📊 statistics

Treatment effect: a critique

本文批判了基于模型的与反事实定义的处理效应之间的区别，认为虽然反事实框架提供了理想化的清晰度，但无模型的定义可能不适合将科学结论推广到观测样本之外，这呼应了科克斯（Cox）所提出的担忧。

原作者： Heather Battey, Charlotte Edgar

发布于 2026-01-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Heather Battey, Charlotte Edgar

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

想象一下你是一位厨师，正试图弄清楚加入一种秘密香料（即“处理”）是否会让汤的味道变得更好。你想确切地知道它到底变好“了多少”。这篇论文是关于两组统计学家之间的一场辩论，他们正在争论衡量这种“好转程度”的最佳方法。

以下是这篇论文论点的拆解，使用了简单的类比。

两种竞争的食谱

作者 Battey 和 Edgar 正在比较定义“处理效应”（即香料的影响）的两种不同方式。

1. “基于模型”的食谱（费舍尔主义方法/Fisherian Approach）

核心思想： 这种方法假设存在一个隐藏的、稳定的规则来支配汤的变化。这就像是一个物理定律。如果你加入香料，汤的味道会发生一个特定的、一致的变化（比如恰好增加了 2 克盐）。
目标： 寻找那个稳定的“规则”或参数。即使你用不同的基础食材（不同的人）来做汤，香料引起的“变化”仍然根据该规则保持不变。
类比： 想象一条传送带，每个箱子上都会贴上一个贴纸。这个“处理效应”就是贴纸的大小。无论箱子里装的是什么，贴纸的大小都是一样的。

2. “无模型”的食谱（反事实方法/Counterfactual Approach）

核心思想： 这种方法不假设存在一个隐藏的规则。相反，它会对每一个人提出一个“如果……会怎样？”的问题：“如果 A 先生没有吃到香料，他原本会是什么味道？与他实际吃到的味道相比如何？”
目标： 计算每个人在“现实世界”与“想象世界”之间的平均差异。
类比： 想象你有 100 个自己的克隆体。你给其中一个克隆体加了香料，而不给另一个加。然后你针对另一组克隆体重复这个过程。你计算所有这些差异的平均值。这就是“无模型”方法。

大问题：“变色龙”效应

作者认为，“无模型”方法有一个重大缺陷：它会根据你询问的对象而改变。

为了证明这一点，他们使用了一个“虚构的理想化”思想实验。他们假定我们拥有一台神奇的机器，可以同时看到每个人“加了香料”和“没加香料”的版本。即便拥有这种完美的信息，无模型的平均值表现得依然很奇怪。

不稳定的尺子类比：
想象你正在测量一群人的身高，以观察某种生长激素（处理）对他们的生长有多大帮助。

基于模型的观点认为： “这种激素让每个人都长高了整整 2 英寸。”这是一个稳定的事实。
无模型观点则计算 平均生长量。
- 如果你的群体是由身材非常矮小的人组成的，那么激素可能会让他们长高 2 英寸，这是一个巨大的百分比增长。
- 如果你的群体是由身材非常高大的人组成的，那么同样的 2 英寸可能只是一个微小的百分比增长。
- 结果： 无模型方法计算出的“平均效应”会因为你测量了不同的群体而发生彻底的变化。

作者指出，在许多现实场景中（例如像“生病”与“健康”这样的二元结果），无模型的平均值完全取决于你样本中人群的具体构成。如果你改变了样本，你的“答案”也会随之改变。

这为什么重要

作者认为，如果你想要做出能够适用于“整个世界”（而不仅仅是你的研究中的特定人群）的科学结论，你需要一个稳定的定义。

批判： 无模型方法就像是通过观察汽车在不同道路上的行驶速度来测量其“平均速度”。如果路很陡，车速就慢；如果路很平，车速就快。但“速度”并不是汽车的属性；它是特定道路的属性。
后果： 如果你使用无模型方法，你关于处理效应的结论对于你特定的这组患者可能是正确的，但对于你遇到的下一组患者，它可能完全是错误的。它的泛化能力很差。

回应反论点

论文还应对了对无模型方法的三种常见辩护：

“但人与人是不一样的！”
- 辩护： 无模型方法更好，因为它允许不同的人产生不同的效应。
- 反驳： 基于模型的方法也可以处理这一点！它只需将这些差异视为“交互作用”（比如说明香料在辣汤和淡汤上的效果不同），同时保持核心规则的稳定。
“我们不想假设一个模型！”
- 辩护： 我们不应该去猜测规则；我们应该直接测量差异。
- 反驳： 如果你不假设一个规则，你就失去了对未来做出任何稳定预测的能力。你最终得到的只是一个仅适用于你今天测量的特定人群的数字。
“它具有‘双重稳健性’（Double Robustness）！”
- 辩护： 其数学逻辑很巧妙；即使计算的某一部分出错了，它依然有效。
- 反驳： 只有当你测量的东西（即平均差异）本身是一个有意义、稳定的目标时，这种稳健性才有用。如果目标本身是摇摆不定的（就像一把不稳定的尺子），那么即便具备“稳健性”，你也无法击中靶心。

核心结论

作者总结道，虽然“无模型”（反事实）方法很流行且在数学上很巧妙，但它往往无法提供一个能够推广到新人群的稳定的处理效应定义。

他们主张回归到与 R.A. Fisher 相关的“基于模型”的方法，即寻找一个能解释处理是如何起作用的稳定规则或参数，而不是仅仅对特定且可能不具代表性的群体中的差异进行求和平均。

简而言之： 不要仅仅计算你在特定群体中看到的差异。要找到解释变化的底层规则，这样你的结论才能对下一组你遇到的群体同样适用。

技术摘要：处理效应：一项批判

问题陈述
本文探讨了统计学中关于“处理效应”（treatment effect）定义的根本分歧。一派根植于费雪主义（Fisherian）传统，将处理效应定义为统计模型中的一个稳定参数（例如回归系数）。另一派则与鲁宾因果模型及反事实框架相关联（Rubin, 1974; Rosenbaum and Rubin, 1983），将处理效应定义为无模型的总体层面的潜在结果（或反事实）之差。虽然文献中对反事实效应的可识别性和估计进行了广泛讨论，但本文质疑：当研究目标是实现超越观测样本的科学泛化时，无模型定义（特别是潜在结果的平均差值）是否构成了一个合适的推断目标。作者认为，即使在反事实可观测的理想条件下，无模型定义也可能缺乏稳定性和科学连贯性。

方法论
作者采用了一种基于“虚构理想化”的比较理论分析。为了将“测量什么”的问题与“如何估计”的问题（即关于不可观测变量的不可检验假设）区分开来，作者假设了一种场景：在该场景中，反事实过程是完全已知的，且每个个体的两个潜在结果（ $Y_i(0)$ 和 $Y_i(1)$ ）都是可观测的。在这种理想化的设定下，问题简化为一个每个个体都与完美副本配对的匹配对设计（matched-pair design）。

随后，作者将“无模型”处理效应（定义为个体差异的样本平均值）与“基于模型”的处理效应进行对比，后者定义为一个控制结果概率分布变换的稳定参数 $\theta$ （或 $\Delta$ ）（遵循 McCullagh, 2002, 2022）：
$\tau_n := \frac{1}{n} \sum_{i=1}^n E_i(Y_i(1) - Y_i(0))$

作者分析了五个特定的示例，以测试这两种定义之间的兼容性：

线性模型： 对均值的加性效应。
指数模型： 对速率的乘性效应。
Weibull 模型： 对速率的乘性效应，带有形状参数 $\alpha$ 。
指数模型（加性速率）： 对速率的加性效应。
Logistic 模型： 对对数几率（log-odds）的加性效应（二元结果）。

主要贡献与结果
该分析得出了以下技术性发现：

在变换族中的兼容性： 在处理效应作为基准分布参数的群变换（group transformation）的情况下（例如线性模型中的加性偏移，或指数速率中的乘性偏移），无模型平均值 $\tau_n$ 可以恢复出基于模型的参数（或其简单的变换）。
在非变换族中的不稳定性： 在处理效应在模型中定义为稳定（例如对指数速率的加性偏移 $\Delta$ $Δ$ ，或对 Logistic 对数几下的加性偏移 $\Delta$ $Δ$ ）的情况下，无模型平均值 $\tau_n$ $τ_{n}$ 无法恢复出稳定的参数。相反， $\tau_n$ $τ_{n}$ 变成了关于所抽样个体特定基准参数 ( $\gamma_i$ $γ_{i}$ ) 的复杂函数。
- 示例： 在加性指数速率模型中， $\tau_n = \frac{1}{n} \sum \log((\gamma_i + \Delta)/\gamma_i)$ 。该值取决于样本中 $\gamma_i$ 的具体分布。如果 $\gamma_i$ 很小， $\tau_n$ 会很大；如果 $\gamma_i$ 很大， $\tau_n$ 则很小。
- 示例： 在 Logistic 模型中， $\tau_n$ 取决于抽样单位的特定线性预测值 $\gamma_i$ 。
等价性的必要条件： 作者推导出了三个准则，在这些准则下，无模型定义和基于模型的定义对于任何样本都能得出一致的答案：
1. 处理效应通过基准参数空间作用于基准分布。
2. 群作用（group action）在观测值上是一致的。
3. 除了基准参数之外，不需要其他干扰参数（nuisance parameters）来表征相关的期望。
  违反这些条件（如最后两个示例所示）会导致无模型目标依赖于所选的具体样本，从而违反了稳定参数的原则。

意义与主张
本文声称，当科学结论旨在进行泛化时，无模型处理效应 $\tau_n$ 的不稳定性是一个关键缺陷。作者呼应了 Cox (1958b, 2012) 提出的担忧，即无模型平均值作为推断目标的适用性问题。

泛化性： 由于 $\tau_n$ 取决于基准特征的具体分布，即使底层的因果机制（模型参数）是相同的，从一项研究中得出的结论也可能无法泛化到具有不同 $\gamma_i$ 分布的不同群体。
科学实践： 作者认为，如果处理效应在不同单位之间存在系统性差异，这种差异应该通过稳定模型中的交互项（interaction terms）来解释（如 McCullagh 的形式化方法中所述），而不是被吸收进一个不稳定的、依赖于样本的平均值中。
对常见辩护的反驳： 本文回应了针对无模型定义的三个常见论点：
- 异质性： 基于模型的框架可以通过包含交互成分来容纳个体特异性效应，同时保持参数的稳定性。
- 模型误设： 虽然无模型方法避免了误设问题，但它们牺牲了稳定性和可解释性。如果模型误设，模型本身也会失去稳定性，这强调了进行模型充分性检查的必要性。
- 双重稳健性： 双重稳健性的性质仅在接受 $\tau_n$ 是一个有效的科学量的前提下才具有意义，而作者对这一前提提出了质疑。

结论
本文得出结论：无模型处理效应的定义并非一种普遍适用的推断目标。在许多标准的科学设定中（如 Logistic 或加性指数模型），无模型平均值是一个不稳定的量，它随样本组成的变化而变化，而基于模型的参数则保持为一个稳定的、具有科学意义的量。作者指出，因果推断文献中处理条件有效性或子群体平均值的各种方法的激增，正是这种无模型定义内在不稳定性的一种体现。

两种竞争的食谱

大问题：“变色龙”效应

这为什么重要

回应反论点

核心结论

类似论文