Chapter_5
9/17/25About 11 min
### 第5章:交互作用(INTERACTION)总结
5.1 交互作用需要联合干预
- 核心定义:两个处理变量(如 (A) 和 (E))存在交互作用,当且仅当在联合干预下,(A) 的因果效应随 (E) 的水平变化而变化。
- 数学表达(加性尺度):
[
\Pr[Y^{a=1,e=1}=1] - \Pr[Y^{a=0,e=1}=1] \neq \Pr[Y^{a=1,e=0}=1] - \Pr[Y^{a=0,e=0}=1]
] - 等价定义(体现 (A) 和 (E) 的对称性):
[
\Pr[Y^{a=1,e=1}=1] - \Pr[Y^{a=1,e=0}=1] \neq \Pr[Y^{a=0,e=1}=1] - \Pr[Y^{a=0,e=0}=1]
]
- 数学表达(加性尺度):
- 关键概念:
- 联合干预(joint intervention):同时设定 (A=a) 和 (E=e) 的干预,对应反事实结果 (Y^{a,e})。
- 反事实一致性:(Y^a = Y^{a,E})(当 (E) 为观测值时,干预 (A) 的反事实可表示为联合反事实的特例)。
5.2 识别交互作用
- 识别条件:需满足可交换性(exchangeability)、正性(positivity)、一致性(consistency)两个处理变量。
- 交互作用 vs. 效应修正(effect modification):
概念 核心区别 效应修正 变量 (V) 修饰 (A \to Y) 的效应,仅涉及 (Y^a)((V) 非干预变量)。 交互作用 (A) 和 (E) 地位平等,涉及联合反事实 (Y^)(二者均为可干预变量)。 - 随机化实验中的等价性:若 (E) 随机分配,则交互作用与效应修正概念重合((E) 可视为效应修饰因子)。
- 非随机化处理:
- 需通过标准化或 IP 加权(基于协变量)估计四个反事实风险 (\Pr[Y^{a,e}=1])。
- 替代方法:将联合处理 ((A,E)) 视为四水平变量(11, 01, 10, 00),用相同方法识别因果效应。
- 特殊情形:若仅 (A) 可干预((E) 为观测变量),可评估 (E) 对 (A) 效应的修正,但无法评估交互作用(因需 (E) 的可交换性)。
5.3 反事实反应类型与交互作用
- 假设:确定性反事实(deterministic counterfactuals)、二分处理与结果。
- 反应类型(response types):
- 两个二分处理下,个体有 16 种反应类型(表 5.2),由四组反事实结果 ((Y^{1,1}, Y^{0,1}, Y^{1,0}, Y^{0,0})) 定义。
- 无交互作用的类型:1, 4, 6, 11, 13, 16((A) 的效应独立于 (E),反之亦然)。
- 存在加性交互作用的类型:至少包含以下任一类:
- 仅一种处理组合导致结果(类型 8, 12, 14, 15)。
- 两种处理组合导致结果,且效应方向相反(类型 7, 10)。
- 三种处理组合导致结果(类型 2, 3, 5, 9)。
- 例外:若存在符号相反的效应完美抵消(如类型 7 和 10 比例相等),则无交互作用。
5.4 充分原因(Sufficient-Component Causes)
- 核心思想:结果由最小充分原因引发(一组背景因素与处理的组合)。
- 单处理 (A) 的充分原因:
- (A=1 \land U_1=1)(如心脏移植 + 麻醉过敏)。
- (A=0 \land U_2=1)(如未移植 + 低射血分数)。
- (U_0=1)(如胰腺癌,与 (A) 无关)。
- 双处理 (A) 和 (E) 的充分原因:
- 9 种类型(图 5.2),包括单独 (A) 相关、单独 (E) 相关、(A \land E) 组合、与两者无关)。
- 效应修正的机制解释:效应修饰因子分布(如 (U_1) 的比例)影响 (A) 的因果效应大小。
5.5 充分原因交互作用
- 定义:若 (A) 和 (E) 共同出现在同一充分原因中,则存在充分原因交互作用。
- 类型:
- 协同作用(synergism):(A=1 \land E=1) 在同一充分原因中(如类型 8 需同时暴露于两者才发病)。
- 拮抗作用(antagonism):(A=1 \land E=0)(或 (A=0 \land E=1)) 在同一充分原因中。
- 识别条件:无需机制知识,可通过反事实不等式判断:
- 协同作用充分条件:
[
\Pr[Y^{1,1}=1] - \left( \Pr[Y^{0,1}=1] + \Pr[Y^{1,0}=1] \right) > 0
] - 单调性下弱条件(无"预防作用"个体):
[
\Pr[Y^{1,1}=1] - \Pr[Y^{0,1}=1] > \Pr[Y^{1,0}=1] - \Pr[Y^{0,0}=1]
]
- 协同作用充分条件:
5.6 反事实框架 vs. 充分原因框架
| 框架 | 核心问题 | 优点 | 局限 |
|---|---|---|---|
| 反事实框架 | "若干预 (A),结果如何?" | 无需机制知识,适用连续变量,广泛用于效应估计。 | 不直接描述因果机制。 |
| 充分原因框架 | "结果如何发生?" | 直观解释效应修饰、交互作用机制(如归因分数)。 | 仅限二分变量,依赖编码,实际应用受限。 |
- 结论:本书主要使用反事实框架(因聚焦效应估计)。充分原因框架适用于教学和机制理解,但受限于二分变量假设。
关键结论
- 交互作用的本质:在反事实框架下定义为处理效应随另一处理水平的变化,识别需联合干预的假设。
- 应用意义:交互作用分析指导最优干预策略(如选择最有效的联合干预)。
- 框架选择:
- 效应估计 → 反事实框架(通用性强)。
- 机制解释 → 充分原因框架(教学价值高,但实际受限)。
- 技术延伸:充分原因框架的随机化/多水平扩展可能提升其实用性,但仍需更多研究。