技术摘要：具有连续处理变量的多重稳健因果中介分析

1. 问题陈述

因果中介分析旨在将处理变量对结果的总效应分解为通过中间变量产生的自然直接效应（NDE）和自然间接效应（NIE）。虽然对于二元处理变量存在高效的多种稳健估计量（Tchetgen Tchetgen and Shpitser, 2012），但如果不依赖强参数假设，这些方法无法直接应用于连续处理变量。

在连续处理变量设置中，目标参数 $\psi_0(a, a') = E[Y(a, M(a'))]$ 在非参数模型中是不规则的（irregular）。与使用指示函数的二元处理变量不同，连续处理变量需要在特定的值 $a$ 和 $a'$ 处进行点评估。这导致缺乏有限方差的影响函数，并阻碍了标准的 $\sqrt{n}$ 收敛速率。现有的连续中介方法（例如 Huber et al., 2020）通常依赖于结果回归（受限于机器学习方法的慢收敛速率）或参数化剂量-反应曲线（在模型误设时会产生偏差）。此外，以往的连续中介方法往往缺乏多重稳健性，或者继承了扰动参数估计器的慢收敛速率。

2. 方法论

作者提出了一种受影响函数策略启发、并针对连续处理变量进行改进的核平滑多重稳健估计量。

2.1 识别与框架

该方法依赖于标准的因果中介假设（一致性、序列可交换性和正值性）以及识别自然直接效应和自然间接效应所需的“跨世界（cross-world）”可交换性假设。目标估计量通过以下中介公式进行识别：
$$\psi_0(a, a') = \int \int E[Y|A=a, M=m, X=x] f_{M|A,X}(m|a', x) f_X(x) \, dm \, dx$$

2.2 估计量构建

其核心创新在于使用**核权重（kernel weights）**取代了二元处理变量影响函数中的指示函数。

1. 核平滑： 对于处理变量值 $a$ 和 $a'$，作者定义了一个带有带宽 $h$ 的核函数 $K_h(\cdot)$。经过修改的有效影响函数包含了类似 $K_h(A-a)$ 的项，从而在 $a$ 的邻域内对点评估进行了平滑处理。
2. 扰动函数（Nuisance Functions）： 该估计量利用了三个扰动函数：
   • $\gamma(X, M, a) = E[Y | A=a, M, X]$（结果回归）
   • $\alpha(a, M, X) = f_{M|A,X}(M | a, X)$（中介变量密度）
   • $\lambda(a, X) = 1/f_{A|X}(a | X)$（逆处理密度）
   • 注： 作者讨论了使用处理密度比的替代参数化方法，以避免显式估计中介变量密度，尽管主要的公式形式使用了密度比。
3. 交叉拟合（Cross-Fitting）： 为了放宽对扰动函数平滑性的要求并允许更慢的收敛速率，作者采用了交叉拟合策略（Chernozhukov et al., 2018）。样本被分为若干折（folds）；扰动函数在其中一组折上进行估计，并应用于其他折以计算估计方程。
4. 最终估计量： 提出的估计量 $\hat{\psi}_{MR}(a, a')$ 是基于平滑影响函数的估计方程的各折特定解的平均值。

2.3 正则性与收敛性

该方法对核函数有特定要求（假设 2），并对扰动估计器的收敛速率有要求（假设 4 和 5）。至关重要的是，该方法依赖于乘积速率条件（product-rate conditions）：两个扰动估计器的误差乘积必须以快于 $(nh^{d_A})^{-1/2}$ 的速率收敛，其中 $d_A$ 是处理变量的维度。这使得一个扰动估计器可以在另一个估计器足够快的情况下以较慢的速度收敛，从而保持“多重稳健”的特性。

3. 主要贡献

• 向连续处理变量的扩展： 本文将基于影响函数的中介分析框架从二元处理变量扩展到连续处理变量，解决了点评估函数的不规则性问题。
• 多重稳健性： 所提估计量保留了多重稳健特性：如果三个扰动模型（结果、中介密度、处理密度）中有任意两个被正确设定，该估计量仍保持一致性。
• 更慢的扰动速率： 通过利用交叉拟合和核平滑，该方法允许扰动参数以比目标参数更慢的速率进行估计，从而能够容纳灵活的机器学习估计器。
• 渐近正态性： 作者证明了该估计量是渐近正态的，其收敛速率为 $(nh^{d_A})^{-1/2}$，由于核平滑的局部性质，该速率比标准的 $\sqrt{n}$ 速率慢。
• 实际应用： 文中提供了一个构建置信区间、通过欠平滑（undersmoothing）或敏感性分析处理偏差，以及通过 Hájek 型估计量和截断（clipping）来稳定权重的框架。

4. 结果

4.1 模拟研究

• 一致性与稳健性： 在样本量为 $n=2000, 5000, 8000$ 的模拟中，结果表明当至少两个扰动模型被正确设定时，该估计量是一致的，且表现出极小的偏差。
• 对比： 在模型误设的情景下，特别是在结果模型误设时，所提估计量（$\hat{\psi}_{MR}$）优于广义倾向评分加权估计量（$\hat{\psi}_H$）和仅回归估计量（$\hat{\psi}_\eta$），表现出更低的偏差和均方根误差（RMSE）。
• 敏感性： 正如预期，由于核方法的特性，估计量的表现会在处理变量分布的低密度区域（尾部）下降。在使用欠平滑带宽时，覆盖概率保持在 95% 左右，尽管较大的带宽会导致偏差增加。

4.2 应用：Job Corps 研究

该方法被应用于研究 Job Corps 培训时长（连续处理变量）对 犯罪逮捕次数（结果）的影响，并通过 就业周数 进行中介。

• 发现： 分析表明，较长的培训时间可以减少犯罪逮捕。
  • 在参数化扰动模型（M1）下，有证据表明存在负向的自然间接效应（通过就业）和负向的自然直接效应。
  • 在基于灵活 RKHS 的扰动模型（M2）下，间接效应信号减弱（趋于零），而直接效应虽然仍为负，但置信区间变宽。
• 敏感性： 结果对带宽变化和权重截断阈值具有整体稳健性，尽管效应的大小会有所变化。分析强调了在连续处理变量设置下检查重叠度和有效样本量的重要性。

5. 意义与主张

本文声称为处理变量为连续变量（这在剂量、持续时间和强度研究中很常见）的因果中介分析提供了一个严谨的框架。

• 理论贡献： 它通过引入实现渐近正态性和多重稳健性的核平滑影响函数，解决了连续处理变量非参数模型中不规则泛函的理论挑战。
• 实用价值： 该方法允许研究人员在不依赖关于剂量-反应曲线的强参数假设的情况下估计中介曲面，同时能够处理复杂的扰动函数（通过机器学习）。
• 承认局限性： 作者谦虚地指出，该方法受处理变量“维度诅咒”的影响；它最适用于标量或低维连续处理变量。他们还强调，虽然交叉拟合处理了扰动估计误差，但它并不能解决处理变量低密度区域缺乏数据支持的基本问题，因此需要仔细的诊断和敏感性分析。

这项工作并不声称解决了所有连续中介的挑战（例如，高维中介变量或无需预设网格的全数据自适应曲线估计仍留待未来研究），但它为点估计建立了一个基础性的、多重稳健的方法。