📊 statistics

Comparing Two Proxy Methods for Causal Identification

本文通过剖析两种主要代理变量因果识别方法——桥接方程法与阵列分解法——的潜在模型约束与假设，阐明各自适用范围的异同。

原作者： Helen Guo, Elizabeth L. Ogburn, Ilya Shpitser

发布于 2026-05-12

📖 1 分钟阅读☕ 轻松阅读

原作者： Helen Guo, Elizabeth L. Ogburn, Ilya Shpitser

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

想象你是一名侦探，试图侦破一起犯罪案件，但有一位关键证人正躲在阴影中。这位证人，我们称其为“未观测的混杂因素”（或U），正是嫌疑人（即处理）和受害者（即结果）之所以表现出当前行为的原因。由于你无法直接看到或询问这位证人，因此你很难轻易证明谁对谁做了什么。这就是因果推断中未观测混杂的经典难题。

然而，你还有另外两名目击者在场：代理变量 1（嫌疑人的朋友）和代理变量 2（受害者的朋友）。他们都没有直接目睹犯罪，但他们都认识那位隐藏的证人。

本文由 Helen Guo、Elizabeth Ogburn 和 Ilya Shpitser 撰写，比较了两种不同的侦探策略，旨在利用这两个代理变量来推断隐藏证人本会说什么，并最终破案（即识别因果效应）。

两种侦探策略

本文对比了两种解决这一谜题的主要方法：桥方程法（The Bridge Equation Method）和阵列分解法（The Array Decomposition Method）。

1. 桥方程法（“直接翻译者”）

将其想象为试图直接翻译一条秘密信息。

这种方法由 Miao 等人（2018）提出，试图在你能观察到的内容（代理变量）与你所需的答案（因果效应）之间建立一座直接的“桥梁”。

工作原理：它假设存在一个数学“桥梁”（一个积分方程），将代理变量的行为与隐藏原因联系起来。如果你能解出这个方程，就可以跳过中间环节，直接计算出答案。
局限性：这种方法非常具体。它要求你的代理变量足够“完备”，能够涵盖隐藏证人的所有秘密。想象一下试图翻译一本书；你需要一本涵盖每一个单词的词典。如果你的词典（代理变量）甚至缺少几个单词，翻译就会失败。
你能得到什么：它直接给出最终答案（因果效应）。它不一定能告诉你隐藏证人长什么样或有什么具体习惯；它只告诉你犯罪的结果。

2. 阵列分解法（“拼图解谜者”）

将其想象为拆解一个复杂的 3D 拼图，以看清各块是如何拼合的。

这种方法植根于 Kuroki、Pearl 和 Kruskal 的工作，采取了一条不同的路径。它不试图直接跳到答案，而是试图重构隐藏证人以及代理变量的整个故事。

工作原理：它将数据视为一个巨大的多维拼图（一个“张量”或“阵列”）。通过观察代理变量与结果如何共同变动，它使用一种称为“特征分解”的数学技术（将其想象为在数据中寻找独特的模式或“频率”），将隐藏证人从噪声中分离出来。
局限性：它要求拼图块足够 distinct（可区分）以便分离。如果隐藏证人拥有比代理变量提供的线索数量多得多的不同“人格”（类别），拼图块可能会混淆，导致你无法将它们区分开来。
你能得到什么：它恢复了完整的故事。它精确地找出隐藏证人是谁、他的习惯是什么，以及他如何与每个人互动。一旦你拥有了完整的故事，就可以计算出因果效应。

大对决：它们如何比较？

作者将这两种方法并列，以观察在何种情况下一种方法有效而另一种无效。

不同游戏遵循不同规则：本文发现，这两种方法依赖于不同的“游戏规则”（条件独立性假设）。它们是非嵌套的，意味着其中一个并非另一个的简单特例。
- 有时，桥方法之所以有效，是因为数学允许直接翻译，即使拼图块并非完美 distinct。
- 有时，阵列方法之所以有效，是因为拼图块足够 distinct 可以被分离，即使不存在直接的翻译方程。
重叠区域：存在一个中间地带，两种方法都有效。这发生在代理变量非常强，且隐藏原因足够简单，使得“翻译”和“拼图”两种方法都能成功时。
权衡取舍：
- 桥方法就像一条捷径：它能让你更快地得到答案，但要求代理变量与隐藏原因之间存在非常具体且强烈的联系。
- 阵列方法就像一次彻底的调查：它需要更多时间，并要求更多 distinct 的线索来重构全貌，但它能让你更深入地理解隐藏原因本身。

“离散”与“连续”世界

本文还解释了这些方法根据数据类型不同而略有差异：

离散数据（类别）：想象隐藏证人拥有有限数量的“情绪”（快乐、悲伤、愤怒）。在这个世界里，数学就像数积木。阵列方法在这里非常清晰：你只需要足够多的不同积木来区分这些情绪。
连续数据（平滑尺度）：想象隐藏证人的情绪可以是 1 到 100 之间尺度上的任意数字。在这里，数学变得更像求解复杂的波动方程。本文表明，桥方法依赖于“完备性”（拥有足以覆盖整个波的信息），而阵列方法依赖于“可逆性”（能够反转波动以找到源头）。

核心结论

本文并没有告诉你哪种方法在每种情况下都“更好”。相反，它充当了侦探的指南手册。它阐明了：

它们是不同的工具：你不能随意互换它们；它们需要不同的条件才能生效。
它们各有优势：如果数学条件吻合，一种方法非常适合直接获取答案；如果数据足够丰富，另一种方法非常适合重构隐藏的现实。
混淆很常见：即使是该领域的专家有时也会将它们混淆。本文旨在通过确切展示每种方法的假设在哪里重叠、在哪里分歧，从而澄清迷雾。

简而言之，如果你试图在存在隐藏变量的情况下寻找因果效应，你需要检查你的“侦探装备包”。你是否有坚固的桥梁可以跨越，或者你是否有足够的拼图块来构建画面？答案决定了你应该使用哪种方法。

技术摘要：比较两种因果识别的代理变量方法

问题陈述
在存在未测量混杂因素的情况下识别因果效应，仍然是因果推断中的一个根本性挑战。虽然标准调整公式（如后门调整）要求观测到所有共同原因，但代理变量方法通过利用与潜在混杂因素相关的变量，已成为一种强有力的解决方案。在这一领域，已发展出两种截然不同的方法论框架，用于非参数识别：桥方程方法（Miao 等人，2018）和阵列分解方法（Kuroki 和 Pearl，2014；Allman 等人，2015）。尽管这两种方法都利用代理变量来解决隐藏混杂问题，但它们依赖于不同的条件独立结构和数学机制。目前缺乏对它们的基本假设、适用范围及相互关系的精确比较，甚至在该领域的领先贡献者之间也引发了积极讨论。

方法论与框架
本文通过将这两种框架置于共享条件独立性的共同基础上，利用离散矩阵表示和连续算子理论类比来阐明其技术要求，从而综合了这两种框架。

桥方程方法：
- 机制： 该方法通过求解积分方程（桥方程）直接恢复反事实分布。它利用未测量混杂因素（ $U$ ）的观测代理变量（ $Z$ 和 $W$ ）重新表述标准混杂调整公式，而无需识别潜变量与观测变量的完整联合分布。
- 关键假设：
  - 条件独立性： $W \perp\!\!\perp Z, A \mid U$ 且 $Z \perp\!\!\perp Y \mid U, A$ 。
  - 完备性（假设 6）： 一种广义线性独立性条件，要求若 $E[g(U) \mid Z, A] = 0$ 则 $g(U) = 0$ 。在离散情形下，这意味着条件分布矩阵 $P_{U|Z,A}$ 是右可逆的。
  - 桥方程的解（假设 7）： 要求存在一个函数 $h$ ，使得 $f_{Y|Z,A} = \int h(w,a,y) f_{W|Z,A} dw$ 。在离散情形下，这对应于存在一个矩阵 $H$ 满足 $P_{Y|Z,A} = H P_{W|Z,A}$ 。
- 结果： 识别干预分布 $f_{Y(a)}(y)$ ，但通常无法识别依赖于 $U$ 的泛函（例如 $f_{Y|U,A}$ 或 $f_U$ ）。
阵列分解方法：
- 机制： 该方法通过特征分解或张量分解恢复潜变量与观测变量的完整联合分布（直至潜类别标签），进而推导因果效应。其根基在于 Kruskal（1977）关于 CANDECOMP/PARAFAC（CP）分解的唯一性定理。
- 关键假设：
  - 条件独立性： $W \perp\!\!\perp A \mid U$ 且给定 $U, A$ 时， $W, Z, Y$ 相互独立。
  - 可逆性/秩条件： 要求矩阵 $P_{Z|U,A}$ 和 $P_{W|U}$ 可逆（或左可逆）。
  - Kruskal 秩条件： 对于离散模型，分解的唯一性依赖于不等式 $2R + 2 \leq k_A + k_B + k_C$ ，其中 $R$ 是秩（潜状态数量）， $k$ 表示因子矩阵的 Kruskal 秩。
  - 非共线性： 给定潜变量的结果条件分布在不同的潜状态下必须存在差异。
- 结果： 识别完整联合分布 $f_{A,Y,U,W,Z}$ （直至潜标签的排列），从而允许推导 $f_{Y(a)}(y)$ 。

主要结果与比较
本文在图 3 所示的共享条件独立结构下（其中 $Z$ 和 $W$ 是未测量混杂因素 $U$ 的代理变量），对这两种方法进行了严谨的比较。

离散模型：
- Kuroki 和 Pearl（2014）的假设（集合 1）强于 Miao 等人（2018）的假设。具体而言，阵列分解方法中 $P_{Z|U,A}$ 和 $P_{W|U}$ 的可逆性，意味着存在桥方程方法所需的左逆 $P_{W|Z,A}$ 。因此，Kuroki-Pearl 模型包含在 Miao 等人的模型之中。
- 然而，当将桥方程方法与广义 Kruskal 条件（集合 2）进行比较时，这两个模型是非嵌套的。桥方程的假设并不蕴含 Kruskal 秩不等式（ $2R + 2 \leq k_A + k_B + k_C$ ），反之亦然。这表明每个框架覆盖了模型空间中不同的区域。
连续模型：
- 本文将比较扩展至连续情形，参考 Hu 和 Schennach（2008）以及 Deaner（2023）关于阵列分解方法的研究。
- 作者推测，与离散情形的发现类似，这两个模型在连续情形下仍保持非嵌套。他们提供了一个示例（线性高斯模型），其中两种方法的假设均得到满足，展示了适用性的重叠。
估计：
- 本文简要指出，在特定的参数假设下（例如位置 - 尺度族），桥方程方法已建立了有效的影响函数和半参数效率结果。
- 相比之下，阵列分解方法通常依赖于筛法进行近似；虽然针对隐藏处理代理的半参数理论已经存在，但针对隐藏混杂因素的半参数理论仍是一个新兴领域。

意义与贡献
本研究的主要贡献在于澄清了两种基于代理变量的基础识别策略之间的关系。通过综合现有文献，作者：

阐明范围： 证明这两种方法不仅仅是同一逻辑的不同实现，而是依赖于不同且通常非嵌套的假设。
统一符号： 利用离散情形的矩阵表示和连续情形的算子理论，将两种框架置于共同基础之上，使技术细微差别更加透明。
指导应用： 为从业者提供更清晰的指导，使其了解何种方法适用于特定的数据结构。例如，如果需要完整联合分布（例如用于恢复潜标签或分析未观测暴露），则阵列分解方法是必要的。如果仅需因果效应且张量分解的秩条件不满足，则桥方程方法可能仍然可行。

本文结论认为，虽然这两种方法都是解决隐藏混杂问题的有力方案，但对其基本假设进行细致的阐述对于方法论发展和实际应用至关重要。确定的未来工作方向包括将邻近方法扩展至更复杂、通常不可识别的情形，并为源自这些方法的估计量建立通用的半参数理论。