因果推断方法

Aaron L9/17/25About 3 min

根据《Causal Inference: What If》（Hernán & Robins, 2020）的内容框架，IPW（逆概率加权）仅是书中介绍的多种因果推断方法之一，并非全书核心依赖的方法。该书系统性地整合了因果推断的理论体系，覆盖了从基础概念到高级模型的完整路径。以下从方法论结构和内容重点展开分析：

📚 一、全书方法论框架：三部分渐进式体系

第一部分：无模型的因果推断（非参数辨识）
聚焦基础概念，如潜在结果框架（Potential Outcomes）、因果效应定义、随机实验与观察性研究的差异，以及混杂偏倚（Confounding）的识别。这一部分未涉及模型依赖，强调通过设计（如随机化）解决因果问题。
第二部分：基于模型的因果推断（参数化估计）
此处引入多种建模方法，包括：
- IPW（逆概率加权）与边缘结构模型（MSM）：用于处理观察性数据中的混杂，通过权重调整模拟随机化。
- 标准化与G公式（G-Computation）：直接建模结果变量，避免IPW对倾向得分模型的依赖。
- 工具变量（IV）：解决未观测混杂问题（如孟德尔随机化）。
- 倾向得分匹配（PSM）与结构方程模型（SEM）：用于降维和平衡协变量。
第三部分：复杂纵向数据因果推断
扩展至时变处理（Time-varying Treatments）和动态策略，引入：
- G-估算（G-Estimation）与结构嵌套模型：处理时间依赖性混杂。
- 边缘结构模型（MSM）的扩展：结合IPW但需迭代加权。

⚖️ 二、IPW的定位：重要但非主导

作用场景：IPW主要在观察性研究中用于校正选择偏差，通过倾向得分（如Logistic回归预测处理分配概率）构建权重。
局限性与替代方案：
- 书中强调IPW对倾向得分模型误设敏感，且极端权重可能导致估计不稳定。
- G公式、标准化、结局回归（Outcome Regression） 被作为替代方案提出，尤其当模型假设更易满足时。
与其他方法的协同：例如在MSM中，IPW与参数模型结合处理时变混杂。

🔧 三、其他核心方法占比与创新点

前沿方法整合
- 机器学习因果推断（第7部分）：元学习器（T-Learner/X-Learner）、因果森林、动态处理优化。
- 生存分析中的因果问题：处理删失数据和时变效应。

关键模型对比

方法	适用场景	优势	章节
IPW	横截面观察性数据	直观模拟随机化	第4、5章
G公式	时变处理/动态策略	避免倾向得分模型依赖	第5、19章
工具变量（IV）	未观测混杂	利用自然实验设计	第16章
结构嵌套模型	纵向数据/时变混杂	直接估计效应参数	第21章

基础性贡献
- 反事实框架的严谨定义：明确个体因果效应与平均因果效应的识别条件。
- 偏差分解：详尽分析混杂偏倚、选择偏倚、测量偏倚的机制与解决方案。

💎 四、结论：IPW是工具之一，但体系全面多元

该书以“问题驱动”而非“方法驱动”，IPW仅是解决特定偏倚问题的工具之一。其核心价值在于：

方法论多样性：覆盖从非参数设计到复杂模型，强调“因果问题决定方法选择”。
假设的严谨性：任何方法的应用均需满足可识别性条件（如可交换性、一致性、正值性）。
实践导向：提供Stata/R/Python代码实现（如作者官网），强化方法的应用验证。

💡 若需深入实操，可参考书中第4章（IPW）、第5章（G公式与标准化）、第16章（工具变量）的案例，或访问作者提供的代码仓库。