Which Covariates to Adjust for? Specification-robust Causal Inference in Observational Studies

论文技术总结

标题：Which Covariates to Adjust for? Specification-robust Causal Inference in Observational Studies
作者：Aditya Ghosh, Dominik Rothenh¨ausler (斯坦福大学)
核心领域：因果推断、观测研究、协变量调整、模型规范不确定性、重加权估计。

---

1. 研究背景与问题 (Problem)

在观测研究的因果推断中，为了估计平均处理效应（ATE），研究者通常需要根据领域知识选择一组协变量进行调整，以满足**可忽略性（Ignorability）**假设。然而，在实际应用中常面临以下挑战：

1. 规范不确定性（Specification Uncertainty）：领域知识往往允许多个看似合理的协变量调整集合（Adjustment Sets），但无法通过数据验证哪一个集合真正满足可忽略性假设（因为可忽略性是不可检验的）。
2. 估计冲突：不同的调整集合可能导致相互冲突的 ATE 估计值。
3. 现有方法的局限性：
   • 并集/交集调整：直接对所有候选集合取并集或交集进行调整，可能导致偏差（例如，并集可能包含导致 M-偏倚的变量，交集可能遗漏关键混杂因子）。
   • 凸包（Convex Hull）：报告所有候选集合置信区间的并集（凸包）虽然能保证覆盖率，但其区间宽度通常不随样本量增加而收敛（即无法达到 $O(n^{-1/2})$ 的收敛速度），导致推断精度极低。
   • 多宇宙分析（Multiverse Analysis）：报告所有可能结果的范围虽然透明，但无法提供一个单一的、可信的结论。

核心问题：如何在不知道哪一个调整集合是“正确”的情况下，提供一个单一的点估计和宽度随样本量收敛的置信区间，且保证在“至少有一个候选集合有效”的假设下具有统计有效性？

---

2. 方法论 (Methodology)

作者提出了一种**规范稳健（Specification-robust）**的推断程序，其核心思想借鉴了处理“重叠（Overlap）”违反时的策略（如修剪或重叠加权）：重新定义目标总体。

2.1 核心思想：重加权总体 (Reweighted Population)

该方法不试图在原始总体中强行统一估计，而是寻找一个与原始总体最接近（在 KL 散度意义下）的新目标总体，使得在该新总体下，所有候选调整集合都能识别出同一个因果量。

• 目标：寻找权重函数 $w^*(X_{\cap})$，仅依赖于所有候选集合的公共协变量 $X_{\cap}$，使得：
  $$\mathbb{E}_{w^*P}[\tau(X_{S_1})] = \mathbb{E}_{w^*P}[\tau(X_{S_2})] = \dots = \mathbb{E}_{w^*P}[\tau(X_{S_K})] = \tau^R$$
  其中 $\tau(X_{S_k})$ 是基于集合 $S_k$ 的条件平均处理效应（CATE），$\tau^R$ 是重加权后的 ATE。

• 优化问题：
  $$w^* = \arg\min_{w} D_{KL}(wP \parallel P) \quad \text{s.t.} \quad \mathbb{E}_P[w(X_{\cap})\tau(X_{S_1})] = \dots = \mathbb{E}_P[w(X_{\cap})\tau(X_{S_K})]$$
  该问题通过**指数倾斜（Exponential Tilting）**转化为有限维的凸优化问题。

2.2 算法步骤

1. 估计对比度：使用任意 CATE 估计器（如广义随机森林或带交互项的线性回归）估计每个候选集合下的条件处理效应 $\hat{\tau}(X_{S_k})$。
2. 计算差异：计算不同集合间的差异 $\Delta \tau_k = \hat{\tau}(X_{S_1}) - \hat{\tau}(X_{S_k})$，并估计其在公共协变量上的条件均值 $g(X_{\cap})$。
3. 求解转移权重：通过凸优化求解参数 $\lambda^*$，得到转移权重 $w^*(X_{\cap}) = \exp(g(X_{\cap})^\top \lambda^*) / \mathbb{E}[\dots]$。
4. 偏差校正估计：
   • 使用**增强逆概率加权（AIPW）**估计器结合转移权重来估计重加权后的 ATE $\tau^R$。
   • 引入一阶偏差校正项，以消除因估计转移权重 $w^*$ 和 $g(X_{\cap})$ 带来的额外不确定性。
   • 最终估计量是多个 AIPW 估计量的仿射组合。

2.3 扩展：保护协变量 (Protecting Covariates)

为了防止重加权导致目标总体与原始总体在关键特征上差异过大，该方法允许研究者指定某些协变量函数 $f(X_{\cap})$ 在重加权后保持均值不变（类似于匹配中的 Calipers）。这通过在优化约束中添加额外的矩约束来实现。

---

3. 主要贡献与理论结果 (Key Contributions & Results)

3.1 理论贡献

• 有效性保证：证明了只要至少有一个候选调整集合满足可忽略性假设，该方法得到的置信区间就是渐近有效的。
• 收敛速度：与 naive 的凸包方法不同，该方法构造的置信区间宽度以参数速度 $O(n^{-1/2})$ 收缩，实现了点识别（Point Identification）级别的精度。
• 因果解释：证明了重加权后的估计量 $\tau^R$ 具有明确的因果解释：它是重加权后总体的平均处理效应。
• 渐近正态性：在适当的正则性条件下（如非参数回归器的收敛速度、矩条件等），估计量服从渐近正态分布。

3.2 实证结果

• 模拟实验：
  • Example 1 (遗漏混杂)：当集合 $S_1$ 遗漏了关键混杂因子 $X_2$ 时，$S_1$ 的估计有偏，$S_2$ 无偏。凸包区间虽然覆盖但极宽，而该方法提供了窄得多的区间且保持覆盖率。
  • Example 2 (M-偏倚)：当集合 $S_2$ 包含导致 M-偏倚的碰撞变量时，$S_2$ 的估计有偏。该方法成功识别并修正了偏差，而简单的并集/交集调整失效。
• 真实数据应用 (401(k) 计划)：
  • 研究 401(k) 资格对净金融资产的影响。
  • 面对多个嵌套的协变量集合（从仅年龄/教育到包含家庭收入、婚姻状况等），该方法生成的置信区间比凸包区间窄约 77%，同时保持了名义覆盖率。
  • 诊断图显示，重加权后的总体分布与原始总体非常接近，表明目标偏移在科学上是可接受的。

---

4. 局限性与未来方向 (Limitations & Future Work)

• 前提假设：该方法依赖于“至少有一个候选集合有效”的假设。如果所有候选集合都无效（即存在未测量的混杂因子），该方法无法保证有效性。
• 公共协变量：要求所有候选集合必须有非空的公共协变量交集 $S_{\cap}$。如果没有公共协变量，该方法不适用。
• 不可行性：如果候选集合之间的差异过大，导致优化问题无解（即不存在一个重加权总体能使所有估计量一致），则表明假设之间存在根本性冲突。作者建议此时可以寻找内部兼容的集合子簇。
• 二值权重：目前使用的是连续权重，未来可探索二值权重（类似匹配）以提高可解释性，但这在计算和分析上更具挑战性。

---

5. 意义与影响 (Significance)

这篇论文为观测研究中的模型规范不确定性提供了一个强有力的解决方案。

1. 从“范围”到“点估计”：它改变了处理多模型不确定性的范式，不再仅仅报告估计值的范围（如多宇宙分析），而是通过重新定义目标总体，提供一个单一的、统计上稳健的因果估计。
2. 精度与覆盖率的平衡：解决了传统保守方法（如凸包）导致置信区间过宽、失去实用价值的问题，在保持覆盖率的同时显著提高了估计精度。
3. 透明性：通过诊断图（如协变量分布对比）和 KL 散度最小化原则，清晰地展示了目标总体的偏移，使研究者可以评估新目标是否具有科学意义。

总的来说，该方法为在因果推断中处理“不知道调整哪些变量”这一经典难题提供了一套严谨、高效且实用的统计工具。