跳转至

Spatial causal inference in the presence of unmeasured confounding and interference

作者: Georgia Papadogeorgou, Srijata Samanta
来源: Annals of Applied Statistics
主题: 因果推断
相关性: 7/10
机构绿灯: University of Florida(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


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空间因果推断(spatial causal inference),其根本科学问题是:当观测单元在空间上相互关联、且存在未测量的空间混杂因素时,如何从观测数据中识别和估计因果效应。该方向的核心张力在于:经典因果推断假设单元独立且无未测量混杂,而空间数据天然违反这两条假设——邻近单元的治疗和结局相互影响(干扰/ spillover),且共享未观测的空间环境因素(如气象条件、区域政策)同时驱动治疗和结局。该子方向的成熟度处于快速发展但尚未定型的阶段:已有大量针对单一挑战(仅干扰、或仅空间混杂)的方法,但将两者统一处理、并给出可识别性证明的工作仍然稀缺。

发展脉络

奠基工作:空间因果推断的根基可追溯至两条独立脉络。其一是干扰存在下的因果推断,以 Hudgens and Halloran (2008) 和 Tchetgen Tchetgen & VanderWeele (2012) 为代表,他们首次在部分干扰(partial interference)框架下定义了直接效应和间接(spillover)效应,并给出了识别条件。其二是空间混杂,以 Reich et al. (2021)、Hodges & Reich (2010)、Paciorek (2010) 为代表,他们指出在空间回归模型中,未观测的空间变量与感兴趣的治疗变量之间的共线性会导致估计偏倚。本文作者在引言中明确指出:"空间混杂与干扰可能纠缠,单独检验其一会在另一存在时导致错误结论"——这是对这两条脉络交汇处的关键观察。

主要进展:在干扰推断方面,Sävje et al. (2021) 研究了未知干扰结构下治疗效应估计量的大样本性质,证明在有限干扰(limited interference)条件下,忽略干扰的估计量仍可能一致但方差估计失效。在空间混杂方面,Schnell & Papadogeorgou (2020) 提出了基于结构方程模型的空间混杂校正方法,证明了在特定参数化下因果效应可识别——本文的可识别性证明直接建立在该工作的基础上。Thaden & Kneib (2018)、Dupont et al. (2022) 提出了空间+(spatial+)方法,通过将治疗变量对空间位置回归后的残差作为校正变量来缓解空间混杂。Guan et al. (2022) 则从谱分解角度提出了空间混杂的调整方法。

当前 frontier:最新的进展集中在同时处理干扰与空间混杂。Giffin et al. (2021) 提出了工具变量方法处理空间干扰下的未测量混杂,但要求存在有效的工具变量。Forastiere et al. (2021) 和 Ogburn et al. (2024) 将网络干扰与混杂统一在潜在结果框架下,但主要关注离散网络而非连续空间。Zigler et al. (2025) 基于大气传输模型定义了暴露映射(exposure mapping),将空间干扰建模为治疗的加权平均,但未处理未测量混杂。本文的位置:作者声称首次在统一框架下同时处理空间干扰、未测量空间混杂和治疗的固有空间依赖性,并给出贝叶斯可识别性证明。

子线索聚类

这些被引文献大致落在三条子线索上:

  1. 干扰/ spillover 效应的因果推断(Hudgens & Halloran 2008; Tchetgen Tchetgen & VanderWeele 2012; Sävje et al. 2021; Forastiere et al. 2021; Ogburn et al. 2024):这一簇在定义和估计存在干扰时的因果效应,核心问题是"他人的治疗如何影响我的结局"。方法上从随机实验的 Horvitz-Thompson 估计发展到观测数据的倾向 score 加权,但大多假设无未测量混杂。

  2. 空间混杂的校正(Reich et al. 2006; Hodges & Reich 2010; Paciorek 2010; Schnell & Papadogeorgou 2020; Dupont et al. 2022; Guan et al. 2022):这一簇关注未观测的空间变量如何偏倚治疗效应估计,以及如何通过空间结构(如条件自回归 CAR 模型、谱方法、空间残差化)来缓解偏倚。核心困难在于:空间混杂与治疗的空间结构往往不可区分。

  3. 空间干扰与暴露映射(Zigler et al. 2025; Shin et al. 2023; Giffin et al. 2021):这一簇将干扰建模为基于空间距离或大气传输的暴露映射,将"邻居的治疗"转化为"我的暴露"。这是最接近本文的线索,但已有工作要么假设无未测量混杂,要么需要工具变量。

这个方向在追问的核心问题

  1. 可识别性:在空间数据中,当未测量混杂因素本身具有空间结构时,因果效应是否可识别?需要什么样的参数化假设或结构约束?
  2. 干扰的建模:如何在不完全指定所有单元间交互的情况下,对空间干扰进行可处理的建模?暴露映射的选择对效应估计的敏感性如何?
  3. 推断方法:如何在空间依赖下进行有效的贝叶斯或频率推断?MCMC 的收敛性和计算可行性如何保证?
  4. 效应定义:在连续空间上,如何定义有意义的局部效应和干扰效应?不同定义(如平均干预效应 vs. 特定暴露水平效应)之间的解释差异是什么?

已知瓶颈:(i) 空间混杂与治疗空间依赖的不可区分性——这是本文试图通过可识别性定理解决的核心困难;(ii) 干扰结构的误设风险——暴露映射的选择本质上是不可检验的;(iii) 贝叶斯方法的计算负担——空间模型通常需要 O(n³) 的矩阵运算。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 成:"现有文献要么处理空间混杂但不考虑干扰,要么处理干扰但不允许未测量混杂,而实际环境健康研究中两者同时存在。" 因此本文的贡献被定位为"首次同时处理这三个挑战:空间干扰、未测量空间混杂、治疗的空间依赖性"。作者淡化的竞争路线包括:(1) 工具变量方法(Giffin et al. 2021),作者仅在一句话中提及"需要有效工具变量,这在环境研究中难以获得";(2) 双重稳健或半参数方法,作者完全未讨论;(3) 频率学派的可识别性方法,作者仅从贝叶斯视角证明可识别性。值得研究者去查的问题:是否存在基于矩条件或估计方程的频率学派可识别性证明?作者声称的"首次"是否准确——是否有其他工作(如 Reich et al. 2021 的综述中提到的)已经部分处理了类似问题?

张力

未见明显对立引用。但存在一个微妙的张力:Schnell & Papadogeorgou (2020) 和本文都依赖 CAR 模型的特定参数化来证明可识别性,而 Dupont et al. (2022) 的空间+方法则主张通过残差化来避免对空间结构的强假设。这两种思路——"显式建模空间结构" vs. "通过残差化消除空间结构"——在哲学上是不同的,但作者未在文中讨论这一张力。


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):

  • 单元与网络:\(i = 1, 2, \ldots, n\) 表示空间单元(如县);\(A\) 为 \(n \times n\) 邻接矩阵,\(A_{ij} = 1\) 表示单元 \(i\) 与 \(j\) 相邻;\(D\) 为度矩阵(对角元 \(D_{ii} = \sum_j A_{ij}\))。
  • 治疗/暴露:\(Z_i \in \mathbb{R}\) 为单元 \(i\) 的局部治疗(如当地 SO₂ 排放量);\(Z_i = \sum_j A_{ij} Z_j / \sum_j A_{ij}\) 为单元 \(i\) 的邻域治疗(即"干扰"或 spillover 暴露);\(Z = (Z_1, \ldots, Z_n)\) 为治疗向量。
  • 结局:\(Y_i \in \mathbb{R}\) 为单元 \(i\) 的结局(如心血管死亡率)。
  • 可观测协变量:\(\tilde{C}_i \in \mathbb{R}^p\) 为单元 \(i\) 的 \(p\) 维可观测协变量(如人口学、气象变量)。
  • 未观测混杂:\(U_i \in \mathbb{R}\) 为单元 \(i\) 的未观测空间混杂变量(如未测量的区域社会经济因素);\(U_i = \sum_j A_{ij} U_j / \sum_j A_{ij}\) 为邻域未观测混杂。
  • 参数 / estimand:
  • \(\beta_Z\):局部效应(local effect),即 \(Z_i\) 对 \(Y_i\) 的因果效应;
  • \(\beta_{\bar{Z}}\):干扰效应(interference/spillover effect),即邻域治疗 \(Z_i\) 对 \(Y_i\) 的因果效应;
  • \(\beta_U, \beta_{\bar{U}}\):未观测混杂 \(U_i, U_i\) 对结局的效应(nuisance);
  • \(\rho\):\(U\) 与 \(Z\) 在同一单元的相关性参数(即未观测混杂的强度);
  • \(\phi_U, \phi_Z\):\(U\) 和 \(Z\) 的空间依赖参数(CAR 模型中的空间自相关参数);
  • \(\tau_U, \tau_Z\):\(U\) 和 \(Z\) 的精度参数(方差的倒数)。
  • 潜在结果:\(Y_i(z_i, z_i)\) 表示将单元 \(i\) 的治疗设为 \(z_i\)、邻域治疗设为 \(z_i\) 时的潜在结局。注意:这里潜在结果只依赖 \((z_i, z_i)\) 而非整个治疗向量 \(Z\),这是暴露映射假设(Assumption 2)的核心简化。

模型(数据生成机制):

  1. 联合分布(Assumption 5):\((U, Z) | \tilde{C}\) 服从 \(2n\) 维多元正态分布,均值由可观测协变量决定,精度矩阵为

    \[\begin{pmatrix} G & Q \\ Q^\top & H \end{pmatrix}^{-1},\]
    其中 \(G = \tau_U^2 (D - \phi_U A)\),\(H = \tau_Z^2 (D - \phi_Z A)\) 为 CAR 精度矩阵,\(Q\) 为对角矩阵,对角元 \(Q_{ii} = -\rho \sqrt{G_{ii} H_{ii}} = -2\rho \tau_U \tau_Z\)。这里 \(\rho\) 刻画了 \(U_i\) 与 \(Z_i\) 的同单元相关性(即未观测混杂的强度),而 \(\phi_U, \phi_Z\) 刻画了空间依赖。

  2. 结局模型(方程 9):

    \[Y_i(z_i, z_i) = \beta_0 + \beta_Z z_i + \beta_{\bar{Z}} z_i + \tilde{C}_i^T \beta_C + \beta_U U_i + \beta_{\bar{U}} U_i + \epsilon_i(z_i, z_i),\]
    其中 \(\epsilon_i(z_i, z_i)\) 为均值为零、方差为 \(\sigma_Y^2\) 的独立误差。

  3. 可观测数据:研究者观测到 \((\tilde{C}_i, Z_i, Y_i)\) 对每个 \(i\),但观测不到 \(U_i\)。关键困难:\(U_i\) 同时影响 \(Z_i\)(通过 \(\rho\))和 \(Y_i\)(通过 \(\beta_U\)),因此 \(Z_i\) 与 \(Y_i\) 的观测关联包含混杂偏倚。

关键点:本文的核心数学问题是——在只知道 \((Z, Y, \tilde{C})\) 而不知道 \(U\) 的情况下,能否唯一地识别 \((\beta_Z, \beta_{\bar{Z}})\)?答案依赖于联合正态假设和 CAR 结构的特定形式。

第二步:最小内核

最小例子:考虑 \(n=3\) 个单元排成一条线(1—2—3),无协变量,\(\beta_{\bar{U}} = 0\)(即邻域未观测混杂不影响结局),\(\phi_Z = 0\)(治疗无空间依赖)。此时模型简化为:

  • \(U \sim N(0, G^{-1})\),其中 \(G = \tau_U^2 (D - \phi_U A)\);
  • \(Z_i = \gamma_0 + \rho \sqrt{G_{ii}/H_{ii}} U_i + \epsilon_{Z,i}\)(由联合正态的条件分布),即 \(Z_i\) 仅依赖于同单元的 \(U_i\);
  • \(Y_i = \beta_0 + \beta_Z Z_i + \beta_{\bar{Z}} Z_i + U_i + \epsilon_i\)(设 \(\beta_U = 1\))。

要证明的命题(退化形式):从观测数据 \((Z, Y)\) 能否识别 \((\beta_Z, \beta_{\bar{Z}})\)?

为什么难:\(Z_i\) 与 \(U_i\) 相关(\(\rho \neq 0\)),而 \(U_i\) 影响 \(Y_i\)。如果忽略 \(U\),回归 \(Y\) 对 \(Z\) 和 \(Z\) 会得到有偏估计。但 \(U\) 是空间相关的(\(\phi_U \neq 0\)),这意味着 \(U_i\) 与 \(U_j\)(\(j\) 是 \(i\) 的邻居)相关,从而 \(U_i\) 与 \(Z_j\) 也相关(因为 \(Z_j\) 依赖于 \(U_j\))。因此,\(Z_i\)(邻域治疗)实际上携带了关于 \(U_i\) 的信息——邻域治疗可以作为未观测混杂的代理。

证明思路(直觉版): 1. 从 \(Z\) 的边际分布(CAR 结构)可以识别 \((\tau_Z, \phi_Z)\)。 2. 从 \(Z\) 与 \(Y\) 的联合分布,利用 \(U\) 的条件独立性结构(\(U_i \perp U_j |\) 其他 \(U\),由 CAR 的马尔可夫性质),可以写出 \(Y\) 对 \(Z\) 的条件均值和协方差。 3. 关键步骤:\(Y\) 的条件协方差矩阵包含关于 \((\rho, \tau_U, \phi_U, \beta_U, \beta_{\bar{U}})\) 的信息。特别是,非对角元素(即不同单元 \(Y\) 之间的条件协方差)由 \(U\) 的空间结构驱动,而 \(U\) 的空间结构又通过 \(Z\) 的观测值部分可识别。 4. 在 \(n \to \infty\) 的极限下,协方差矩阵的谱结构提供了足够多的独立方程来唯一确定所有参数——这就是定理 1 的证明核心。

为什么需要环图(ring graph):环图的特殊结构使得 \(G^{-1}\) 有闭式表达式(与 \(\phi_U\) 的幂级数相关),从而可以显式计算 \(Y\) 的条件协方差矩阵的每个元素。这允许作者证明参数到协方差矩阵的映射是单射的。对于一般图,这一映射可能不是单射的——这是作者在讨论部分承认的局限性。

核心数学困难:证明"协方差矩阵 → 参数"的映射是单射。这需要:(a) 计算 \(G^{-1}\) 的闭式表达式(环图假设);(b) 证明 \(Y\) 的条件协方差矩阵的每个元素对参数组合的依赖是"可分离的"(即不同参数影响协方差矩阵的不同"方向");(c) 处理 \(\rho \phi_U = 0\) 的退化情况(此时某些参数不可识别)。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在空间数据中,当同时存在干扰(spillover)、未观测空间混杂和治疗的固有空间依赖时,如何识别和估计局部效应与干扰效应。
  2. 核心工具/方法:提出空间因果图(spatial causal graphs)来形式化这些依赖关系;开发了一个贝叶斯参数化方法,基于 CAR 先验和联合正态假设,同时建模治疗、未观测混杂和结局;从贝叶斯视角证明了在特定模型设定下所有参数可识别。
  3. 主要结论:①空间混杂和干扰可以相互"伪装"成对方,单独检验其一会在另一存在时导致错误结论;②治疗的固有空间依赖会使忽略干扰的标准分析失效;③纳入治疗模型(exposure model)是必要的;④在环图假设下,所有参数(包括因果效应)在存在未观测混杂时仍可识别;⑤模拟和实证分析验证了方法性能。

关键设定与假设

  • Assumption 1(Pair ignorability):在成对数据中,治疗分配在给定协变量后与潜在结果独立。这是经典无混杂假设的成对版本。
  • Assumption 2(暴露映射):潜在结果只依赖 \((Z_i, Z_i)\),即自身治疗和邻域平均治疗。这排除了更复杂的干扰模式(如二阶邻居的影响),是简化假设。
  • Assumption 3(条件无混杂):\((Z_i, Z_i) \perp Y_i(z, z) | \tilde{C}_i, U_i, U_i\)。即给定可观测协变量和未观测混杂(局部+邻域)后,治疗分配与潜在结果独立。注意:这里允许未观测混杂存在,但要求其空间结构被 \(U_i, U_i\) 完全捕捉。
  • Assumption 4(潜在结果的条件独立):\(Y_i(z, z)\) 在给定 \((\tilde{C}_i, U_i, U_i)\) 后跨单元独立。这排除了结局本身的空间传染(如传染病传播),是较强的假设。
  • Assumption 5(联合正态性):\((U, Z) | \tilde{C}\) 服从多元正态,精度矩阵有特定的 CAR 结构。这是可识别性证明的关键——正态性允许闭式计算条件矩,CAR 结构提供了空间依赖的参数化。
  • 环图假设(Theorem 1):网络结构为环图(每个单元恰好有两个邻居)。这是证明的技术假设,作者承认对一般图的可识别性尚不清楚。

相比已有工作的变化:相比 Schnell & Papadogeorgou (2020)(仅处理空间混杂,无干扰),本文增加了干扰项 \(Z_i\) 和邻域混杂 \(U_i\);相比 Forastiere et al. (2021)(网络干扰但假设无未观测混杂),本文允许未观测混杂但要求正态性和 CAR 结构。

主要结果

理论结果(Theorem 1):在环图、无协变量、\(\beta_U = 1\) 的设定下,所有参数 \((\beta_Z, \beta_{\bar{Z}}, \beta_{\bar{U}}, \rho, \tau_U, \phi_U, \tau_Z, \phi_Z, \sigma_Y^2)\) 从 \((Z, Y)\) 的联合分布中可识别,当且仅当 \(\rho \phi_U \neq 0\)。证明思路: 1. 第一步:从 \(Z\) 的边际分布识别 \((\tau_Z, \phi_Z)\)。由于 \(Z\) 服从 CAR 模型,其协方差矩阵的谱分解直接给出 \(\phi_Z\)(通过特征值比)和 \(\tau_Z\)(通过尺度)。 2. 第二步:写出 \(Y | Z\) 的条件分布。利用联合正态性,\(E[Y | Z]\) 是 \(Z\) 和 \(Z\) 的线性函数,系数包含 \(\beta_Z, \beta_{\bar{Z}}\) 以及 \(U\) 的条件均值 \(E[U | Z]\)。后者通过 \(\rho\) 与 \(Z\) 关联。 3. 第三步:计算 \(\text{Cov}(Y | Z)\)。关键:\(Y\) 的条件协方差包含 \(U\) 的条件协方差 \(\text{Cov}(U | Z) = G^{-1} - G^{-1} Q (H - Q^\top G^{-1} Q)^{-1} Q^\top G^{-1}\),这是 \((\tau_U, \phi_U, \rho)\) 的函数。 4. 第四步:利用环图结构,\(G^{-1}\) 的元素有闭式表达式(与 \(\phi_U\) 的幂级数相关)。将 \(\text{Cov}(Y | Z)\) 的每个元素展开为参数的函数,证明映射是单射。关键观察:不同距离的单元对(距离 0、1、2、...)的协方差提供了关于不同参数组合的独立信息。例如,距离 0 的方差主要受 \(\tau_U\) 和 \(\sigma_Y^2\) 影响,距离 1 的协方差受 \(\phi_U\) 和 \(\beta_{\bar{U}}\) 影响,距离 2 的协方差受 \(\phi_U^2\) 影响,等等。 5. 第五步:\(\rho \phi_U \neq 0\) 的条件确保 \(Z\) 确实携带关于 \(U\) 的信息。如果 \(\rho = 0\),则 \(U\) 与 \(Z\) 独立,\(U\) 完全不可观测,因果效应不可识别;如果 \(\phi_U = 0\),则 \(U\) 无空间结构,\(U_i\) 与 \(U_j\) 独立,邻域治疗 \(Z_i\) 不携带关于 \(U_i\) 的信息(因为 \(Z_i\) 只依赖于 \(U_i\) 的邻居,而 \(U_i\) 的邻居与 \(U_i\) 独立)。

方法贡献: - 空间因果图:将空间依赖分解为三类——(a) 协变量的空间依赖(\(U_i \leftrightarrow U_j\))、(b) 治疗的空间依赖(\(Z_i \leftrightarrow Z_j\))、(c) 干扰(\(Z_j \to Y_i\))。这种分解帮助研究者理解不同空间过程的因果含义。 - 贝叶斯推断框架:完整的 MCMC 采样方案(Gibbs + Metropolis-Hastings),包括 \(U\) 的采样(多元正态条件分布)、空间参数的采样(Metropolis-Hastings with CAR 似然)。 - 先验设计:为 \(\tau_U\) 设计了一个基于"隐含方差"的先验,使得 \(\tau_U\) 的先验与 \(\phi_U\) 无关,避免了对空间依赖参数的隐式惩罚。

模拟结果: - 在无混杂(\(\rho = 0\))时,OLS 和提出方法均无偏,但提出方法效率略低(方差大 10-20%)。 - 在存在混杂(\(\rho \neq 0\))时,OLS 对局部效应 \(\beta_Z\) 的偏差随 \(\rho\) 增大而增大(\(\rho = 0.35\) 时偏差约 0.5,即 50% 的相对偏差),而提出方法保持无偏。 - 对干扰效应 \(\beta_{\bar{Z}}\),OLS 的偏差更大(\(\rho = 0.35\) 时偏差约 0.7),提出方法无偏。 - 覆盖概率:提出方法在所有场景下接近 95% 名义水平;OLS 在存在混杂时覆盖概率降至 0-30%。 - 当 \(\rho\) 接近 0 时,提出方法的偏差和方差均增大(因为可识别性变弱),但仍在可接受范围。

实证分析: - 数据:美国 2,440 个县(48 州 + DC),2004 年 SO₂ 排放和 2005 年心血管死亡率。 - 暴露定义:局部排放(县内电厂 SO₂ 排放量)和邻域排放(50 km 内其他县的电厂 SO₂ 排放量)。 - 结果:局部排放的效应估计为负(-0.02 每单位 log 排放,95% CI: -0.05 到 0.01),邻域排放的效应估计为正(0.03,95% CI: -0.01 到 0.07),但均不显著。OLS 估计的局部效应为 -0.01(CI: -0.03 到 0.01),邻域效应为 0.02(CI: -0.01 到 0.05),方向一致但幅度略小。 - \(\rho\) 的后验均值为 -0.26(95% CI: -0.41 到 -0.10),表明存在显著的未观测空间混杂,且与治疗负相关。 - 敏感性分析:改变邻域定义(20 km、100 km、200 km)后结果定性不变,但 200 km 时 \(\rho\) 接近 0,说明长距离邻域定义可能引入过多噪声。

🔎 结论是否比证明窄

是,存在明显差距: 1. 定理 1 的适用范围:定理仅在环图、无协变量、\(\beta_U = 1\) 的设定下证明。但论文在摘要和引言中声称"所有参数可识别"——这一声称在方法部分被限定为"在特定模型设定下",但读者容易误解为一般性结论。具体差距:有协变量时,可识别性需要额外的条件(如协变量与 \(U\) 的独立性),论文未讨论。 2. \(\rho \phi_U \neq 0\) 条件的解释:论文在定理 1 中证明"如果 \(\rho \phi_U \neq 0\) 则可识别",但未证明"如果 \(\rho \phi_U = 0\) 则不可识别"——后者只是作为 remark 提及。实际上,当 \(\rho \phi_U = 0\) 时,可能存在其他参数组合产生相同的似然,但论文未给出反例。 3. 贝叶斯可识别性与频率可识别性的区别:论文从贝叶斯视角证明可识别性(即后验分布是 proper 的),但这不等价于频率意义上的可识别性(即估计量的一致性)。论文未讨论后者的条件。 4. 模拟中的"无偏性":模拟结果显示提出方法在 \(\rho \neq 0\) 时无偏,但这是基于正确指定的模型。论文未讨论模型误设(如非正态 \(U\)、错误的邻域定义)下的稳健性。 5. 实证分析的解释:论文承认"结果不显著",但未讨论统计功效问题。2,440 个县中仅 476 个有局部排放,可能功效不足。


四、开放问题

  1. 一般图上的可识别性(扎根于 Theorem 1 的环图假设和讨论部分):论文明确承认"对一般空间网络的可识别性尚不清楚"。要证明什么:对于任意稀疏图(如网格图、随机几何图),协方差矩阵到参数的映射是否仍是单射?需要什么条件(如图的最小度、谱间隙)?验证方法:读 Schnell & Papadogeorgou (2020) 的定理 4 及其证明,看环图假设在何处被使用——如果只是用于闭式计算 \(G^{-1}\),或许可以用数值方法(如矩阵求逆的符号计算)推广到一般图。

  2. 非参数可识别性(扎根于 Assumption 5 的正态性假设):论文的可识别性证明严重依赖联合正态性。要证明什么:如果 \(U\) 和 \(Z\) 的联合分布是非正态的(如 \(t\) 分布、偏态分布),可识别性是否仍然成立?是否存在半参数方法,仅利用 CAR 结构的马尔可夫性质而不指定分布形式?验证方法:检查论文的证明中哪些步骤使用了正态性的矩性质(如条件期望的线性性),哪些步骤仅使用了 CAR 的图结构。

  3. 模型误设的稳健性(扎根于模拟部分的"正确指定模型"):论文的模拟假设数据生成机制与模型完全一致。要证明什么:当 \(U\) 的实际空间结构不是 CAR(如 Matérn 协方差函数)、或邻域定义错误(如 50 km 阈值不准确)时,估计的偏差有多大?是否存在诊断方法检测模型误设?验证方法:设计模拟实验,用 Matérn 协方差生成 \(U\),用 CAR 模型拟合,观察偏差如何随 Matérn 平滑参数变化。

  4. 干扰结构的识别(扎根于 Assumption 2 的暴露映射):论文假设暴露映射(邻域治疗的定义)是已知的。要证明什么:如果暴露映射未知(如邻域半径需要从数据中估计),因果效应是否仍然可识别?是否存在模型选择准则在多个候选暴露映射之间进行选择?验证方法:将邻域半径作为超参数,使用留一法交叉验证或 WAIC 进行选择,检查选择的一致性。

  5. 与 proximal causal inference 的联系(扎根于论文未讨论的部分):论文的 \(U\) 是未观测混杂,但其空间结构(CAR)提供了一种"代理"机制。要证明什么:本文的方法是否等价于一种特殊的 proximal causal inference,其中 \(U\) 的邻居值 \(U_i\) 作为 \(U_i\) 的代理变量?如果是,proximal 框架中的"完备性"条件如何映射到本文的 \(\rho \phi_U \neq 0\) 条件?验证方法:将本文的模型重新表述为 proximal 框架,检查 \(\rho \phi_U \neq 0\) 是否等价于 proximal 完备性条件。

确认 gap 的方法:要确认上述某条是否是真 gap,去读以下近期工作(各约 5 篇)的引言和讨论部分:(a) 空间因果推断(Reich et al. 2021; Schnell & Papadogeorgou 2020; Dupont et al. 2022; Guan et al. 2022; Papadogeorgou et al. 2020);(b) 干扰下的因果推断(Sävje et al. 2021; Forastiere et al. 2021; Ogburn et al. 2024; Tchetgen Tchetgen et al. 2020);(c) proximal causal inference(Tchetgen Tchetgen et al. 2020; Miao et al. 2018; Cui et al. 2023)。如果这些工作的引言都指向同一个未解决问题(例如"一般空间结构下的可识别性"),那就是共识性 gap;如果它们互相矛盾(例如有的声称可识别、有的声称不可识别),那就是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论