跳转至

Estimation of Direct and Indirect Quantile Treatment Effects with Double Machine Learning

作者: Yu-Chin Hsu, Martin Huber, Yu-Min Yen
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 8/10
链接: https://doi.org/10.1080/07350015.2026.2654889


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中介分析中的分位数处理效应分解。其根本的统计问题是:在存在中介变量(mediator)的情况下,如何将一个处理变量对结果变量的总效应,在结果分布的不同分位点(rank)上,分解为通过中介变量传导的间接效应(indirect effect)与不经过中介变量的直接效应(direct effect)。这个问题的科学动机在于,均值层面的中介分析(如 Baron-Kenny 或基于潜在结果的自然效应分解)只能回答"平均而言,中介解释了多少",而分位数层面的分解能回答"在结果分布的低端(如低收入者)或高端(如高收入者),中介的传导作用是否不同"——这对政策评估(如职业培训对低收入群体收入分布不同位置的影响机制)具有直接意义。该方向的成熟度处于方法快速发展期:均值层面的中介分析已有较完整的半参数理论(Tchetgen Tchetgen & Shpitser, 2012; Imai et al., 2010),但分位数层面的分解在识别条件、有效估计与推断上仍有大量开放问题。

发展脉络(history)

从 introduction 和参考文献看,这条线大致如下:

  • 奠基工作:潜在结果框架下的自然效应分解。Imai, Keele & Yamamoto (2010) 在潜在结果框架下定义了自然直接效应(NDE)与自然间接效应(NIE),并给出序贯可忽略性(sequential ignorability)下的识别条件。这是本文的直接理论起点——本文的识别策略(序贯可忽略性)正是沿袭这一框架。留下的口子:Imai 等人的估计主要基于参数或半参数模型,且聚焦均值。
  • 主要进展:半参数效率理论的引入。Tchetgen Tchetgen & Shpitser (2012) 给出了均值自然效应在非参数模型下的半参数效率界与有效影响函数,将中介分析从"模型依赖"推向"非参数有效"。留下的口子:效率理论只覆盖均值,未触及分位数。
  • 分位数处理效应的独立发展。Firpo (2007) 与 Cattaneo (2010) 等建立了无条件分位数处理效应(QTE)的识别与估计;本文将其与中介分析结合。留下的口子:这些工作未考虑中介变量。
  • 当前 frontier:高维与机器学习估计。Chernozhukov et al. (2018) 的 double/debiased machine learning (DML) 框架为含高维协变量的半参数估计提供了正交化与交叉拟合的工具。本文是将 DML 引入分位数中介分析的尝试之一。留下的口子:DML 在均值框架下成熟,但在分位数(尤其是分布函数的逆函数)框架下的理论性质(如均匀一致性)需要专门处理。
  • 本文的位置:作者声称(见引言)"据我们所知,这是首次在序贯可忽略性下,基于有效影响函数提出分位数直接与间接效应的 DML 估计量,并给出均匀一致性与渐近正态性"。即本文是分位数中介分析 × 半参数效率 × DML 三者的交汇点。

子线索聚类

被引文献大致落在三条子线索上:

  1. 因果中介分析的识别与半参数估计(Imai et al., 2010; Tchetgen Tchetgen & Shpitser, 2012; Huber, 2014):核心是序贯可忽略性下的自然效应识别,以及均值层面的有效估计。本文的识别定理直接继承此线。
  2. 分位数处理效应与分布方法(Firpo, 2007; Cattaneo, 2010; Chernozhukov et al., 2013):核心是 QTE 的识别、估计与推断,尤其是分布函数的逆(quantile)的渐近理论。本文的 estimand 定义与推断(乘子自助法)依赖此线。
  3. 双重/去偏机器学习(Chernozhukov et al., 2018; Belloni et al., 2017):核心是 Neyman 正交化 + 交叉拟合,使高维 nuisance 估计的一阶误差不污染目标参数。本文的估计策略直接采用此框架。

这个方向在追问的核心问题

  • 识别:在什么条件下,分位数层面的自然直接/间接效应可由观测数据识别?序贯可忽略性是否充分?能否放松?
  • 估计:如何构造对 nuisance(倾向得分、中介密度、条件分布)估计误差不敏感的估计量?有效影响函数是什么?
  • 推断:如何构造同时覆盖多个分位点的置信带(uniform inference)?乘子自助法是否有效?
  • 高维:当协变量维数随样本量增长时,上述性质是否保持?

已知瓶颈:分位数 estimand 的非光滑性(涉及分布函数的逆)使影响函数推导与渐近分析远难于均值情形;中介变量的密度出现在影响函数分母中,导致 nuisance 估计误差的传播更复杂。

⚠️ 作者的 framing(必须明确标注为"这是作者的说法")

  • 作者的说法:作者将缺口 frame 为"分位数中介效应缺乏基于有效影响函数的 DML 估计量",从而本文是"显然的下一步"。他们在引言中强调"据我们所知"首次做到这一点,并声称其估计量在 nuisance 估计误差下具有鲁棒性。
  • 被淡化或回避的竞争路线:作者未深入讨论基于加权(weighting)或插补(imputation)的替代估计策略(如 Horvitz-Thompson 型或 AIPW 型在分位数下的变体),也未讨论贝叶斯或完全非参数(如 Dirichlet 过程)方法。此外,对序贯可忽略性本身的可检验性与敏感性分析未作展开——这是中介分析文献中一个活跃分支(如 VanderWeele, 2015),作者完全未引。
  • 值得研究者去查的问题:为什么作者选择"分布函数的有效影响函数"而非"分位数的有效影响函数"直接推导?后者是否因非光滑而不可行?此外,哪些该被引却没出现:未见对 Belloni et al. (2017) 关于高维稀疏中介分析的引用,也未见对 Chernozhukov et al. (2013) 关于分位数回归的推断的引用——这两篇与本文方法高度相关,值得查证是否遗漏。

张力

未见明显对立引用。各子线索之间在技术上是互补而非冲突的。唯一潜在的张力是:均值中介分析文献中关于"序贯可忽略性是否可检验"的争论(Imai et al. 认为不可检验,VanderWeele 提出敏感性分析框架),本文未介入。


二、最核心、最简单的例子 / 数学问题

第一步:把符号、模型、可观测数据交代清楚

符号(逐个点名):

  • 处理变量:\(D \in \{0, 1\}\),二元处理。这是可观测的随机变量。
  • 中介变量:\(M\),可以是连续或离散,受处理影响并影响结果。可观测。
  • 结果变量:\(Y\),连续或离散。可观测。
  • 协变量:\(X\),预处理变量(不受处理影响)。可观测。
  • 潜在结果:\(Y(d, m)\)——当处理 \(D=d\) 且中介 \(M=m\) 时的潜在结果;\(M(d)\)——当处理 \(D=d\) 时的潜在中介值。这些是反事实量,不可观测。
  • 潜在结果简写:\(Y(d) := Y(d, M(d))\)——处理取 \(d\) 时的潜在结果(自然值)。
  • 分位点:\(\tau \in (0,1)\),研究者指定的秩(rank)。
  • 累积分布函数(CDF):\(F_{Y(d)}(y) := \mathbb{P}(Y(d) \le y)\)——潜在结果的 CDF。这是估计的中间目标。
  • 分位数函数:\(q_{Y(d)}(\tau) := \inf\{y : F_{Y(d)}(y) \ge \tau\}\)——潜在结果的 \(\tau\)-分位数。这是 estimand 的组成部分。
  • 目标 estimand:
  • 总效应(QTE):\(\Delta(\tau) := q_{Y(1)}(\tau) - q_{Y(0)}(\tau)\)
  • 自然间接效应(QNIE):\(\delta(\tau) := q_{Y(1, M(1))}(\tau) - q_{Y(1, M(0))}(\tau)\)——保持处理为 1,将中介从 \(M(1)\) 变为 \(M(0)\) 时的分位数变化。
  • 自然直接效应(QNDE):\(\zeta(\tau) := q_{Y(1, M(0))}(\tau) - q_{Y(0, M(0))}(\tau)\)——保持中介为 \(M(0)\),将处理从 0 变为 1 时的分位数变化。
  • 注意:\(\Delta(\tau) = \delta(\tau) + \zeta(\tau)\)(在本文的分解下成立,但需注意分位数分解与均值分解不同,并非总是可加,本文在特定条件下建立此等式)。
  • nuisance 参数(需要估计但非目标):
  • 倾向得分:\(p(X) := \mathbb{P}(D=1 \mid X)\)
  • 中介密度:\(f_{M \mid D, X}(m \mid d, x)\)——出现在影响函数分母中
  • 条件 CDF:\(F_{Y \mid D, M, X}(y \mid d, m, x)\) 及其逆
  • 样本:\(\{(Y_i, D_i, M_i, X_i)\}_{i=1}^n\),i.i.d. 来自观测分布。

模型(本文的识别假设,即序贯可忽略性):

  1. 无未测混杂(处理-中介):\(Y(d, m) \perp D \mid X\)——给定 \(X\),处理分配独立于潜在结果。
  2. 无未测混杂(中介-结果):\(Y(d, m) \perp M \mid D, X\)——给定 \(D, X\),中介取值独立于潜在结果。
  3. 交叉世界独立性(cross-world independence):\(Y(d, m) \perp M(d') \mid X\)——潜在结果与潜在中介在不同处理状态下的独立性。这是中介分析中著名的强假设(有时称为"无处理-中介交互的未测混杂"),本文沿用。
  4. 重叠假设(overlap):\(0 < \mathbb{P}(D=1 \mid X) < 1\) 且中介密度有界远离 0。

可观测数据:研究者实际能观测到 \((Y_i, D_i, M_i, X_i)\)。想要但观测不到的是潜在结果 \(Y(d, m)\) 与潜在中介 \(M(d)\)——它们只能通过上述假设由观测分布识别。

第二步:讲最小内核

最小特例:假设 \(X\) 为空(无协变量),\(D\) 二元,\(M\) 二元(取 0/1),\(Y\) 连续。此时序贯可忽略性简化为 \(Y(d,m) \perp D\) 和 \(Y(d,m) \perp M \mid D\)(即处理随机化,且给定处理下中介随机化——这在实际中几乎不可能,但作为理论特例是清晰的)。

要证的命题(退化形式):识别 \(q_{Y(1, M(0))}(\tau)\)——即"处理为 1、中介取处理为 0 时的自然水平"的分位数。

为什么难:\(Y(1, M(0))\) 是一个"混合"潜在结果——处理取 1,但中介取的是 \(D=0\) 时的自然值。我们观测不到任何个体的这个值(因为每个个体要么 \(D=1\) 要么 \(D=0\),不可能同时看到 \(Y(1, M(0))\))。识别它的唯一途径是:

  1. 从 \(D=0\) 的个体估计 \(M(0)\) 的分布(在无协变量时,就是 \(M \mid D=0\) 的分布)。
  2. 从 \(D=1\) 的个体估计 \(Y(1, m)\) 的条件分布(即 \(Y \mid D=1, M=m\) 的分布)。
  3. 将两者"组合":\(F_{Y(1, M(0))}(y) = \mathbb{E}_{M(0)}\left[ F_{Y \mid D=1, M}(y \mid 1, M(0)) \right]\)——即先对 \(M(0)\) 的分布积分,得到 \(Y(1, M(0))\) 的 CDF。

核心数学操作:这是一个分布层面的插补(distributional imputation)。在无协变量、\(M\) 二元的特例下,\(F_{Y(1, M(0))}(y) = \sum_{m \in \{0,1\}} \mathbb{P}(M(0)=m) \cdot F_{Y \mid D=1, M=m}(y)\)。然后 \(q_{Y(1, M(0))}(\tau)\) 就是该 CDF 的逆。整个估计流程是:先估计 \(\mathbb{P}(M(0)=m)\)(从 \(D=0\) 子样本)和 \(F_{Y \mid D=1, M=m}(y)\)(从 \(D=1\) 子样本),代入上式,再求逆。

为什么需要 DML:当 \(X\) 高维时,\(\mathbb{P}(M(0)=m \mid X)\) 和 \(F_{Y \mid D=1, M=m}(y \mid X)\) 都需要用机器学习估计。这些 nuisance 估计的误差会通过"插补"传播到目标分位数估计。DML 的核心思想是构造Neyman 正交的估计方程,使 nuisance 估计误差的一阶项为零,从而允许 nuisance 以较慢速率收敛(如 \(n^{-1/4}\))而不影响目标的 \(\sqrt{n}\) 收敛。本文的贡献正是为分位数中介效应构造这样的正交方程(基于有效影响函数),并证明其性质。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在二元处理、中介变量和序贯可忽略性假设下,如何将特定秩处的分位数处理效应分解为自然间接效应(通过中介)与自然直接效应(不通过中介),并构造统计上有效(\(\sqrt{n}\) 收敛、渐近正态)的估计量与推断方法。
  2. 核心工具 / 方法:基于潜在结果 CDF 的有效影响函数,构造 double/debiased machine learning (DML) 估计量;采用交叉拟合(cross-fitting)控制 nuisance 估计误差;用乘子自助法(multiplier bootstrap)构造同时覆盖多个分位点的置信带。
  3. 主要结论:在正则条件下,所提估计量具有均匀一致性(uniform consistency)与渐近正态性;乘子自助法提供有效的统一推断;模拟与真实数据(National Job Corps Study)验证了方法的有限样本表现。

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:

  • 估计目标:对每个 \(\tau \in (0,1)\),估计 \(\delta(\tau)\)(QNIE)与 \(\zeta(\tau)\)(QNDE)。
  • 识别:在序贯可忽略性(假设 1-3)下,作者建立 \(F_{Y(1, M(0))}(y)\) 的识别公式(如第二节所示,但含 \(X\))。关键公式为:
    \[F_{Y(1, M(0))}(y) = \int \left[ \int F_{Y \mid D=1, M, X}(y \mid 1, m, x) \, dF_{M \mid D=0, X}(m \mid x) \right] dF_X(x)\]
    类似地可识别 \(F_{Y(0, M(1))}(y)\),从而得到 \(\delta(\tau)\) 与 \(\zeta(\tau)\)。
  • 估计策略:
  • 第一步:用机器学习估计 nuisance(倾向得分 \(p(X)\)、中介密度 \(f_{M \mid D,X}\)、条件 CDF \(F_{Y \mid D,M,X}\))。
  • 第二步:基于有效影响函数构造估计方程,对目标 CDF 进行去偏估计。
  • 第三步:对 CDF 求逆得到分位数,再相减得到 \(\hat{\delta}(\tau)\)、\(\hat{\zeta}(\tau)\)。
  • 假设(相比已有文献的松紧):
  • 强化:需要交叉世界独立性(假设 3),这是中介分析的标准但强假设。
  • 放宽:允许 nuisance 用非参数/机器学习估计,只需收敛速率快于 \(n^{-1/4}\)(比传统参数模型假设宽松)。
  • 技术性假设:需要 nuisance 估计的一致性与速率条件(假设 4-6),以及分位数处密度为正且有界(假设 7)——这是分位数估计的标准条件。

主要结果

  • 定理 1(识别):在序贯可忽略性下,\(F_{Y(1, M(0))}(y)\) 与 \(F_{Y(0, M(1))}(y)\) 由观测数据分布唯一识别。
  • 定理 2(有效影响函数):给出 \(F_{Y(1, M(0))}(y)\) 的有效影响函数(EIF),并证明其是 Neyman 正交的(即对 nuisance 的一阶误差不敏感)。
  • 定理 3(渐近正态性):在 nuisance 收敛速率 \(o(n^{-1/4})\) 等条件下,\(\hat{\delta}(\tau)\) 与 \(\hat{\zeta}(\tau)\) 联合渐近正态,且收敛速率 \(\sqrt{n}\)。
  • 定理 4(统一推断):乘子自助法构造的置信带在 \(\tau \in [\tau_L, \tau_U]\) 上具有渐近正确的覆盖概率。

证明路线与技术技巧

整体路线(3-5 步逻辑主干):

  1. 从识别到 EIF:先证明目标 CDF 的识别公式,然后通过 Gateaux 导数计算其有效影响函数。这一步的关键是处理"分布插补"结构——目标 CDF 是 nuisance(中介密度、条件 CDF)的泛函,其 EIF 包含对 nuisance 的偏导数项。
  2. Neyman 正交化:EIF 的构造保证估计方程对 nuisance 的一阶误差不敏感。这是 DML 的核心——将目标参数的估计误差分解为"自身噪声"与"nuisance 误差"两部分,正交性使后者为二阶小量。
  3. 交叉拟合:将样本分为 \(K\) 折,每折用其余 \(K-1\) 折估计 nuisance,再在本折上评估估计方程。这避免了"自身样本估计 nuisance"导致的过拟合偏差。
  4. 渐近分析:利用经验过程理论(empirical process)处理"nuisance 估计是随机的"这一事实。关键工具包括:Donsker 类条件、随机等度连续(stochastic equicontinuity)、以及 nuisance 收敛速率与目标收敛速率的"乘法"关系。
  5. 乘子自助法:对 EIF 的样本模拟施加乘子扰动,利用 EIF 的渐近线性表示(\(\sqrt{n}(\hat{\theta} - \theta) = \frac{1}{\sqrt{n}} \sum_i \psi_i + o_p(1)\))构造 bootstrap 分布,从而得到统一置信带。

关键技巧点名:

  • EIF 的显式推导:作者给出 \(F_{Y(1, M(0))}(y)\) 的 EIF 为三项之和——一项对应"处理组观测"的贡献,一项对应"对照组观测"的贡献,一项对应"中介密度"的贡献。第三项是中介分析特有的,也是技术难点所在(涉及密度估计的误差传播)。
  • 均匀一致性:为得到分位数估计的均匀一致性(对 \(\tau\) 一致),作者使用强近似(strong approximation)或 Komlós-Major-Tusnády (KMT) 类型的技巧,将经验过程逼近为布朗桥。
  • nuisance 速率条件:作者要求 nuisance 的 \(L^2\) 收敛速率快于 \(n^{-1/4}\)。这是 DML 文献的标准条件(Chernozhukov et al., 2018),但对中介密度估计可能较难满足——作者在讨论中承认这一点,并建议使用样条或核估计。

真实例子与应用

  • 数据:美国国家青年团研究(National Job Corps Study, NJCS)——一项随机对照试验,评估 Job Corps 职业培训项目对年轻人收入的影响。
  • 变量设定:\(D\) 为是否接受 Job Corps 培训(随机分配);\(M\) 为培训后的工作经验(如工作周数);\(Y\) 为后续收入;\(X\) 为人口学特征。
  • 分析:作者估计了培训对收入分布不同分位点的直接效应(QNDE)与通过工作经验传导的间接效应(QNIE)。结果发现(据文中报告):在收入分布的低端,间接效应占比较大(即培训通过增加工作经验提升了低收入者的收入);在高端,直接效应更突出。这验证了分位数分解相对于均值分解的增量价值——均值分析可能掩盖这种异质性。
  • 该例子想说明什么:展示方法在真实政策评估中的可用性,并强调分位数分解能揭示均值分析无法捕捉的分布异质性。

🔎 结论是否比证明窄

  • 明确窄的地方:定理 3 的渐近正态性是在 nuisance 收敛速率 \(o(n^{-1/4})\) 下证明的,但作者在引言中泛泛声称"对 nuisance 估计误差具有鲁棒性"——这一 claim 仅在上述速率条件下成立,对更慢的 nuisance(如高维非稀疏设定)未证明。
  • 另一个窄处:定理 4 的统一推断要求 \(\tau\) 在紧区间 \([\tau_L, \tau_U]\) 内且分位数密度有界远离 0。作者在结论中建议"可用于整个分布",但尾部(\(\tau\) 接近 0 或 1)的推断并未被定理覆盖。
  • 交叉世界独立性:这是识别的前提,但作者在应用部分未做敏感性分析来检验该假设的违背程度——结论的可靠性完全系于此假设,而该假设不可检验。

四、开放问题

  1. 放松交叉世界独立性:本文的识别依赖于交叉世界独立性(假设 3),这是一个强且不可检验的假设。开放问题是:能否在部分违背(如允许处理-中介交互)下建立部分识别(partial identification)或敏感性分析框架?扎根于本文第 2 节假设 3 及讨论部分对"强假设"的承认。
  2. nuisance 速率条件的放宽:定理 3 要求 nuisance 收敛快于 \(n^{-1/4}\)。在高维或非稀疏设定下,中介密度估计可能达不到该速率。开放问题是:是否存在对 nuisance 更鲁棒的估计方程(如高阶正交化)?扎根于本文第 4 节对"中介密度估计的挑战"的讨论。
  3. 尾部推断:定理 4 的统一推断仅覆盖 \(\tau\) 的紧区间。开放问题是:如何构造覆盖尾部(\(\tau \to 0\) 或 \(1\))的推断方法?这需要极值理论(extreme value theory)与分位数回归的尾部结果结合。扎根于定理 4 的陈述条件。
  4. 纵向与动态中介:本文是单期处理-中介设定。开放问题是:在纵向设定下,中介变量随时间变化且存在时变混杂时,分位数自然效应的识别与有效估计如何推广?扎根于引言中"未来研究可扩展到纵向设定"的表述。
  5. 高维中介变量:当 \(M\) 为高维向量时,"通过中介的间接效应"如何定义与估计?这涉及高维中介分析(如 Zhao et al., 2020)与本文分位数框架的结合。扎根于本文对 \(M\) 为一维的设定。

提醒:要确认上述哪条是真正的 gap,建议去读近 5 年因果中介分析(如 Journal of Causal Inference, Biometrika 相关文章)的引言——若多条文献都指向同一问题,则为共识性 gap;若互相打架,则可能是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论