Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables

这是一份关于论文《Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables》（连续后处理变量下的主层贝叶斯非参数方法）的详细技术总结。

1. 研究背景与问题 (Problem)

核心问题：
主层分析（Principal Stratification, PS）是因果推断中处理“后处理变量”（Post-treatment variables，即中间变量）的重要框架。然而，现有的文献主要集中在二值后处理变量的情况。当后处理变量是连续的（如污染物浓度、收入水平等）时，面临以下挑战：

• 无限分层： 连续变量导致潜在的主层（Principal Strata）集合是无限的，且没有自然的离散化方式。
• 识别困难： 传统的分层策略（如人为设定阈值将连续变量二值化）往往具有任意性，可能影响结论；而完全参数化模型又依赖于强假设，缺乏灵活性。
• 解离层（Dissociative Stratum）的定义： 在连续变量下，定义“处理不改变后处理变量”的解离层（即 $P_i(1) = P_i(0)$）在概率上通常为零，这使得识别该群体变得极其困难。

目标：
开发一种能够处理连续后处理变量的因果推断方法，能够自适应地识别有意义的主层（特别是解离层和关联层），并量化层成员身份的不确定性，从而估计主因果效应（Principal Causal Effects, PCE）。

2. 方法论 (Methodology)

作者提出了一种名为 CASBAH (Confounders-Aware SHared-atoms BAyesian mixture) 的新模型。

2.1 核心框架

• 贝叶斯非参数混合模型： 基于**依赖狄利克雷过程（Dependent Dirichlet Process, DDP）**先验。
• 共享原子（Shared Atoms）： 模型假设在控制组（$T=0$）和处理组（$T=1$）下，潜在后处理变量的分布共享相同的混合原子（即相同的核参数 $\psi_l$）。
  • 这意味着，虽然不同组的混合权重可能不同，但它们都从同一组潜在的“簇”中采样。
  • 这种结构允许模型通过比较同一个体在两种处理状态下的潜在分配（$S_i^{(0)}$ 和 $S_i^{(1)}$）来定义主层。

2.2 模型细节

• 后处理变量建模：
  • 假设潜在后处理变量 $P_i(t)$ 服从高斯混合分布，其混合权重依赖于协变量 $X_i$（混杂因素）。
  • 权重通过 Probit Stick-Breaking Process 构建，使得混合权重是协变量的函数：$\omega_l^{(t)}(x_i) = \Phi(\alpha_l^{(t)}(x_i))$。
  • 核函数假设为高斯分布 $N(\eta_l, \sigma_l^2)$。
• 主层定义：
  • 解离层 (Dissociative, $S_0$)： 个体在控制和处理下的潜在后处理变量属于同一个混合簇（即 $S_i^{(0)} = S_i^{(1)}$）。
  • 关联层 (Associative, $S_+, S_-$)： 个体在控制和处理下属于不同的混合簇，且根据 $P_i(1) - P_i(0)$ 的符号分为正关联和负关联。
• 因果估计量：
  • 定义主因果效应 $\tau_s = E[Y_i(1) - Y_i(0) | S_i \in S_s]$，其中 $S_s$ 为特定的主层。
  • 利用吉布斯采样（Gibbs Sampling）进行后验推断，同时插补缺失的潜在结果（$P_i(0), P_i(1)$ 和 $Y_i(0), Y_i(1)$）。

2.3 理论贡献

• 定理 1： 证明了在 CASBAH 框架下，个体属于解离层（$S_i^{(0)} = S_i^{(1)}$）的先验概率是非零的，且该概率是协变量 $X$ 的函数。这解决了连续变量下解离层概率为零的理论难题。
• 不确定性量化： 模型不仅给出点估计，还通过后验分布提供了层成员身份和因果效应的完整不确定性量化。

3. 主要贡献 (Key Contributions)

1. 无需预设阈值： 摒弃了将连续变量人为二值化的传统做法，通过数据自适应的方式（Data-adaptive）识别主层。
2. 混杂因素感知： 将观测到的混杂因素直接纳入混合权重的建模中，实现了在完全非参数设定下对混杂因素的灵活调整。
3. 共享原子结构： 通过共享原子，模型能够内生地识别关联和解离层，无需外部强加的聚类规则。
4. 理论保证： 证明了在连续后处理变量下，解离层的存在具有非零先验概率，为因果推断提供了概率上的一致性。
5. 全面的不确定性量化： 能够量化主层成员身份的不确定性，进而得到更稳健的主因果效应估计。

4. 实验结果 (Results)

4.1 模拟研究 (Simulation Study)

作者设计了 5 种不同的数据生成机制（包含不同数量的混杂因素、不同的层结构），将 CASBAH 与 Schwartz et al. (2011) 和 Lu et al. (2023) 的方法进行了对比。

• 偏差表现： CASBAH 在估计潜在后处理变量差异 $E[P(1)-P(0)]$ 和主因果效应 $E[Y(1)-Y(0)]$ 时，偏差中位数接近 0，且四分位距（IQR）较小。相比之下，Schwartz 模型在多个场景下表现出显著偏差，Lu 模型无法估计后处理变量的分布。
• 分层识别： 使用调整兰德指数（Adjusted Rand Index）评估，CASBAH 在所有场景下均能准确识别主层（ARI 接近 1，如 0.98 以上）。
• 因果效应估计： CASBAH 能够准确估计不同层（解离、正关联、负关联）的因果效应，而其他方法无法识别这些层或估计偏差较大。

4.2 实证分析：美国空气质量法规 (NAAQS) 的影响

• 背景： 研究 2005 年美国国家环境空气质量标准（NAAQS）修订对 PM2.5 浓度及死亡率的影响。
• 数据： 美国东部 384 个县的数据（包括人口统计、社会经济、气象变量）。
• 处理变量： 是否被指定为“未达标区”（Non-attainment, $T=1$）。
• 后处理变量： PM2.5 浓度的变化（2010-2012 vs 基线）。
• 结果：
  • 分层结果： 模型识别出三个层：
    • 解离层 (32%)： 法规未显著改变 PM2.5 浓度。
    • 负关联层 (56%)： 法规显著降低了 PM2.5 浓度。
    • 正关联层 (12%)： 法规反而导致 PM2.5 浓度上升。
  • 因果效应：
    • 在负关联层（PM2.5 有效降低的地区），死亡率显著下降（中位数下降 8.12‰）。
    • 在解离层和正关联层，未观察到死亡率有显著变化。
  • 特征分析： 负关联层多为城市、高收入、高教育水平地区；而解离层和正关联层多为农村、低收入、黑人社区比例较高地区。这表明环境政策的实施效果存在显著的空间异质性。

5. 意义与结论 (Significance)

• 方法论突破： CASBAH 解决了连续后处理变量下主层分析的核心难题，提供了一种无需主观阈值、理论严谨且计算可行的贝叶斯非参数框架。
• 因果推断的深化： 通过区分“处理是否改变了中间变量”以及“改变的方向”，该方法能够更细致地揭示因果机制，特别是识别出那些处理无效（解离）或产生反向效果（正关联）的亚群体。
• 政策启示： 在实证应用中，研究揭示了环境法规的效果高度依赖于当地的社会经济特征和初始污染水平。对于未达标区但未能有效降低污染的地区（解离层），单纯的政策指定并未转化为健康收益，这为制定更有针对性的干预措施提供了科学依据。
• 未来方向： 论文指出未来可进一步探索更复杂的非线性结果模型，以及将方法扩展到连续处理变量或时间事件数据。

总结： 该论文通过引入共享原子的贝叶斯非参数混合模型，成功将主层分析框架扩展至连续后处理变量场景，不仅提升了因果效应估计的准确性，还深刻揭示了处理效应的异质性，具有重要的理论价值和实际应用意义。