Skip to main content

Chapter_16

Aaron L9/17/25About 6 minCausal inferencegpt-4.1response_md

Chapter 16: Instrumental Variable Estimation

Summary, Technical Points, and Fine Points—中英文对照总结

1. 核心内容简述 / Core Content Summary

  • 本章介绍了工具变量 (Instrumental Variables, IV) 估计法，这是一种可以在存在未观测混杂时识别因果效应的方法，不同于之前章节依赖于“条件可交换性”假设的因果推断方法。
  • IV 方法依赖一组特定假设（称为“工具变量条件”），并对其进行了详细的理论说明、实际应用要点及局限性讨论。
  • 介绍了IV常用的点估计、结构均值模型、对同质性和单调性假设的不同解释，以及弱工具变量的严重后果。

2. 工具变量估计的三大条件 / The Three Instrumental Conditions

2.1 条件定义 / Formal Definitions

(i) 相关性 (Relevance)

  • 工具变量 ZZ 与处理 AA 存在非零相关性。
  • Z̸ ⁣⊥ ⁣ ⁣ ⁣⊥AZ \not\!\perp\!\!\!\perp A
  • 这意味着 ZZ 必须对 AA 有影响。

(ii) 排除限制 (Exclusion Restriction)

  • ZZ 对结果 YY 没有直接影响，只能通过 AA 影响 YY。
  • 个体级：Yz,a,i=Yz′,a,i=Ya,i∀z,z′,a,iY_{z, a, i} = Y_{z', a, i} = Y_{a, i} \quad \forall z, z', a, i
  • 人群级：E[Yz,a]=E[Yz′,a]\mathbb{E}[Y_{z,a}] = \mathbb{E}[Y_{z',a}]

(iii) 无共同原因 (Independence / Exchangeability)

  • ZZ 与 YY 没有共同原因。
  • 边际可交换性：Ya,z⊥ ⁣ ⁣ ⁣⊥Z∀a,zY_{a, z} \perp\!\!\!\perp Z \quad \forall a, z
  • 更强者：联合可交换性 (joint exchangeability)。
  • 通常在随机试验中满足。

2.2 形式证明见 Technical Point 16.1。

3. 工具变量的类型 / Types of IVs

  • 因果型工具变量 (Causal Instrument)： ZZ 本身影响 AA。
  • 代理工具变量 (Surrogate Instrument)： ZZ 自身不直接作用于 AA，但与未观测到的因果工具 UZU_Z 相关，并通过 UZU_Z 间接影响 AA。

4. 观测性研究中 IV 的常见类型 / Fine Point 16.1

  • 遗传工具变量 (Genetic IV)： 用于孟德尔随机化，如某基因型影响治疗暴露。
  • 偏好 (Preference)： 比如医生的用药偏好。
  • 可及性 (Access)： 比如治疗距离或价格。

5. 工具变量下的因果效应辨识 / Identification of Causal Effects with IVs

5.1 部分识别 / Partial Identification

  • 仅用IV，效果不能点识别，只能给出界限，界限常常很宽（Technical Point 16.2）。
  • 对二元结果 YY，平均因果效应的界限收窄为：(−1,1)(-1, 1)，若结合 ZZ 可进一步收窄至 Pr[A=1∣Z=0]+Pr[A=0∣Z=1]Pr[A=1|Z=0] + Pr[A=0|Z=1]。
  • 特殊假设下（联合可交换性等）可得更“尖锐界限（sharp bounds）”。

6. 标准IV估计量 / The Usual IV Estimator

6.1 公式 / Formula

对于二元 ZZ 或 AA，即著名的 Wald 估计器，
[
\text{IV Estimand} = \frac{\mathbb{E}[Y|Z=1] - \mathbb{E}[Y|Z=0]}{\mathbb{E}[A|Z=1] - \mathbb{E}[A|Z=0]}
]

  • 分子：分配对结局的平均因果效应（意向治疗效应，ITT）。
  • 分母：分配对处理的平均因果效应（顺应性/依从性）。

对于连续 ZZ 用协方差：
[
\frac{\operatorname{Cov}(Y, Z)}{\operatorname{Cov}(A, Z)}
]

6.2 计算方法

  • 直接计算上述比值，或使用“两阶段最小二乘法（2SLS）：
    • 第一阶段: E[A∣Z]=α0+α1ZE[A|Z] = \alpha_0 + \alpha_1 Z
    • 第二阶段: E[Y∣A^]=β0+β1A^E[Y|\hat{A}] = \beta_0 + \beta_1 \hat{A}
    • β^1\hat{\beta}_1 就是IV估计量。

7. 识别平均因果效应还需第四条件 / Need of a Fourth Identifying Condition

7.1 同质性 (Homogeneity)

四种表述方式

  1. 完全同质性/效应恒定：对所有个体，AA 对 YY 的效应都完全一样（常不成立）。
  2. 组内效应同质性：对所有 Z,aZ,a，E[Ya=1−Ya=0∣Z=z,A=a]E[Y_{a=1} - Y_{a=0}|Z=z,A=a] 与 zz 无关。
  3. 未观测混杂变量不是效应修饰因子：即UU不修饰AA对YY的效应。
  4. Z-A关联同质性：E[A∣Z=1,U]−E[A∣Z=0,U]E[A|Z=1,U] - E[A|Z=0,U] 与 UU 无关。

更一般条件：

[
\operatorname{Cov}(e(U), t(U)) = 0
]
其中e(U)≡E[Ya=1−Ya=0∣U]e(U) \equiv E[Y_{a=1} - Y_{a=0}|U]，t(U)≡E[A∣Z=1,U]−E[A∣Z=0,U]t(U) \equiv E[A|Z=1,U] - E[A|Z=0,U]

技术点

  • 满足无效应修饰时，IVIV 估计量才能无偏识别平均因果效应。

7.2 结构均值模型 / Structural Mean Models

加法模型:

[
E[Y_{a=1} - Y_{a=0}|A=1, Z] = \beta_0 + \beta_1 Z
]

若无ZZ的效应修饰 (β1=0\beta_1=0) 则
[
\beta_0 = \frac{E[Y|Z=1] - E[Y|Z=0]}{E[A|Z=1] - E[A|Z=0]}
]

乘法模型（Technical Point 16.4）

[
\frac{E[Y_{a=1}|A=1,Z]}{E[Y_{a=0}|A=1,Z]} = \exp(\beta_0 + \beta_1 Z)
]

8. 单调性条件下的解释 / Monotonicity Condition

  • 替代同质性条件：要求不存在“逆向行为者”(defiers)，即对所有个体均有Az=1≥Az=0A_{z=1} \geq A_{z=0}。
  • 将人群划分为四类：始终接受者(always-taker)，始终拒绝者(never-taker)，顺应者(complier)，逆行者(defier)。
  • 在无defier前提下，
    [
    \text{IV估计量} = E[Y_{a=1} - Y_{a=0} | A_{z=1}=1, A_{z=0}=0]
    ]
  • 这被称为顺应者平均因果效应 / Complier Average Causal Effect (CACE)，或“局部平均处理效应 Local Average Treatment Effect (LATE)”。
  • 详见 Technical Point 16.7 的严格证明。

9. IV方法的适用性与局限 / Applicability and Limitations

  • 只在有大量未测混杂、处理与结果均为二元且处理为点暴露、强且“真正”的工具变量，且同质性或单调性合理时，IV法才有优势。
  • 对IVIV识别条件的微小偏差，IV估计量可能出现极大偏倚（因分母放大分子）。
  • 弱工具变量(weak IV)：ZZ对AA的相关作用极弱，导致偏差巨大且CI宽（Fine Point 16.2）。
  • 当多个工具合用以增强工具强度时，某个工具违反任何一个条件都高度危险。
  • 在观测性研究中，IV的识别条件不可证伪，常需扎实的领域知识佐证。
  • IVIV估计的结果大多CI极宽，难以带来“更好决策”。

10. 工具变量法和其他方法的比较 / Comparison to Other Methods

  • IV 估计放宽了“条件交换性”假设，能在有未观测混杂时识别因果效应。
  • 但对于假设轻微的违背极其敏感，风险比倾向分数/IPW等更高。
  • IV法只适用于点暴露问题，罕见用于需要时间序列处理/复杂策略比较的场合。

11. 其他相关设计 / Fine/Technical Points

回归断点设计 (Regression Discontinuity Design, RDD) / Fine Point 16.3

  • 当治疗分配有“门槛”变量（如年龄）时，观测到门槛附近的YY均值跳变即为效应。
  • 需假设阈值两侧人群可交换、YY在LL附近连续。

公式总结 / Salient Mathematical Formulas

  1. 标准IV估计量/Usual IV Estimator:
    [
    \frac{\mathbb{E}[Y|Z=1] - \mathbb{E}[Y|Z=0]}{\mathbb{E}[A|Z=1] - \mathbb{E}[A|Z=0]}
    ]

  2. 结构均值模型/Structural Mean Model (加法型):
    [
    E[Y_{a=1} - Y_{a=0}|A=1, Z] = \beta_0 + \beta_1 Z
    ]

    若β1=0\beta_1 = 0,
    [
    \beta_0 = \text{IV估计量}
    ]

  3. 结构均值模型/Structural Mean Model (乘法型):
    [
    \frac{E[Y_{a=1}|A=1,Z]}{E[Y_{a=0}|A=1,Z]} = \exp(\beta_0 + \beta_1 Z)
    ]

    若β1=0\beta_1 = 0, β0=log⁡(风险比)\beta_0 = \log(\text{风险比})

  4. LATE/CACE表达式:
    [
    \text{IV估计量} = E[Y_{a=1} - Y_{a=0} | A_{z=1}=1, A_{z=0}=0]
    ]

12. 结论 / Conclusion

  • IV估计依赖四个条件：相关性、排除限制、无共同原因与同质性/单调性。
  • 标准IV估计只能在极强且不可证伪的假设下识别总体平均因果效应（或顺应者/LATE）。
  • IV的最大优势是可“绕开”未观测混杂，但其适用范围有限且极易出现巨大偏差。
  • 实证研究中，对所有假设的透明报告、敏感性分析、三角验证(triangulation)至关重要。

（如需每个小节详细公式/推导，可再分别展开）