Skip to main content

Chapter_7

Aaron L9/17/25About 6 minCausal inferenceDeepSeek-R1-0528response_md
### 第7章 混杂（CONFOUNDING）

7.1 混杂的结构

技术重点（Technical Points）：

  • 混杂的定义：当处理（A）和结局（Y）存在共同原因（L或U）时，关联不等于因果效应，称为混杂。混杂源于开放的后门路径（如 (A \leftarrow L \rightarrow Y)）。
  • 后门路径：非因果路径，其箭头指向处理变量（A）。例如，图7.1中路径 (A \leftarrow L \rightarrow Y) 是后门路径。
  • 混杂的数学表达：若存在混杂，关联风险比 (\frac{\Pr[Y=1|A=1]}{\Pr[Y=1|A=0]}) 不等于因果风险比 (\frac{\Pr[Y{a=1}=1]}{\Pr[Y=1]})。
  • 混杂的常见场景：
    • 职业因素（如消防员健康工人偏倚）。
    • 临床决策（如适应症混杂）。
    • 生活方式（如吸烟与运动的混杂）。
    • 遗传因素（如连锁不平衡）。
    • 社会/环境因素（如收入与污染物）。

细节要点（Fine Points）：

  • 混杂的实质：由共同原因引起的关联是真实的，但不可解释为因果效应（Yule, 1903）。
  • 结构基础：所有混杂案例均源于开放的后门路径（如 (A \leftarrow L \rightarrow Y) 或 (A \leftarrow U \rightarrow Y)）。

7.2 混杂与可交换性

技术重点（Technical Points）：

  • 可交换性：
    • 边际可交换性（(Y^a \perp!!!\perp A)）：无混杂时成立（如随机实验），因果效应可直接计算为 (E[Y|A=1] - E[Y|A=0])。
    • 条件可交换性（(Y^a \perp!!!\perp A | L)）：需调整混杂因子L，通过标准化或IP加权计算因果效应：
      [
      E[Y^{a=1}] - E[Y^{a=0}] = \sum_l \left( E[Y|L=l,A=1] - E[Y|L=l,A=0] \right) \Pr[L=l]
      ]
  • 后门准则：若L满足以下条件，则条件可交换性成立：
    1. 阻断所有A到Y的后门路径。
    2. L不包含A的后代变量。
  • 无混杂的场景：
    1. 无共同原因（如边际随机实验）。
    2. 有共同原因但L可阻断所有后门路径（无未测量混杂）。

细节要点（Fine Points）：

  • 可交换性的应用：后门准则在FFRCISTG模型下等价于条件可交换性（Technical Point 7.1）。
  • 混杂方向与强度：后门准则不量化混杂大小或方向（需敏感性分析，见Fine Point 7.1）。

7.3 混杂与后门准则

技术重点（Technical Points）：

  • 后门准则应用：
    • 图7.1：调整L可阻断后门路径（无未测量混杂）。
    • 图7.2-7.3：调整L可阻断由未测量U引起的后门路径。
    • 图7.4：无混杂（L为碰撞子，无需调整；调整会引入选择偏倚）。
  • 混杂因子定义：若数据（A,Y）不足以识别因果效应，则L是混杂因子（需调整）；否则是非混杂因子。
  • 选择偏倚：调整碰撞子（如L在图7.4）会打开后门路径，导致偏倚。

细节要点（Fine Points）：

  • 混杂方向预测：使用符号因果图（如箭头符号相同为正混杂，反之为负混杂）。
  • 混杂强度：取决于混杂因子-处理/结局关联强度及混杂因子（Cornfield et al., 1959）。
  • M-偏倚：图7.4中调整L引入的偏倚（Greenland, 2003）。

7.4 混杂与混杂因子

技术重点（Technical Points）：

  • 传统混杂因子定义问题：基于关联标准（如与A/Y关联且不在因果路径）可能导致错误调整（如图7.4调整L引入偏倚）。
  • 结构方法：需基于因果DAG确定混杂因子，调整需满足后门准则。
  • 混杂因子的相对性：L是否为混杂因子取决于已测变量（如U未测时L是混杂因子；若U已测则否）。

细节要点（Fine Points）：

  • 代理混杂因子：未测U的代理变量（如收入代理社会经济地位）可部分减少混杂（图7.8）。
  • 传统定义修正：需结合交换性条件（Technical Point 7.2）。

7.5 单世界干预图（SWIGs）

技术重点（Technical Points）：

  • SWIG原理：将反事实变量（如(Y^a)）纳入DAG，表示干预设定A=a的世界。
  • 可交换性验证：在SWIG中，(Y^a \perp!!!\perp A | L) 当且仅当L阻断所有后门路径（图7.9-7.10）。
  • 优势：统一反事实与图形方法，直接验证d-分离。

细节要点（Fine Points）：

  • 处理后代变量：调整A的后代变量（如图7.11的L）不满足条件可交换性（图7.12）。

7.6 混杂调整

技术重点（Technical Points）：

  • 调整方法：
    • G-方法：标准化、IP加权、g-估计（模拟删除 (L \rightarrow A) 的路径）。
    • 常规方法：分层、匹配（基于子集估计）。
  • 替代方法：工具变量、前门准则（Technical Point 7.4）、差分法（Technical Point 7.3）。
  • 前门准则：当存在完全中介M且无未测量混杂时（图7.14）：
    [
    \Pr[Y^a=1] = \sum_m \Pr[M=m|A=a] \sum_{a'} \Pr[Y=1|M=m,A=a'] \Pr[A=a']
    ]

细节要点（Fine Points）：

  • 差分法：利用阴性结局控制（如干预前结局）估计混杂大小（图7.13）。
  • 观察性研究的挑战：需依赖领域知识测量足够混杂因子，但无法完全消除混杂风险。
  • 科学批评的回应：需具体指出混杂源（如吸烟），而非泛化批评。

关键公式总结

  1. 条件可交换性下的因果效应：
    [
    E[Y^{a}] = \sum_l E[Y|L=l,A=a] \Pr[L=l]
    ]
  2. 前门准则：
    [
    \Pr[Y^a=1] = \sum_m \Pr[M=m|A=a] \sum_{a'} \Pr[Y=1|M=m,A=a'] \Pr[A=a']
    ]
  3. 差分法（阴性结局控制）：
    [
    E[Y^{1} - Y^{0}|A=1] = (E[Y|A=1] - \E[Y|A=0]) - (\E[C|A=1] - \E[C|A=0])
    ]

图示说明（基于描述）

  • 图7.1-7.3：共同原因L或U导致混杂（后门路径）。
  • 图7.4：L为碰撞子，调整引入偏倚。
  • 图7.14（前门准则）：M中介A对Y的效应，阻断后门路径需调整M。