📊 statistics

Bridging Binarization: Causal Inference with Dichotomized Continuous Exposures

本文通过证明将连续暴露变量二值化与特定的修正治疗策略具有等价性，阐明了相对自选择的潜在假设，并提出了一个相对于观测世界更具相关性的目标参数基准，从而验证了在因果推断中对连续暴露进行二值化处理的做法。

原作者： Kaitlyn J. Lee, Alan Hubbard, Alejandro Schuler

发布于 2026-02-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Kaitlyn J. Lee, Alan Hubbard, Alejandro Schuler

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图弄清楚特定量的阳光是否有助于植物生长。在现实世界中，阳光是一个连续的事物：你可以有 1 小时、1.5 小时、2.3 小时或 10 小时的阳光。它是一个平滑的尺度。

然而，许多研究人员在尝试进行数学计算时却遇到了困难。他们想要比较“处理组”与“对照组”，但你无法使用专门为简单的“是/否”问题设计的标准工具，来轻松比较“2.3 小时”与“5 小时”。因此，他们经常采取一种捷径：将数据二值化（binarize）。他们在沙滩上画了一道分界线。假设，“如果阳光超过 3 小时，你就属于‘高阳光’组；如果少于 3 小时，你就属于‘低阳光’组。”

这篇论文认为，这种捷径不仅仅是一个粗糙的权宜之计，它实际上是在回答一个特定的、定义明确的问题——前提是你必须完全理解你正在问的是什么问题。

以下是他们研究结果的拆解，使用了简单的类比：

1. “粗糙”的捷径 vs. “精确”的政策

长期以来，统计学家一直警告不要使用这种“画线”的方法。他们认为这种方法很混乱，因为“高阳光”可能意味着 3.1 小时，也可能意味着 9.9 小时，将它们视为同一类事物违反了游戏规则。

本文作者说：“等等。如果我们把‘画线’法描述为一种特定的政策，它就完全说得通了。”

他们建议将“高阳光”组不视为一个模糊的类别，而是一个修正后的处理政策（Modified Treatment Policy, MTP）。

该政策： 想象一条法律规定：“不允许任何人拥有少于 3 小时的阳光。如果你自然获得的阳光少于 3 小时，我们会神奇地将你的阳光提升到至少 3 小时。但有一个限制：我们不会仅仅把所有人的阳光都变成恰好 3 小时。我们会保留人们原有的相对偏好。”
类比： 想象一队人在排队买咖啡。有些人想要小杯，有些中杯，有些大杯。
- “错误”的方法： 你强迫每个人都只能喝 1 杯。你失去了他们所有偏好的细微差别。
- “正确”的方法（本文的方法）： 你说，“没有人能得到少于中杯的量。”但是，如果某人原本想要大杯，他仍然会得到大杯。如果某人想要中杯，他仍然得到中杯。你只是切断了“小杯”这个选项。想要大杯的人与想要中杯的人之间的比例与现实世界中保持一致。

论文证明，标准的“二值化平均处理效应”（Binarized Average Treatment Effect, BATE）在数学上等同于两种特定政策之间的差异：一种是切掉“低端”的政策，另一种是切掉“高端”的政策，同时保持各组内部的比例完整。

2. 新的问题：“如果我们改变法律会怎样？”

作者引入了一个更好、更值得问的问题。

旧问题 (BATE)： “在一个所有人都被强制进入‘高阳光’组的世界，与一个所有人都被强制进入‘低阳光’组的世界之间，差异是多少？”
- 问题所在： 这是在比较两个极端的、假设性的世界。这就像是在问：“一个所有人只吃苹果的世界，与一个所有人只吃橙子的世界相比，哪个更好？”它忽略了我们生活的现实。
新问题 (CAB - 二值化因果归因效应)： “在我们现有的世界，与我们执行‘高阳光’规则的世界之间，差异是多少？”
- 类比： 与其比较苹果和橙子，不如问：“如果我们改变法律，规定没有人可以吃少于中杯苹果的量，那么与目前人群的健康状况相比，由于这项法律带来的健康改善是多少？”

作者认为，这个新问题（CAB）对政策制定者来说更有用。它告诉你在实施新法后，相对于现状会有多少实际收益，而不是通过比较两个极端的假设情况。

3. “油井”案例

为了测试这一点，作者研究了加利福尼亚州涉及石油和天然气井的一个真实场景。

情况： 有一项提议的法律，旨在住宅周围 1 公里范围内建立一个“缓冲区”，那里不允许开采油井。
二值化： 他们将生活在 1 公里范围内的人视为“暴露组”，将生活在范围外的人视为“非暴露组”。
假设检查： 为了使他们的数学计算成立，他们必须假设，如果法律通过，那些可能住在 1 公里范围外的人仍会自然地分布。例如，如果富人通常住在更远的地方，而穷人住得较近，那么该法律不应仅仅因为有了缓冲区就神奇地让富人搬到近处。他们假设人们的相对构成保持不变，只是在 1 公里线处被切断了。
结果：
- 使用旧问题 (BATE)，如果比较“所有井都在外面”的世界与“所有井都在里面”的世界，他们估计低出生体重风险增加了 0.2%。这听起来很可怕且巨大。
- 使用新问题 (CAB)，他们将“所有井都在外面”的世界与当前的实际世界进行比较。结果显示增加量仅为微小的 0.008%。
- 教训： 旧方法让这项政策看起来具有巨大的负面影响（或正面影响，取决于方向），但新方法表明这种影响实际上是微不足道的。旧方法是在比较两个极端的假设，而新方法展示了现实世界的实际影响。

总结

这篇论文本质上是在说：

将连续数值（如阳光时长或距离）转化为“是/否”类别是可以接受的，只要你承认你是在模拟一种特定的政策，即在保持人群内部构成不变的情况下，切掉低端（或高端）。
不要仅仅比较两个极端。 如果你想知道一项新法律是否是好的，请将该法律与当前的现实进行比较，而不是与一个所有人被迫处于相反极端的假设世界进行比较。
数学是成立的。 你不需要知道每一个人的具体暴露细节；你只需要知道谁落在分界线的哪一侧，以及他们的背景特征。

作者提供了正确进行此类操作的数学工具（估计量），确保当研究人员在沙滩上画下一道分界线时，他们测量的是一个真实的、可解释的因果关系。

技术摘要：弥合二值化：基于二分连续暴露的因果推断

问题陈述
在因果推断中，平均处理效应（ATE）是针对二元暴露定义的标准参数。然而，许多科学领域试图量化连续暴露（例如收入不平等、酒精摄入量、农药水平）的因果效应。解决这一问题的常用做法是“二值化”（或称为二分化），即根据特定的切点将连续暴露变量 $A$ 转换为二元虚拟变量 $T$ （例如，若 $A \geq c$ ，则 $T=1$ ；否则 $T=0$ ）。研究人员随后使用 $T$ 来估计 ATE，称之为“二值化 ATE”（BATE）。

尽管这种做法十分普遍，但二值化面临着显著的方法论批评。批评者认为，这违反了稳定单位处理值假设（SUTVA），因为它暗示在同一个二元类别内存在多种版本的处理。此外，它经常被批评为假设类别内的风险具有同质性，并掩盖了干预的具体机制。因此，许多研究人员对使用这种方法持保留态度，但它在公共卫生和社会科学领域仍被广泛采用。

方法论
作者提出了一个框架，通过将 BATE 重新解释为**修正处理政策（Modified Treatment Policies, MTPs）**的视角来验证二值化的合理性。

与修正处理政策的等价性：
本文证明了 BATE 在数学上等价于两种特定 MTP 下平均结果的差异。这些政策并非仅仅分配一个固定值，而是改变了连续暴露 $A$ 相对于混杂因素 $W$ 的条件分布。
- 政策 1 ( $\tilde{A}_1$ )： 将暴露限制在 $T=1$ 的区域（例如， $A \geq c$ ）。
- 政策 0 ( $\tilde{A}_0$ )： 将暴露限制在 $T=0$ 的区域（例如， $A < c$ ）。
- 关键假设： 两种政策都假设相对自我选择性的保持。这意味着在允许的区域内，任何两个暴露值的概率密度比值相对于观测世界保持不变。形式化地，对于任何 $a, a' \in \text{允许区域}$ ， $\frac{p(\tilde{A}|W=a)}{p(\tilde{A}|W=a')} = \frac{p(A|W=a)}{p(A|W=a')}$ 。这类似于卢斯无关备选方案独立性（IIA）。
识别：
在标准的因果假设（正值性以及条件独立性/无未观测混杂）下，BATE 被识别为这两个 MTP 下期望结果之差： $\Psi_{BATE} = E[Y^{\tilde{A}_1}] - E[Y^{\tilde{A}_0}]$ 。这种表述提供了一个透明的因果机制，通过明确定义暴露分布如何变化，消除了对 SUTVA 的违反。
新参数：二值化因果归因效应 (CAB)：
作者引入了一个新参数——CAB ( $\Psi_{CAB}$ )，其定义为一种 MTP（例如，“处理组”政策）下的期望结果与**观测世界（现状）**下的期望结果之间的差异： $\Psi_{CAB} = E[Y^{\tilde{A}_t}] - E[Y]$ 。
- 作者认为，相比于比较两个假设的对立世界，CAB 通常更具相关性，因为它将特定的政策干预与当前的现实进行比较。
- 识别 CAB 比识别 BATE 需要更弱的假设（单向正值性 vs 双向正值性）。
估计：
论文详细介绍了四种用于 BATE 和 CAB 的估计器：回归调整（Regression Adjustment）、逆概率加权（IPW）、增广逆概率加权（AIPW）和目标最大似然估计（TMLE）。
- 一个关键的技术发现是，估计这些参数不需要估计连续暴露 $A$ 的全概率密度。由于与二值化 ATE 等价，研究人员只需要估计二元变量 $T$ 的倾向得分（即 $P(T=1|W)$ ）和结果回归 $E[Y|T, W]$ 。这显著简化了实现过程，因为与其他需要密度估计的 MTP 相比，该方法降低了复杂度。

结果

模拟研究： 作者进行了一项包含 5,000 次重复实验的模拟研究，样本量分别为 150、300 和 500。结果显示，用于 BATE 和 CAB 的回归、IPW 和 AIPW 估计器均具有一致性，且偏差极小。标准误在不同方法间具有可比性，且估计器在较小样本量下表现良好。至关重要的是，模拟证实了仅通过使用二元变量 $T$ 和协变量 $W$ 即可实现一致估计，而无需需要连续暴露 $A$ 的完整分布。
应用（加州油气井）： 该方法被用于评估一项拟议的加州法律，该法律旨在围绕油气井建立 1 公里的健康保护区。暴露量是距离最近油井的距离，以 1 公里为二值化切点。
- 估计的 BATE 表明，如果将所有油井移至 1 公里之外，与所有油井都在 1 公里之内的世界相比，低出生体重概率增加了 0.205%。
- 估计的 CAB 表明，如果实施该政策，与当前现状相比，低出生体重概率仅增加 0.0080%。
- 作者指出，BATE 可能会高估政策效应，因为它是在比较两个极端的假设世界，而 CAB 则是将政策与观测到的现实进行比较。他们还讨论了“相对自我选择性的保持”假设可能无法完美成立的情况，例如移除油井可能会改变下一个最近油井的空间配置，但该方法为评估此类政策提供了一个结构化的方式。

意义与主张
本文声称为广泛使用的二值化连续暴露实践提供了严谨的理论辩护。通过建立 BATE 与保持相对自我选择性的 MTP 之间的等价关系，作者认为二值化是一种统计有效的统计方法，前提是其底层假设在特定的政策背景下是合理的。

核心贡献包括：

理论验证： 通过定义精确的因果机制（MTPs），解决了关于二值化的争论。
新参数 (CAB)： 提出了比 BATE 更具政策相关性的参数 CAB，它将干预与现状进行比较，且识别要求更弱。
实际估计： 证明了这些复杂的 MTP 可以使用标准的 ATE 技术（回归、IPW、AIPW、TMLE）进行估计，而无需进行连续暴露的非参数密度估计，使该方法易于被从业者使用。
背景指导： 强调二值化的有效性取决于关于个体在政策下将如何行为（例如，他们是否会为了维持相对偏好而搬迁或调整行为）的领域特定知识。本文并不声称二值化在所有情况下都是正确的，而是指出当“保持相对自我选择性”的假设与现实世界的政策机制相符时，它是一个有效的工具。

1. “粗糙”的捷径 vs. “精确”的政策

2. 新的问题：“如果我们改变法律会怎样？”

3. “油井”案例

总结

技术摘要：弥合二值化：基于二分连续暴露的因果推断

类似论文