 5 的“extend these methods to handle longitudinal settings”）
  3. 边界长度与估计效率的权衡：本文的最优策略最小化了理论边界宽度，但未考虑估计这些边界时的统计效率。是否存在一种策略，虽然理论边界稍宽，但估计更稳定，从而在有限样本下给出更窄的置信区间？（扎根于 Section 5 的“trade-off between bound length and efficiency in estimating the bounds themselves”）
  4. 与 Proximal Causal Inference 的结合：本文的敏感性分析框架与 proximal 方法（通过代理变量处理未测量混杂）有何联系？能否将广义策略与代理变量结合，实现更紧的边界或点识别？（这是一个基于作者 framing 的推测性问题，论文未提及，但值得研究者去查近期约 5 篇 proximal CI 的 intro 来确认是否为真 gap。）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论