跳转至

Backtracking Direct, Indirect and Total Effects

作者: Jose M. Pe\~{n}a
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2610.28910


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(causal mediation analysis)中的效应定义与识别问题。其根本科学问题是:当处理 X 通过中介 M 影响结局 Y 时,如何将总效应分解为"直接效应"(X 不经过 M 的部分)与"间接效应"(X 经由 M 的部分),并且这些分解在何种假设下能够从观测数据中被识别。该方向的成熟度较高——自然直接/间接效应(NDE/NIE)自 Pearl(2001)提出以来已成为标准工具,但其依赖的"跨世界反事实"(cross-world counterfactual)假设(如"在 X=1 的世界中 M 取 X=0 时的值")在哲学与统计上长期受到质疑,因为这类反事实无法通过任何干预实验验证。本文试图用"回溯反事实"(backtracking counterfactual)替代跨世界反事实,从而绕开这一不可检验的假设。

发展脉络(history)

  • 奠基工作:Pearl (2009, Causality) 奠定了结构因果模型(SCM)框架,并定义了自然直接/间接效应(NDE/NIE)。其核心操作是"跨世界"的:将 X 设为 1,同时将 M 固定为其在 X=0 时的自然值。这一操作需要同时调用两个互不相容的干预世界,因此依赖强不可检验假设。
  • 主要进展(识别策略的放宽):Fulcher, Shpitser, Marealle & Tchetgen Tchetgen (2020, JRSS-B) 提出"广义前门准则"(generalized front door criterion),定义了总体干预间接效应(population intervention indirect effect, PIIE)。其关键贡献在于:PIIE 不要求无混杂的"处理-中介"关系,而是通过一个中介变量上的干预来识别间接效应,从而在存在未观测的处理-中介共同原因时仍可识别。这比 NDE/NIE 所需的"序贯可忽略性"(sequential ignorability)更弱。本文引用其语境是:"We also adapt the population intervention effects [1] to backtracking",即作者将 PIIE 视为"面向全人群"的效应度量(而非仅限 X=0 亚群),并希望将其移植到回溯框架下。
  • 当前 frontier(回溯反事实的兴起):von Kügelgen, Mohamed & Beckers (2023, CLeR) 系统形式化了"回溯反事实"(backtracking counterfactuals)。其核心思想是:反事实不是通过"干预"(修改结构方程)实现,而是通过"回溯"(修改外生变量 U 的取值,保持结构方程不变)实现。这更贴近人类反事实推理的直觉——"如果当初环境不同,结果会怎样"。本文引用其语境是:"the former examine how an action changes the outcome while holding the background circumstances fixed, whereas the latter examine how a change in background circumstances can change the outcome"。von Kügelgen 等的工作为反事实提供了一种替代语义,但未将其系统应用于中介效应的分解。
  • 本文的位置:Peña (2026) 将回溯反事实引入中介分析,定义了回溯直接效应(BDE)、回溯间接效应(BIE)、回溯总效应(BTE),以及对应的总体版本(BPDE、BPIIE、BPTE)。其核心贡献是:用"回溯条件分布 P_BT(u'|u)"替代"跨世界干预",从而将中介效应分解建立在可指定的反事实策略之上,而非不可检验的跨世界耦合。本文是"回溯反事实"这一新语义与"中介效应分解"这一经典问题的首次系统结合。

子线索聚类

  1. 跨世界反事实与自然效应(Pearl 传统):NDE/NIE/TE 的定义与识别。核心假设是序贯可忽略性(sequential ignorability)与跨世界独立性(cross-world independence)。代表:Pearl (2009)。这一线索的瓶颈是跨世界假设的不可检验性。
  2. 总体干预效应(population intervention effects):PIDE/PIIE/PIE,由 Fulcher et al. (2020) 推广。核心思想是:不比较"所有人 X=1 vs X=0",而是比较"当前人群 vs 将 X 设为 0 的人群",从而只涉及单侧干预,避免部分跨世界问题。这一线索的瓶颈是:PIIE 仍依赖"干预 M"的操作,即仍需要想象一个 M 上的干预。
  3. 回溯反事实(backtracking counterfactuals):von Kügelgen et al. (2023) 提出。核心思想是:反事实通过修改外生变量实现,结构方程不变。这一线索的瓶颈是:回溯条件分布 P_BT 的选择是任意的,缺乏客观准则;且其统计识别(从观测数据估计)尚未充分发展。

这个方向在追问的核心问题

  1. 如何在不依赖跨世界假设的前提下定义直接/间接效应? 主流方法(NDE/NIE)需要同时调用两个世界的反事实,本文用回溯条件分布替代。
  2. 效应定义对"反事实策略"的依赖如何影响其科学解释? 本文明确指出 BDE/BIE 依赖 P_BT 的选择,并将其视为"政策"而非" nuisance"。
  3. 这些新效应能否从观测数据中识别? 本文给出了定义和分解,但没有给出识别定理(见下文"结论是否比证明窄")。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 成:"自然效应基于跨世界反事实,需要不可检验的假设;回溯反事实提供了替代语义,但尚未被用于中介效应分解。本文填补这一空白。" 具体而言,作者在引言中写道:"Natural direct and indirect effects are defined through cross-world interventional counterfactuals. We propose an alternative construction based on backtracking counterfactuals." 作者淡化的竞争路线包括:(a) 完全放弃反事实、改用"干预效应"框架(如 PIIE 的原始动机),(b) 用"随机化干预"(stochastic interventions)替代确定性干预。作者对这些路线未作讨论,直接转向回溯框架。

值得研究者去查的问题:为什么作者没有讨论"随机化干预"(如 Díaz & van der Laan 的工作)?这类方法同样可以避免跨世界假设,且已有成熟的半参数估计理论。作者回避这一路线,可能是因为回溯框架更贴近"政策评估"的语义,但也可能是一个未被讨论的竞争方案。

张力

未见明显对立引用。但存在一个隐含张力:Fulcher et al. (2020) 的 PIIE 是为了在"存在未观测混杂"时仍可识别间接效应,而本文的 BIE 在定义上允许 U'_Y ≠ U_Y(即结局扰动可以改变),这实际上引入了更强的反事实自由度,可能使识别更难而非更易。作者未讨论这一张力。


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):

记号 含义 类型
X 处理变量(二值,0/1) 内生变量
M 中介变量 内生变量
Y 结局变量 内生变量
U_X, U_M, U_Y 外生(背景)变量 潜在变量(不可观测)
U = (U_X, U_M, U_Y) 外生变量向量 潜在变量
P_U 外生变量的分布 已知/待估计
f_X, f_M, f_Y 结构方程 已知/待估计
X(u) = f_X(u_X) 给定外生状态 u 时 X 的取值 潜在结果
M(u) = f_M(X(u), u_M) 给定外生状态 u 时 M 的取值 潜在结果
Y(u) = f_Y(X(u), M(u), u_Y) 给定外生状态 u 时 Y 的取值 潜在结果
M_x = f_M(x, U_M) X 被干预为 x 时 M 的取值 潜在结果(干预反事实)
Y_{x, M_{\bar{x}}} = f_Y(x, M_{\bar{x}}, U_Y) X 被干预为 x、M 被干预为其在 X=x̄ 下的自然值时 Y 的取值 潜在结果(跨世界反事实)
P_BT(u' u) 回溯条件分布:给定事实外生状态 u,替代外生状态 u' 的概率
R_D, R_I, R_T, R_PD, R_PI, R_PT 保留集合(retention sets),定义哪些 (u, u') 对被保留 事件
BDE, BIE, BTE, BPDE, BPIIE, BPTE 回溯直接/间接/总效应(及总体版本) 目标 estimand

模型(数据生成机制):

  • 结构因果模型(SCM):
  • X = f_X(U_X)
  • M = f_M(X, U_M)
  • Y = f_Y(X, M, U_Y)
  • 外生变量 U ~ P_U,独立(或至少联合分布已知)。
  • 观测数据:i.i.d. 样本 {(X_i, M_i, Y_i)},来自上述 SCM 的边际分布。

可观测数据:研究者能观测到 (X, M, Y) 的联合分布 P(X, M, Y),但观测不到 U。因此,所有涉及 U 的 estimand(如 BDE)都需要额外的识别假设或对 P_BT 的指定。

关键区分: - 可观测:P(X, M, Y) 的联合分布。 - 想要但观测不到:外生状态 U 的取值、以及替代外生状态 U' 的分布 P_BT(u'|u)。

第二步:最小内核

最小内核:本文的全部贡献可以归结为一个替换——将 NDE/NIE 中的"跨世界干预"替换为"回溯条件分布"。

最简例子(二值 X, M, Y,无混杂,U_X, U_M, U_Y 独立 Bernoulli(1/2)):

  • 结构方程:
  • X = U_X
  • M = X ⊕ U_M(⊕ 为模 2 加法)
  • Y = X + M + U_Y

传统 NDE(跨世界): NDE = E[Y_{1, M_0} − Y_{0, M_0}]

这里 Y_{1, M_0} 意味着:X 被干预为 1,同时 M 被固定为其在 X=0 时的自然值 M_0 = U_M。这需要同时调用两个世界:一个世界 X=1,另一个世界 X=0(用于确定 M_0)。在例子中,NDE = E[(1 + U_M + U_Y) − (U_M + U_Y)] = 1。

本文的 BDE(回溯): BDE = E[Y(U') − Y(U) | R_D(U, U')]

其中 R_D = {X(U) = 0, X(U') = 1, M(U') = M(U)}。也就是说:从事实状态 u(X=0)出发,抽取一个替代状态 u',要求 u' 满足 X(u')=1 且 M(u')=M(u)(即中介不变),然后对比 Y(u') 与 Y(u)。

在例子中,给定 U_X=0(即 X=0),我们需要 U'_X=1(即 X'=1),且 M' = M,即 1 ⊕ U'_M = U_M,所以 U'_M = 1 ⊕ U_M。于是: BDE = E[Y' − Y | R_D] = E[(1 + U_M + U'_Y) − (U_M + U_Y) | R_D] = 1 + E[U'_Y | R_D] − E[U_Y | R_D]。

若 P_BT 取 U'_Y | U_Y ~ Bernoulli((1+U_Y)/10)(如文中例子),则 E[U'_Y] = 3/20,E[U_Y] = 1/2,故 BDE = 1 + 3/20 − 1/2 = 13/20 < 1 = NDE。

为什么这个例子是"最小内核":它展示了本文的全部核心逻辑—— 1. 替换操作:跨世界"干预 M"被替换为"回溯抽取 U' 并施加约束 M'=M"。 2. 依赖 P_BT:BDE 的值完全由 P_BT 决定;不同的 P_BT 给出不同的 BDE。 3. 与 NDE 的差异:即使在这个最简单的无混杂例子中,BDE ≠ NDE,因为回溯允许 U'_Y ≠ U_Y(结局扰动可以改变),而跨世界反事实固定 U_Y。 4. 识别问题:BDE 涉及 U 和 U',而 U 不可观测。本文没有给出从 P(X, M, Y) 识别 BDE 的条件。

一般情形只是"加壳":本文的定理/命题(如果有)本质上是在更一般的 SCM(连续变量、多中介、非参数结构方程)下重复上述替换逻辑。核心数学困难不在推广本身,而在于处理保留集合 R 的条件概率——当 M 是连续变量时,约束 M'=M 的概率为零,需要引入容差(tolerance)或改为"近似相等"。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在因果中介分析中,如何用回溯反事实(而非跨世界干预)定义直接、间接和总效应,从而避免自然效应所需的不可检验的跨世界假设。
  2. 核心工具/方法:回溯条件分布 P_BT(u'|u) + 保留集合(retention sets)R_D, R_I, R_T 等;将效应定义为在保留集合上 Y(U')−Y(U) 的条件期望。
  3. 主要结论:提出了 BDE、BIE、BTE 及其总体版本 BPDE、BPIIE、BPTE 的定义;证明了这些效应可以分解为"效应项 + 回溯项";通过数值例子展示了这些效应与 NDE/NIE 的差异,并论证了其对 P_BT 的依赖是"特征而非缺陷"。

关键设定与假设

  • SCM 设定:X = f_X(U_X), M = f_M(X, U_M), Y = f_Y(X, M, U_Y)。所有变量离散(文中明确"All random variables are discrete")。
  • 回溯条件分布 P_BT(u'|u):这是用户指定的,不是从数据估计的。作者将其解释为"政策"(policy),即研究者/决策者认为"环境会如何变化"。
  • 保留集合:
  • R_D = {X(U)=0, X(U')=1, M(U')=M(U)}(BDE)
  • R_I = {X(U)=0, X(U')=0, M(U')=M_1(U)}(BIE,注意 M_1(U) 是事实世界中外生状态 u 下 X=1 时的 M 值)
  • R_T = {X(U)=0, X(U')=1}(BTE)
  • 总体版本 R_PD, R_PI, R_PT 类似,但不要求 X(U)=0。
  • 与已有文献的对比:
  • 相比 NDE/NIE(Pearl 2009):放宽了跨世界假设(不再需要 Y_{1,M_0} 这类同时调用两个世界的反事实),但引入了对 P_BT 的依赖。
  • 相比 PIIE(Fulcher et al. 2020):推广了总体干预效应的思想到回溯框架,但弱化了识别保证(PIIE 有明确的识别条件,本文没有)。

主要结果

定义层面(本文的核心贡献): - BDE(定义 1):E[Y(U')−Y(U) | R_D] - BIE(定义 2):E[Y(U')−Y(U) | R_I] - BTE(定义 3):E[Y(U')−Y(U) | R_T] - BPDE(定义 4)、BPIIE(定义 5)、BPTE(定义 6):总体版本

分解结果(第 3 节): 每个回溯效应可以分解为两项: - BDE = E[Y'{1,M_0} − Y'{0,M_0} | R_D] + E[Y'{0,M_0} − Y{0,M_0} | R_D] 第一项是"替代世界中的直接效应",第二项是"回溯项"(由 U'_Y ≠ U_Y 引起)。 - 类似地,BIE 和 BTE 也有对应的分解。

数值例子(第 4 节): - 展示了 BDE = 13/20 < NDE = 1,BIE = 9/20 > NIE = 0,BTE = 1/4 < TE = 1。 - 展示了改变 P_BT(如将 U'_Y 的成功概率从 1/10 改为 4/5)会改变所有回溯效应的值。

依赖 P_BT 的论证(第 7 节): 作者明确写道:"We propose considering the backtracking conditional distribution as a policy determining how the current circumstances will change. The dependence of the backtracking effects on the policy is a feature, not a limitation, since it lets the analyst assess the effects of candidate policies before choosing any of them."

证明路线与技术技巧

整体路线(3-5 步): 1. 定义保留集合:对每个效应,明确哪些 (u, u') 对被保留(如 R_D 要求 X 从 0 变 1 且 M 不变)。 2. 重写 estimand:将 BDE 等写为 E[Y(U')−Y(U) | R] 的形式。 3. 分解:在 Y(U')−Y(U) 中插入中间项(如 Y'_{0,M_0}),将差值分解为"效应项"和"回溯项"。 4. 解释:论证第一项对应传统效应(在替代世界中),第二项对应"背景变化"的直接影响。

关键跳跃点: - 难点:保留集合 R 的条件概率 P(R) 可能为零(如连续 M 时 M'=M 的概率为零)。作者通过限制在离散设定回避了这一问题,并在第 7 节提到连续情形的扩展需要"容差"(tolerance),但没有给出正式定义或定理。 - 绕过:作者没有试图从观测数据识别 BDE,而是将其定义为"在指定 P_BT 下的反事实量"。这绕开了识别问题,但也意味着这些效应无法从数据中估计(除非额外假设 P_BT 可识别)。

技术技巧点名: - 条件期望重写:将 estimand 写为条件期望形式,便于分解。 - 插入中间项:标准的"加零"技巧,用于将差值分解为可解释的项。 - 数值例子:用最简单的二值 SCM 展示概念,而非一般性证明。

🔎 结论是否比证明窄

是,明显偏窄。具体表现: 1. 无识别定理:作者定义了 BDE/BIE/BTE,但没有给出任何从观测数据识别这些效应的条件。第 7 节仅提到"连续情形的扩展是可能的",但未给出任何定理或猜想。相比之下,Fulcher et al. (2020) 对 PIIE 给出了完整的非参数识别条件和半参数估计器。 2. 无估计方法:全文没有提出任何估计量(IPW、DR、半参数等),也没有模拟实验验证有限样本性质。唯一的数值例子是手工计算的解析值。 3. 无一般性定理:分解结果(第 3 节)是对特定定义的代数展开,而非一般性命题。没有关于 BDE 与 NDE 何时相等、何时不等的一般条件。 4. 作者自己的措辞:在第 7 节,作者写道"We have limited our presentation to discrete mediator and outcome. An extension to continuous mediator and outcome is possible",但未给出任何具体结果。这实际上是承认了本文的结论仅限于离散设定。


四、开放问题

以下问题均扎根于本文的具体语句:

  1. 连续中介的容差问题(扎根于第 7 节:"With a continuous mediator, requiring the mediator to stay exactly the same (B(P)DE) or to reach exactly its natural value under the other treatment (B(P)IE) is too strict: such an event has probability zero")。要解决:如何定义"近似相等"的容差?容差的选择如何影响效应的解释和识别?是否存在不依赖容差的替代定义(如"分布匹配"而非"逐点相等")?

  2. 识别条件(扎根于全文缺失)。要解决:在什么条件下,BDE/BIE/BTE 可以从 P(X, M, Y) 中识别?P_BT 是否可识别?如果不可识别,能否给出部分识别(partial identification)的界?这与 NDE/NIE 的识别条件(序贯可忽略性)有何关系?

  3. 半参数效率理论(扎根于全文缺失)。要解决:如果 BDE 可识别,其半参数效率界是什么?能否构造出达到效率界的估计量(如 one-step 估计或 targeted maximum likelihood)?这与研究者熟悉的效率理论(efficient influence function)直接相关。

  4. P_BT 的选择准则(扎根于第 7 节:"We propose considering the backtracking conditional distribution as a policy")。要解决:是否存在"默认"的 P_BT(如最小熵、最大熵、或与事实分布最接近的分布)?不同 P_BT 之间的敏感性分析(sensitivity analysis)如何开展?这与研究者的敏感性分析兴趣直接相关。

  5. 与跨世界效应的比较(扎根于第 4 节的数值例子)。要解决:在什么条件下 BDE = NDE?是否存在可检验的约束(testable implications)来区分回溯效应与自然效应?如果两者在观测数据上不可区分,那么选择哪种定义应基于什么准则?

提示:要确认上述某条是否是真 gap,建议去读以下方向的近期文献(约 5 篇的 intro):(a) von Kügelgen et al. 2023 之后关于回溯反事实的后续工作;(b) Díaz & van der Laan 关于随机化干预的中介效应;(c) Tchetgen Tchetgen 团队关于中介效应识别的最新进展。如果这些文献都指向同一个未解决问题,那就是共识性 gap;如果它们给出互相矛盾的结论,那更可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论