跳转至

Proximal causal inference through cross-proxy balancing

作者: Grace V. Ringlein, Trang Q. Nguyen, Elizabeth A. Stuart, Harsh Parikh
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2609.38175


一、领域脉络与小综述

这个方向是什么:Proximal causal inference (PCI) 是因果推断中处理未测量混杂的一个子方向。其根本问题是:当存在未观测到的混杂变量 U 时,如何利用两组代理变量——处理混杂代理 Z(treatment confounding proxy)和结果混杂代理 W(outcome confounding proxy)——来识别和估计平均处理效应 E{Y(a)}。该方向由 Miao et al. (2018) 奠基,目前已有较完整的识别理论(bridge function 存在性与完备性条件)、半参数效率理论(Cui et al., 2024)和多种估计方法(GMM、最小最大、核方法)。但 bridge function 的机制解释仍不透明,不同估计量之间的关系也缺乏统一视角,属于方法论活跃期。

发展脉络(按引用关系串联):

  • 奠基工作:Miao et al. (2018) 首次证明,在存在未测量混杂时,若有两组满足条件独立性的代理变量,则可通过求解积分方程(bridge function)非参数识别平均处理效应。该文奠定了 PCI 的识别框架,但依赖完备性条件(completeness)和平方可积假设。
  • 半参数理论:Cui et al. (2024) 将 PCI 纳入半参数框架,推导了平均处理效应的效率界,并提出了双重稳健的 AIPW 估计量。他们给出了两种识别路径:基于 outcome bridge function 的 g-computation 形式,以及基于 treatment bridge function 的 IPW 形式。该文是本文的直接对标对象。
  • 稳健估计方法:Kallus et al. (2022) 提出最小最大学习方法,将 bridge function 的估计转化为 minimax 优化问题,避免了对完备性条件的直接依赖,并允许使用神经网络等灵活函数类。Ghassami et al. (2021) 进一步用核方法(RKHS)实现了类似思想,并给出了有限样本收敛率。
  • 解释与统一:Ringlein et al. (2025) 试图"去神秘化"PCI,用测量误差和负对照的视角解释 bridge function。本文则进一步将 treatment bridge function 与协变量平衡(covariate balancing)文献联系起来,提出"交叉代理平衡"(cross-proxy balancing)概念。

子线索聚类:

  1. 识别理论:Miao et al. (2018), Cui et al. (2024), Tchetgen Tchetgen et al. (2024) —— 关注什么条件下 E{Y(a)} 可识别,bridge function 是否存在、是否唯一。
  2. 估计方法:Kallus et al. (2022), Ghassami et al. (2021) —— 关注如何从数据中估计 bridge function,包括最小最大公式、核方法、GMM。
  3. 平衡权重方法:Ben-Michael et al. (2021), Chattopadhyay & Zubizarreta (2021), Słoczyński et al. (2023), Knaus (2024) —— 关注在标准(无未测量混杂)设置下,通过构造权重使协变量分布平衡来估计处理效应。本文首次将这一思想引入 PCI。
  4. 解释性工作:Ringlein et al. (2025), 本文 —— 试图为 bridge function 提供直观解释,并建立不同方法之间的等价性。

这个方向在追问的核心问题:

  • 在什么条件下,未测量混杂可以被代理变量"替代"从而实现识别?
  • 如何估计 bridge function?需要什么样的正则化与函数类假设?
  • 不同估计量(g-computation, IPW, AIPW)在什么条件下等价?各自的稳健性如何?
  • 如何检验识别假设(如完备性)?这些假设在多大程度上可被数据验证?

主流方法与已知瓶颈:

  • 主流方法:通过求解积分方程(或最小最大问题)估计 bridge function,然后构造 plug-in 或加权估计量。瓶颈包括:完备性条件难以验证且不直观;积分方程是不适定问题(ill-posed),需要额外正则化;估计量对 bridge function 的估计误差敏感,且缺乏像标准协变量平衡那样的诊断工具。

⚠️ 作者的 framing(这是作者的说法):

作者将缺口 frame 为:treatment bridge function 的定义方程(1)本质上是一个交叉代理平衡条件——权重函数 q(Z,a,X) 使得治疗组中 outcome proxy W 和协变量 X 的加权分布与总体分布一致。因此,PCI 中的 bridge function 估计可以理解为平衡权重估计,现有多种识别路径(Cui 的完备性路径、Kallus 的最小最大路径)都可以统一到"平衡传播"(balance propagation)的视角下。作者还声称,在特定条件下,proximal IPW、g-computation 和 AIPW 估计量具有相同的隐含权重,从而解释了它们之间的数值等价性。竞争路径(如直接建模 outcome bridge function)被作者相对淡化,文中强调 treatment bridge function 的平衡解释更直观、更可检验。

张力:

  • 在识别条件上,Miao et al. (2018) 和 Cui et al. (2024) 依赖完备性条件,而 Kallus et al. (2022) 声称可以避免完备性,但需要其他条件(如最小最大公式中的可实现性)。本文指出这两种路径都可以视为平衡传播的充分条件,但并未完全消除二者在假设强度上的差异。
  • 在估计量等价性上,Słoczyński et al. (2023) 在标准设置下证明了加权和双重稳健估计量的等价性,本文将其推广到 PCI,但条件更严格(线性 bridge function 或特定参数形式)。作者在 Remark S1 中承认,线性假设与处理概率模型存在内在冲突。
  • 未见明显对立引用。

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

  • 观测数据:独立同分布样本 \(\{ (A_i, X_i, Z_i, W_i, Y_i) \}_{i=1}^n\)。
  • 处理变量:\(A\),取值于有限集 \(\mathcal{A}\)。
  • 结果变量:\(Y\)。
  • 观测协变量:\(X\),支持为 \(\mathcal{X}\)。
  • 未观测混杂:\(U\)。
  • 处理混杂代理:\(Z\),满足 \(Z \perp\!\!\!\perp Y \mid U, A, X\)(给定 U, A, X 后,Z 与 Y 条件独立)。
  • 结果混杂代理:\(W\),满足 \(W \perp\!\!\!\perp (A, Z) \mid U, X\)(给定 U, X 后,W 与 A, Z 条件独立)。
  • 潜在结果:\(Y(a)\),\(a \in \mathcal{A}\)。
  • 目标 estimand:\(\mu(a) = E\{Y(a)\}\)。

假设(论文中的 Assumption 1): - 一致性:\(Y = Y(A)\)。 - 潜在可忽略性:\(Y(a) \perp\!\!\!\perp A \mid U, X\)。 - 潜在阳性:\(\Pr(A = a \mid U, X) \ge \epsilon > 0\) 对所有 \(a\) 成立。 - 代理条件独立性:如上所述。

Bridge functions: - Treatment bridge function \(q^{\text{obs}}(Z, a, X)\):满足

\[\Pr(A = a \mid W, X)^{-1} = E\{ q^{\text{obs}}(Z, a, X) \mid W, a, X \} \tag{1}\]
或等价地,对任意 \(k(W,X)\),
\[E\{ I(A=a) q^{\text{obs}}(Z,a,X) k(W,X) \} = E\{ k(W,X) \}. \tag{1*}\]
- True treatment bridge function \(q^{\text{true}}(Z, a, X)\):满足
\[\Pr(A = a \mid U, X)^{-1} = E\{ q^{\text{true}}(Z, a, X) \mid U, a, X \}. \tag{2}\]
- Outcome bridge function \(h^{\text{obs}}(W, a, X)\):满足
\[E(Y \mid Z, a, X) = E\{ h^{\text{obs}}(W, a, X) \mid Z, a, X \}. \tag{9}\]

可观测与不可观测的区分: - 可观测:\(A, X, Z, W, Y\)。 - 不可观测:\(U\),以及所有涉及 \(U\) 的条件分布。 - Bridge function 的定义涉及不可观测的 \(U\)(如 \(q^{\text{true}}\)),但 \(q^{\text{obs}}\) 仅由可观测数据定义。识别策略是:在完备性条件下,\(q^{\text{obs}}\) 自动等于 \(q^{\text{true}}\),从而可以用可观测数据估计。

第二步:最小内核——交叉代理平衡

核心思想:Treatment bridge function 的定义方程 (1) 可以重新解读为一个平衡条件。将 (1) 两边乘以 \(\Pr(A=a|W,X)\) 并利用条件独立性,得到 (1*):

\[E\{ I(A=a) q^{\text{obs}}(Z,a,X) k(W,X) \} = E\{ k(W,X) \}.\]
这个等式说明:在治疗组 \(A=a\) 中,用 \(q^{\text{obs}}(Z,a,X)\) 作为权重,可以使得 W 和 X 的任意函数的加权平均等于总体平均。也就是说,\(q^{\text{obs}}\) 是一个"平衡权重",它平衡的是 outcome proxy \(W\) 和协变量 \(X\),而不是直接平衡 \(U\)。这就是"交叉代理"的含义:权重由 \(Z\) 和 \(X\) 决定,但平衡的是 \(W\) 和 \(X\)。

为什么这能消除混杂? 因为 \(W\) 是 \(U\) 的代理。如果 \(W\) 和 \(X\) 的分布被平衡了,那么在完备性条件下,\(U\) 的分布也被平衡了。因此,加权后的治疗组结果均值就等于潜在结果均值:

\[E\{ I(A=a) q^{\text{true}}(Z,a,X) Y \} = E\{ Y(a) \}. \tag{3}\]

最简例子(离散情形):

假设: - \(A \in \{0,1\}\),\(X\) 为空(无观测协变量)。 - \(U \in \{0,1\}\),\(\Pr(U=1) = 0.5\)。 - 处理分配:\(\Pr(A=1 \mid U=1) = 0.8\),\(\Pr(A=1 \mid U=0) = 0.2\)。 - 代理变量:\(Z = U\)(无噪声),\(W = U\)(无噪声)。 - 潜在结果:\(Y(1) = 1 + U\),\(Y(0) = U\)。

目标:估计 \(\mu(1) = E\{Y(1)\} = 1 + E[U] = 1.5\)。

步骤: 1. 计算 \(\Pr(A=1 \mid W, X) = \Pr(A=1 \mid U)\): - \(\Pr(A=1 \mid U=1) = 0.8\),\(\Pr(A=1 \mid U=0) = 0.2\)。 2. 求解 treatment bridge function \(q(Z,1)\),使其满足 (1):

\[\Pr(A=1 \mid U)^{-1} = E\{ q(Z,1) \mid U, A=1 \}.\]
由于 \(Z=U\),\(q(Z,1)\) 是 \(U\) 的函数。设 \(q(1,1) = a\),\(q(0,1) = b\)。则: - 当 \(U=1\):\(1/0.8 = a\) ⇒ \(a = 1.25\)。 - 当 \(U=0\):\(1/0.2 = b\) ⇒ \(b = 5\)。 3. 验证平衡条件 (1*):对任意 \(k(W)\),有
\[E\{ I(A=1) q(Z,1) k(W) \} = E\{ k(W) \}.\]
例如取 \(k(W) = W\): - 左边 = \(E\{ I(A=1) q(U,1) U \} = \Pr(A=1, U=1) \cdot 1.25 \cdot 1 = 0.4 \cdot 1.25 = 0.5\)。 - 右边 = \(E[U] = 0.5\)。成立。 4. 构造加权估计量:
\[\hat{\mu}(1) = \frac{1}{n} \sum_{i: A_i=1} q(Z_i,1) Y_i.\]
在期望上:
\[E\{ I(A=1) q(U,1) Y \} = \Pr(A=1, U=1) \cdot 1.25 \cdot 2 + \Pr(A=1, U=0) \cdot 5 \cdot 1 = 0.4 \cdot 2.5 + 0.1 \cdot 5 = 1 + 0.5 = 1.5.\]
等于 \(\mu(1)\)。

这个例子说明了什么: - Bridge function \(q\) 本质上是一个权重函数,它通过平衡 \(W\)(进而平衡 \(U\))来消除混杂。 - 估计 \(q\) 不需要知道 \(U\) 的分布,只需要求解可观测的矩条件 (1*)。 - 当 \(Z\) 和 \(W\) 是 \(U\) 的无噪声代理时,平衡条件精确成立;有噪声时,需要完备性条件来保证平衡传播。


三、这篇论文做了什么

三句话

  1. 研究问题:在 proximal causal inference 中,treatment bridge function 的识别机制是什么?如何从协变量平衡的角度理解它?
  2. 核心方法:将 treatment bridge function 的定义方程重新解释为一种交叉代理平衡条件,并利用这一视角将 bridge function 的估计转化为平衡权重估计问题;进一步推导出常见估计量(IPW、g-computation、AIPW)的隐含权重形式。
  3. 主要结论:在特定条件下,proximal IPW、g-computation 和 AIPW 估计量具有相同的隐含权重,从而数值等价;并给出了平衡传播(balance propagation)的充分条件,统一了现有识别路径。

关键设定与假设

论文在 Assumption 1 中列出了 PCI 的基础假设(见第二节)。在此基础上,额外假设:

  • Assumption 2:存在至少一个 true treatment bridge function,即 \(Q^{\text{true}} \neq \emptyset\)。
  • Assumption 3(平衡传播):任何 \(q^{\text{obs}} \in Q^{\text{obs}}\) 也满足 \(q^{\text{obs}} \in Q^{\text{true}}\),即平衡 \(W\) 能推出平衡 \(U\)。这是识别 \(E\{Y(a)\}\) 的关键。
  • Assumption 4(完备性):\(W\) 对 \(U\) 的完备性条件(给定 \(A, X\)),用于保证平衡传播。
  • Assumption 5(完备性):\(W\) 对 \(Z\) 的完备性条件,用于保证 \(q^{\text{obs}}\) 的唯一性。

这些假设与 Cui et al. (2024) 和 Kallus et al. (2022) 中的假设进行了对比。论文指出,Cui 的完备性条件(A.4)是平衡传播的充分条件,而 Kallus 的最小最大方法不需要显式完备性,但需要其他正则化条件。

主要结果

结果 1:Treatment bridge function 作为平衡权重

论文的核心命题(Proposition 1 的铺垫)证明:\(q \in Q^{\text{obs}}\) 当且仅当 (1*) 成立,即

\[E\{ I(A=a) q(Z,a,X) k(W,X) \} = E\{ k(W,X) \}, \quad \forall k.\]
这意味着 \(q\) 是使 \(W\) 和 \(X\) 在治疗组中达到平衡的权重函数。这个结果将 bridge function 与标准因果推断中的平衡权重(如 IPW、熵平衡)直接联系起来。

结果 2:估计的权重形式

论文推导了三种常见估计量的隐含权重:

  • Proximal IPW 估计量 \(\hat{\mu}_q(a)\):权重为 \(\hat{\omega}_{q,i}(a) = n^{-1} I(A_i=a) \hat{q}^{\text{obs}}(Z_i,a,X_i)\)。
  • Proximal g-computation 估计量 \(\hat{\mu}_h(a)\):当 outcome bridge function 的估计 \(\hat{h}\) 是线性平滑器时,可写成权重形式 \(\hat{\omega}_{h,i}(a) = n^{-1} \mathbf{1}_n^\top \hat{S}(a)\),其中 \(\hat{S}(a)\) 是平滑矩阵。
  • Proximal AIPW 估计量 \(\hat{\mu}_{qh}(a)\):权重为 \(\hat{\omega}_{qh,i}(a) = \hat{\omega}_{q,i}(a) + \hat{\omega}_{h,i}(a) - \hat{\omega}_{q,i}(a) \hat{S}(a)\) 的某种组合。

结果 3:等价性条件(Proposition 1 和 2)

  • Proposition 1:如果估计的 outcome bridge function \(\hat{h}(a)\) 落在平衡函数 \(k(W,X)\) 的张成空间中(即 \(\hat{h}(a) = K_{wx} \hat{\eta}_a\)),则 AIPW 估计量可以写成 IPW 估计量减去一个线性偏差项:

    \[\hat{\mu}_{qh}(a) = \hat{\mu}_q(a) - r_n \hat{\eta}_a,\]
    其中 \(r_n = n^{-1}(\hat{q}(a)^\top D(a) K_{wx} - \mathbf{1}_n^\top K_{wx})\) 是平衡误差。如果平衡条件精确满足(\(r_n = 0\)),则 AIPW 与 IPW 数值等价。

  • Proposition 2:在 \(q\) 和 \(h\) 均为线性(或特定参数形式)的设定下,IPW、g-computation 和 AIPW 估计量具有完全相同的隐含权重:

    \[\hat{\omega}_{\text{lin}}(a)^\top = n^{-1} \mathbf{1}_n^\top K_{wx} (K_{zx}^\top D(a) K_{wx})^{-1} K_{zx}^\top D(a),\]
    因此三者数值等价。证明思路是:线性 bridge function 假设下,求解 (11) 和 (14) 得到的权重相同。

结果 4:平衡诊断

论文建议使用平衡误差 \(r_n\) 作为诊断工具:如果估计的 \(\hat{q}\) 不能很好地平衡 \(W\) 和 \(X\),则说明模型设定可能有问题,或者识别假设不成立。这为 PCI 提供了类似标准协变量平衡检验的工具。

证明路线

  1. 从定义到平衡:从 (1) 出发,利用条件期望和代理条件独立性,推导 (1*)。具体地,将 (1) 两边乘以 \(\Pr(A=a|W,X)\),再对 \(W,X\) 取期望,并利用 \(W \perp\!\!\!\perp (A,Z) | U,X\) 和 \(Z \perp\!\!\!\perp Y | U,A,X\) 进行化简。
  2. 平衡传播:假设 \(q^{\text{obs}}\) 满足 (1)。要证明它满足 (2),需要利用完备性条件(A.4 或 A.5)。论文在补充材料 §S5 中给出了详细推导:从 \(E\{ I(A=a) q^{\text{obs}} k(W,X) \} = E\{k(W,X)\}\) 出发,对任意 \(m(U,X)\),构造 \(k(W,X) = E\{ m(U,X) | W, a, X \}\),然后利用完备性条件推出 \(E\{ I(A=a) q^{\text{obs}} m(U,X) \} = E\{ m(U,X) \}\)。
  3. 估计量的权重形式:通过线性代数运算,将 GMM 估计方程的解表示为权重向量。关键技巧是识别出 (11) 和 (14) 的解在特定条件下相同。
  4. 等价性证明:利用矩阵恒等式和投影性质,证明在 \(q\) 和 \(h\) 均为线性时,三种估计量的权重表达式相同。

技术技巧

  • 条件期望与迭代期望:反复使用 \(E\{ I(A=a) f \mid V \} = \Pr(A=a|V) E\{ f \mid A=a, V \}\) 这一恒等式(补充材料 §S0)。
  • 完备性条件的运用:将平衡条件从可观测的 \(W\) 扩展到不可观测的 \(U\),这是识别的核心步骤。
  • GMM 框架:将 bridge function 的估计统一为矩条件 (11) 和 (14) 的解,便于推导权重形式。
  • 线性平滑器表示:将 outcome bridge function 的估计表示为 \(\hat{h}(a) = S(a) Y\),从而将估计量转化为加权形式。

真实例子与应用

本文为纯理论方法论文,未包含真实数据或模拟实验。 仅在补充材料中给出了线性模型下的例子(Proposition 2),用于说明等价性条件。论文在讨论部分提到,平衡视角可以用于构建诊断工具,但未进行实证演示。


四、开放问题

  1. 平衡传播条件的可检验性:论文指出 A.3(平衡传播)及其充分条件 A.4/A.5 本质上是不可检验的(第 4.2 节:"whether balance propagates to balance on functions of U, X cannot be checked")。能否发展出部分可检验的替代条件,或基于敏感度分析的诊断方法?

  2. 权重极端性与方差控制:论文提到可以用 ESS(有效样本量)反映权重集中导致的方差膨胀(第 4.2 节),但未给出如何选择平衡函数集合 \(k(W,X)\) 以在偏差和方差之间取得最优权衡。是否存在类似于标准协变量平衡中的最优权重选择准则?

  3. 非线性桥函数的等价性:Proposition 2 的等价性依赖于线性 bridge function 假设。在非线性设定下,IPW、g-computation 和 AIPW 估计量的关系如何?是否仍存在类似的权重表示或数值等价?

  4. 高维与正则化:论文没有讨论高维代理变量的情况。在高维下,平衡权重估计需要正则化(如 Lasso、核方法),交叉代理平衡视角如何与高维统计、双重机器学习结合?平衡条件中的完备性在高维下如何理解?

  5. 有限样本性质:论文主要关注识别和等价性,未给出估计量的收敛速度、置信区间构造或 bootstrap 有效性。基于平衡权重估计的推断理论尚待建立。


提醒:若要确认上述问题是否为真 gap,建议检索近 5 年 PCI 相关文献(如 Journal of Causal Inference, Biometrika, JRSS-B 上的后续工作),看是否已有论文处理这些问题。若多篇独立工作指向同一缺口,则可能是共识性问题;若结论互相矛盾,则可能是更值得切入的张力点。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论