Chapter_16
9/17/25About 6 min
### 第16章：工具变量估计（Instrumental Variable Estimation）总结
16.1 工具变量的三个条件
- 技术要点：
- 工具变量（IV）定义：变量 (Z) 需满足三个条件：
- (i) 相关性（Relevance）: (Z) 与处理变量 (A) 相关（即 (Z \not!\perp!!!\perp A)）。
- (ii) 排他性约束（Exclusion Restriction）: (Z) 仅通过 (A) 影响结果 (Y)（无直接效应）。个体层面：(Y^{z,a} = Y^{z',a} = Ya)；群体层面：(E[Y] = E[Y^{z',a}])。
- (iii) 无混杂（No Confounding）: (Z) 与 (Y) 无共同原因（即 (Y^{a,z} \perp!!!\perp Z)）。
- 随机试验中的工具变量：在双盲随机试验中，随机分配指标 (Z) 是工具变量（满足随机分配和双盲设计）。
- 代理工具变量（Surrogate Instrument）: 若因果工具变量 (U_Z) 未测量，可用其代理 (Z)（需调整条件 (iii) 为“除 (U_Z) 外无共同原因”）。
- 工具变量（IV）定义：变量 (Z) 需满足三个条件：
- 细节要点：
- 仅条件 (i) 可经验验证（如通过风险差 (\text{Pr}[A=1|Z=1] - \text{Pr}[A=1|Z=0] > 0)）。
- 条件 (ii) 和 (iii) 不可验证，需依赖领域知识假设（如吸烟研究中，香烟价格作为候选工具变量）。
- 弱工具变量（Weak Instrument）: 当 (Z) 与 (A) 关联微弱时（如风险差仅 6%），估计偏差会被放大。
16.2 常用工具变量估计量
- 技术要点：
- IV 估计量公式：对二值工具变量 (Z)，在附加条件 (iv) 下，平均因果效应为：
[
\frac{E[Y|Z=1] - E[Y|Z=0]}{E[A|Z=1] - E[A|Z=0]}
]
连续工具变量则用协方差形式：(\frac{\text{Cov}(Y,Z)}{\text{Cov}(A,Z)})。 - 估计方法：
- 标准 IV 估计：计算样本中 (E[Y|Z]) 和 (E[A|Z]) 的差异比。
- 两阶段最小二乘法（2SLS）：
- 第一阶段：拟合 (E[A|Z] = \alpha_0 + \alpha_1 Z)，预测 (\hat{A})。
- 第二阶段：拟合 (E[Y|Z] = \beta_0 + \beta_1 \hat{A})，(\hat{\beta}_1) 即 IV 估计值。
- 随机试验中的解释：分子为意向治疗效应（ITT），分母为依从性差异；低依从性时 IV 估计量放大 ITT。
- IV 估计量公式：对二值工具变量 (Z)，在附加条件 (iv) 下，平均因果效应为：
- 细节要点：
- 弱工具问题：若一阶段 F 统计量 < 10，估计值置信区间宽且偏差放大（如吸烟案例中 95% CI: -36.5 至 41.3 kg）。
- 结构均值模型（Structural Mean Models）: 可显式建模处理效应（见技术点 16.3-16.4）。
16.3 第四个识别条件：同质性
- 技术要点：
- 同质性条件 (iv) 的四个版本：
- (a) 恒定效应（Constant Effect）: (Y^{a=1} - Y^{a=0}) 对所有个体相同（不现实）。
- (b) 加性同质性：(E[Y^{a=1} - Y^{a=0} | Z, A=a]) 在 (Z) 各层相同（用于技术点 16.3 证明）。
- (c) 无加性效应修饰：未测混杂 (U) 不修饰效应（即 (E[Y^{a=1}|U] - E[Y^{a=0}|U] = E[Y^{a=1}] - E[Y^{a=0}])）。
- (d) 工具-处理关联同质：(E[A|Z=1,U] - E[A|Z=0,U]) 在 (U) 各层恒定。
- 一般同质性条件：效应修饰 (e(U) = E[Y^{a=1} - Y^{a=0}|U]) 与工具-处理关联修饰 (t(U) = E[A|Z=1,U] - E[A|Z=0,U]) 的协方差为零（(\text{Cov}[e(U), t(U)] = 0)）。
- 同质性条件 (iv) 的四个版本：
- 细节要点：
- 同质性条件均不可验证，且常不现实（如戒烟对体重的影响因吸烟强度而异）。
- 解决方案：引入基线协变量（通过结构均值模型控制效应修饰）。
16.4 替代第四个条件：单调性
- 技术要点：
- 依从类型（Principal Strata）: 基于反事实处理 ((A^{z=1}, A^{z=0})) 分为：
- 始终接受者（Always-takers）: ((1,1))
- 从不接受者（Never-takers）: ((0,0))
- 依从者（Compliers）: ((1,0))
- 违抗者（Defiers）: ((0,1))
- 单调性条件 (iv)：无违抗者（即 (A^{z=1} \geq A^{z=0}) 对所有个体成立）。
- IV 估计量的解释：在单调性下，IV 估计量等于依从者的平均因果效应（CACE）：
[
E[Y^{a=1} - Y^{a=0} | A^{z=1}=1, A^{z=0}=0]
]
- 依从类型（Principal Strata）: 基于反事实处理 ((A^{z=1}, A^{z=0})) 分为：
- 细节要点：
- 依从者效应（CACE）的局限性：依从者不可识别，且其比例因工具变量而异（如吸烟案例中仅 6%）。
- 单调性在观察性研究中的问题：
- 代理工具变量（如医师偏好）可能因多维决策存在违抗者。
- 连续因果工具变量下，IV 估计量难解释为依从者效应。
- 适用场景：双盲随机试验（尤其对照组完全依从时）。
16.5 工具变量条件的再讨论
- 技术要点：
- 条件 (i) 问题（弱工具变量）：
- 估计置信区间宽。
- 放大条件 (ii)-(iii) 的违反偏差（偏差乘以 (1/\text{分母}))。
- 有限样本下即使有效工具也有偏。
- 条件 (ii) 问题（直接效应）：若 (Z) 对 (Y) 有直接路径（图 16.8），或处理变量粗化（图 16.9），则违反。
- 条件 (iii) 问题（混杂）：未测混杂（图 16.10）或选择偏倚（如排除某些 (A) 水平）导致偏差。
- 条件 (i) 问题（弱工具变量）：
- 细节要点：
- 弱工具定义：(1) 实质弱（(Z-A) 关联小）；(2) 统计弱（一阶段 F 统计量 < 10）。
- 缓解策略：调整基线协变量 (V)（但需同质性假设）。
16.6 工具变量估计 vs. 其他方法
- 技术要点：
- 假设差异：IV 估计不依赖条件可交换性（需工具变量条件），而 IP 加权、标准化等方法需要。
- 敏感性差异：IV 估计对条件轻微违反更敏感（因分母放大偏差）。
- 适用场景限制：IV 估计适用于：
- 未测混杂严重。
- 二值处理 (A) 和强因果工具 (Z)。
- 同质性或单调性成立。
- 点干预场景（不适用于时变处理）。
- 细节要点：
- 三角验证：结合不同假设的方法（如断点设计）提高因果推断稳健性。
- 报告要求：需透明报告工具变量假设和弱工具检验。
结论
- 核心结论：
- 工具变量方法通过替代假设（工具变量条件）避免测量所有混杂因子，但需额外不可验证条件（同质性或单调性）。
- IV 估计量解释：
- 同质性下：估计总体平均因果效应。
- 单调性下：估计依从者平均因果效应（CACE）。
- 局限性：
- 弱工具变量导致估计不稳定。
- 观察性研究中工具变量有效性难保证。
- CACE 的实际意义和泛化性有限。
- 实践建议：IV 估计应限于强工具变量场景，并辅以敏感性分析和替代方法三角验证。
数学公式总结：
- 工具变量条件 (ii) 个体层面：(Y^{z,a}_i = Y^{z',a}_i = Y^a_i)
- 工具变量估计量：(\frac{E[Y|Z=1] - E[Y|Z=0]}{E[A|Z=1] - E[A|Z=0]})
- 一般同质性条件：(\text{Cov}[e(U), t(U)] = 0)，其中 (e(U) = E[Y^{a=1} - Y^{a=0}|U])，(t(U) = E[A|Z=1,U] - E[A|Z=0,U])