Chapter_10

### 章节标题：第10章 随机变异性

10.1 识别与估计

技术重点（Technical Points）：

• 核心理论：因果推断的前九章假设研究人群规模接近无限（识别问题），忽略随机变异性，聚焦混杂、选择和测量偏倚。随机变异性在有限样本中引入额外不确定性。
• 关键公式：
  • 估计量标准误：二项分布标准误为 $\sqrt{\frac{p(1-p)}{n}}$，其中 $p$ 为超人群参数。
  • Wald 95% 置信区间：$\hat{\theta} \pm 1.96 \times \widehat{se}(\hat{\theta})$，其中 $\widehat{se}(\hat{\theta})$ 是估计量的标准误估计值（例如 $\hat{p} = 7/13$ 时，$\widehat{se} = \sqrt{\frac{(7/13)(6/13)}{13}} = 0.138$）。
• 重要概念：
  • 估计目标（Estimand）：超人群中的目标参数（如 $Pr[Y=1|A=a]$）。
  • 估计量（Estimator）：基于样本数据计算估计目标的规则（如样本比例 $\widehat{Pr}[Y=1|A=a]$）。
  • 一致性（Consistency）：当样本量增大时，估计量收敛于估计目标（定义见 Technical Point 10.1）。
• 应用场景：在随机实验中估计超人群的因果效应（如心脏移植对死亡率的影响）。

细节要点（Fine Points）：

• 置信区间性质：
  • 校准（Calibrated）：95% 的样本中置信区间覆盖真实参数。
  • 保守（Conservative）：覆盖概率 >95%。
  • 反保守（Anticonservative）：覆盖概率 <95%。
  • 有效性（Valid）：覆盖概率至少 95%（保守或校准）。
• 局限性：Wald 区间是大样本有效区间，小样本可能无效（需使用精确区间）。"诚实区间"（Honest Interval）要求存在样本量 $n$，使覆盖概率在任何参数值下均 ≥95%（Fine Point 10.1）。
• 频率解释：95% 置信区间意为在重复抽样中，95% 的区间覆盖真实参数；不表示参数有 95% 概率落入当前区间（与贝叶斯可信区间区别）。

---

10.2 因果效应估计

技术重点（Technical Points）：

• 核心理论：在超人群框架下，随机实验的样本比例 $\widehat{Pr}[Y=1|A=a]$ 是 $Pr[Y^a=1]$ 的无偏估计量（Technical Point 10.1）。
• 关键公式：
  • 因果风险差估计：$\widehat{Pr}[Y=1|A=1] - \widehat{Pr}[Y=1|A=0]$（如 $(7/13) - (3/7)$）。
  • 因果风险比估计：$\frac{\widehat{Pr}[Y=1|A=1]}{\widehat{Pr}[Y=1|A=0]}$（如 $(7/13)/(3/7)$）。
• 重要概念：
  • 无偏性（Unbiasedness）：估计量能为中心有效的 Wald 区间（UANU，见 Technical Point 10.1）。
  • 随机化推断（Randomization-based Inference）：仅针对实际随机化样本的推断（不假设超人群）。
• 应用场景：随机实验或观察性研究中计算标准化、IP 加权或分层关联的置信区间。

细节要点（Fine Points）：

• 系统偏倚与置信区间：置信区间仅量化随机误差，未涵盖混杂、选择或测量偏倚（Fine Point 10.2）。大样本时，区间可能低估总不确定性（建议改称"兼容区间"）。
• 超人群的虚构性：实际研究中个体并非来自无限超人群，但该假设简化统计方法并支持结果泛化。

---

10.3 超人群的神话

技术重点（Technical Points）：

• 核心理论：二项置信区间有效的两种场景：
  1. 场景1：研究人群来自无限超人群（$p$ 为超人群参数）。
  2. 场景2：个体反事实概率 $p_i^a$ 均相同（实际不可行，因个体风险存在异质性）。
• 重要概念：实际应用中，研究者隐含假设场景1，因场景2要求个体风险完全相同（不现实）。

细节要点（Fine Points）：

• 实际含义：95% 置信区间应解释为"若研究人群来自无限超人群"的反事实陈述。
• 局限性：若目标人群与研究人群差异大，或潜在接受者池规模小，超人群假设可能不适用。

---

10.4 条件性"原则"

技术重点（Technical Points）：

• 核心理论：当处理 $A$ 与协变量 $L$ 存在偶然失衡时，需基于辅助统计量（如 $L$-$A$ 关联）进行条件推断（条件性原则）。
• 重要概念：
  • 辅助统计量（Ancillary Statistic）：其分布不依赖感兴趣参数（如随机实验中 $A$ 和 $L$ 的联合分布）。
  • 调整估计量优势：在 $L$ 分层后，调整估计量（如 MLE）条件无偏且无条件更高效（Technical Point 10.4）。
• 应用场景：随机实验中观测到 $L$-$A$ 偶然关联时（如表 10.2 中吸烟与处理关联）。

细节要点（Fine Points）：

• 随机实验示例：未调整风险差为 $-0.15$，调整后分层风险差为 $0$（表 10.2）。模拟显示，在 $L$-$A$ 强关联的重复样本中，未调整估计量有偏，调整估计量更优。
• 条件性原则依据：大多数研究者偏好基于观测信息的方差估计（如 $\widehat{V}_1^{\text{obs}}$），隐含遵循条件性原则（Technical Point 10.5）。

---

10.5 维数灾难

技术重点（Technical Points）：

• 核心理论：当协变量 $L$ 维度高（如 $2^{100}$ 层）时，分层调整估计量的置信区间变宽甚至无信息（如 $(-1,1)$），而未调整估计量区间保持稳定（如 $(-0.26,-0.04)$）。
• 重要概念：调整估计量仅在"个体数/参数数"足够大时（如 >10）比未调整估计量更高效。

细节要点（Fine Points）：

• 问题本质：严格遵循条件性在高维数据中不可行（"维数灾难"）。例如，仅少数层有 $A=1$ 和 $A=0$ 个体，导致分层估计不精确。
• 解决方案需求：需新方法处理高维数据（第 18 章讨论）。

---

章节间逻辑关联

• 与前一章关联：第 7-9 章讨论系统偏倚（混杂、选择、测量），本章引入随机变异性作为因果推断的另一误差源。
• 与全书主题关联：本章奠定统计推断基础，后续第 11-17 章将引入模型解决高维问题（如第 18 章的维数灾难应对）。

---

标注说明：

• 所有结论均源自原文，无主观推测。
• 图片/表格内容已基于文本描述总结（如 Table 10.1、10.2 的数据结构）。
• 未明确细节（如"诚实区间"的 $n$ 确定方法）标注为依赖后续研究。