📊 statistics

Disentangling spatial interference and spatial confounding biases in causal inference

本文利用有向无环图（DAG）框架阐明了空间干扰与空间混杂的定义，用以推导一般分布设置下的解析偏差表达式，展示了空间权重、处理分布以及干扰强度如何关键性地影响因果估计，并通过模拟实验与现实世界数据验证了这些理论发现。

原作者： Isqeel Ogunsola, Olatunji Johnson

发布于 2026-02-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Isqeel Ogunsola, Olatunji Johnson

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，你正试图弄清楚一种特定的肥料（处理/Treatment）对花园生长情况（结果/Outcome）有多大帮助。你有一张包含许多不同园艺地块的地图。

在一个完美的理想世界里，如果你在 A 地块施肥，只有 A 地块会长得更好。但在现实世界中，情况非常复杂。这篇论文探讨了两种会让你的结论产生偏差的特定“混乱”情况。

以下是使用简单类比对该论文研究结果的拆解：

1. 两个大问题：“邻居效应”与“隐形客人”

作者指出，你的园艺实验出错主要有两个原因：

空间干扰（邻居效应/Spatial Interference）： 想象你的园艺地块紧挨在一起。如果你浇灌 A 地块，水可能会渗入地下，从而无意中浇灌了 B 地块。因此，B 地块长得更好，不是因为它自己的肥料，而是因为 A 地块的“溢出”水分。在论文中，这被称为空间干扰。如果你忽略这一点，你可能会误以为是你的肥料起到了作用，而实际上它只是来自邻居的“溢出”。
空间混杂（隐形客人/Spatial Confounding）： 想象存在一个隐藏因素，比如一个隐藏的地下泉水，它同时影响了你决定在哪里施肥以及植物长得如何。也许你只在潮湿的地方施肥，因为那里的土壤较软，而那些潮湿区域自然生长得更好。如果你不考虑这个“隐形客人”（混杂因素），你会认为肥料做了所有的工作，而实际上水才是真正的英雄。

2. “隐形客人”有两副面孔（直接 vs 间接）

论文有一个关键发现： “隐形客人”并不只有一种形式。它有两种类型，而之前的研究往往将它们混为一谈。

直接混杂（Direct Confounding）： 隐形泉水就在 A 地块下方，既影响 A 地块的肥料选择，也影响 A 地块的生长。
间接混杂（Indirect Confounding）： 隐形泉水在 A 地块下方，但它流向地下，影响了 B 地块的生长以及 B 地块的肥料选择。

论文的观点： 这两者是不同的！就像邻居浇灌你的花园（干扰）不同于隐藏泉水影响你的土壤（混杂）一样，一个“直接”的隐形客人与一个“间接”的隐形客人也是不同的。如果你把它们视为同一种东西，你的数学模型就会失效。

3. 数据的“形状”至关重要

大多数科学家假设园艺数据呈现完美的钟形曲线（正态分布）。作者说：“等等，现实生活并不总是钟形曲线。”

他们测试了如果你的数据呈现 泊松分布（Poisson distribution）（想想计数类数据，比如雨滴的数量或医院的就诊次数）而不是平滑曲线时会发生什么。

研究发现： 你结果中的误差量取决于数据的“形状”。如果你在实际拥有“计数”数据的情况下却假设它是钟形曲线，那么你对误差的计算将会是错误的。

4. 你选择的“地图”会改变结果

为了衡量邻居如何相互影响，你需要一个“权重矩阵”（即决定谁是邻居的地图）。

论文的观点： 如何绘制这张地图至关重要。
- 如果你使用距离（例如，“方圆 5 英里内的所有人都是邻居”），随着距离变大，误差会减小。
- 如果你使用 K-最近邻（例如，“最近的 4 个地块是邻居”），随着你增加邻居的数量，误差实际上会变得更糟。
- 类比： 这就像是在定义谁是你的“朋友”。如果你把朋友定义为“方圆 1 英里内的人”，你会得到一个结果；如果你定义为“无论距离多远，离你最近的 4 个人”，你会得到一个完全不同的结果。论文表明，选择错误的定义会改变你的最终答案。

5. 现实世界测试：曼彻斯特天气

作者不仅在纸上做数学题，还用英国曼彻斯特的真实天气数据进行了测试。

设置： 他们观察了 空气温度（处理）和 地表温度（结果）。他们知道 降雨量 是一个“隐形客人”（混杂因素），因为降雨会冷却空气并打湿地面。
结果： 当他们忽略“邻居效应”（干扰），或者混淆了“直接”和“间接”隐形客人时，他们关于空气温度如何影响地表温度的估算值出现了巨大的差异，且往往是错误的。
胜出者： 唯一能给出可靠答案的模型是同时考虑了 所有三者 的模型：邻居效应、直接隐形客人以及间接隐形客人。

总结：你应该从中学习到什么？

不要假设邻居之间互不干扰。 在空间数据中，邻居发生的事情经常会影响到你。忽略这一点会导致错误的结论。
不要把所有的“隐藏因素”混为一谈。 一个影响你直接区域的隐藏因素，与一个影响你邻居区域的隐藏因素是不同的。你必须将它们区分开来才能得到正确答案。
检查你的数据形状。 如果你的数据是“计数”数据（如泊松分布）而非平滑的钟形曲线，那么寻找误差的标准数学方法将不再适用。
谨慎对待你的“邻居地图”。 你决定谁是邻居的方式会改变你的结果。

底线是： 如果你正在研究任何涉及地图的事物（天气、疾病、犯罪、农作物），并且忽略了位置之间如何相互影响，或者混淆了不同类型的隐藏影响，你的结果就会产生偏差。你可能会认为某种处理有效，而实际上并非如此，反之亦然。要获得真相，你必须同时理清所有这些线索。

技术摘要：解构因果推断中的空间干扰与空间混杂偏差

问题陈述
观测性空间数据分析面临着两个关键挑战，这些挑战损害了因果估计的精确度：空间干扰（spatial interference）与空间混杂（spatial confounding）。空间干扰是指一个位置的治疗或暴露会影响另一个位置的结果，这违反了稳定单位治疗值假设（SUTVA）。空间混杂是指具有空间结构的未观测变量同时影响治疗和结果。

现有文献在空间混杂的定义上存在显著歧义，经常将不同的现象（如遗漏变量偏差、随机效应共线性以及共线性/concurvity）混为一谈。此外，现有量化偏差的方法通常依赖于严格的假设，即假设治疗和混杂变量服从正态分布。在量化由间接空间混杂（即一个位置的未观测变量影响其他位置的结果）引起的偏差，以及空间干扰与空间混杂同时存在的情况方面，文献中存在明显的空白。此外，非正态分布（如泊松分布）对这些偏差的影响也很大程度上尚未得到探索。

方法论
作者采用严谨的解析与基于模拟的方法来解构这些偏差：

有向无环图 (DAG) 框架： 本文利用 DAG 为空间混杂提供了概念上的澄清。它区分了：
- 因果空间混杂： 未观测的空间变量 $U$ 因果性地影响治疗 $A$ 和结果 $Y$ （满足时间顺序）。
- 非因果空间关联： $U$ 与 $A$ 相关联但不存在因果联系。
- 直接与间接混杂： 直接混杂是指 $U_i$ 影响 $A_i$ 和 $Y_i$ 。间接混杂是指 $U_i$ 影响 $A_j$ 和/或 $Y_j$ （其中 $i \neq j$ ），这通常是通过空间干扰机制介导的。
解析偏差推导：
- 作者推导了各种模型（从 $M_1$ 到 $M_6$ ，涵盖了从简单线性模型到包含空间干扰 ( $\tilde{A}$ )、直接混杂 ( $U$ ) 和间接混杂 ( $\tilde{U}$ ) 的模型）下的解析表达式。
- 空间干扰偏差： 使用普通最小二乘法 (OLS) 处理非空间设置，使用广义最小二乘法 (GLS) 处理空间设置。研究表明，该偏差是治疗分布、干扰强度 ( $\beta_{\tilde{a}}$ ) 以及空间权重矩阵 ( $\Psi$ ) 的函数。
- 非正态分布： 本文通过推导泊松分布治疗和混杂变量的偏差表达式，放宽了正态性假设。利用独立泊松变量之和的性质，他们推导了给定治疗下的混杂变量条件分布，以量化由此产生的偏差。
- 间接混杂偏差： 推导了由间接空间混杂 ( $\beta_{\tilde{u}}$ ) 引起的偏差的解析表达式，证明其与直接混杂偏差是截然不同的。
模拟研究：
- 进行了广泛的模拟（1,000–10,000 次迭代）以评估均方根误差 (RMSE)、偏差和覆盖概率。
- 场景变化因素包括：
  - 存在/不存在干扰以及直接/间接混杂。
  - 治疗与混杂变量的分布（正态、泊松、二项分布）。
  - 权重矩阵构建方式：k-最近邻 (k-NN) 和 基于距离的（阈值化） 权重。
  - 治疗效应相对于干扰效应的大小。
实际应用：
- 该框架应用于曼彻斯特气候数据（2018年1月），分析空气温度（治疗）对地表温度（结果）的影响，并将降水量作为混杂变量。
- 通过拟合考虑了各种干扰、直接和间接混杂组合的模型，来对比估计结果。

核心贡献

概念澄清： 本文通过 DAG 提供了一种新颖的视角，用于区分因果空间混杂与其他空间关联，并明确区分了直接与间接空间混杂，而后者在现有文献中常被视为同一种现象。
量化间接偏差： 这是（据作者所知）第一项通过解析推导并量化专门由间接空间混杂和空间干扰引起的偏差的工作。
放宽分布假设： 研究推导了泊松分布治疗和混杂变量的偏差表达式，证明当违反正态性假设时，偏差的大小和符号会发生显著变化。
权重矩阵敏感性： 分析表明，空间权重的选择（k-NN 与基于距离的权重）决定了偏差的大小。例如，在 k-NN 方案中，偏差倾向于随邻居数量的增加而增加；而在基于距离的方案中，随着距离阈值的增大，偏差则会减小。
现象解构： 研究证明，忽略空间干扰、直接混杂或间接混杂会导致治疗效应估计出现偏差，并且这三种现象是相互独立的，必须分别进行建模。

结果

干扰偏差： 当存在空间干扰但未被考虑时，偏差和 RMSE 最高，且覆盖概率显著下降。偏差对权重矩阵的选择很敏感；在非空间设置中，k-NN 权重通常比基于距离的权重产生更高的偏差，尽管在空间设置中模式有所不同。
分布影响： 偏差大小在正态、泊松和二项分布之间存在显著差异。值得注意的是，在模拟中，正态分布的偏差最高，而二项分布的偏差最低，这反驳了“偏差对分布具有不变性”的假设。
直接与间接混杂： 模拟结果证实，直接和间接空间混杂产生不同的偏差特征。在某些场景下（例如使用 k-NN 权重时），仅考虑直接混杂而忽略间接混杂会导致比同时考虑两者更高的偏差。
实际数据应用： 在曼彻斯特气候研究中，估计值根据所包含的现象组合而显著变化。考虑了所有三种现象（干扰、直接和间接混杂）的模型表现出最佳拟合度（最低 AIC），且其估计值与忽略任何单一成分的模型相比存在实质性差异。

意义与主张
作者声称其工作通过以下方式解决了空间数据因果推断中的关键空白：

通过 DAG 为空间混杂的误解提供了清晰的界定。
证明了间接空间混杂是一个独特的偏差来源，不能假设其与直接混杂相同。
表明标准的正态性假设不足以进行准确的偏差量化，特别是对于计数数据（泊松分布）。
确立了空间权重的选择和变量的分布是决定偏差大小的关键因素。

论文得出结论：如果存在空间干扰、直接混杂或间接混杂但未被重视，所得的治疗效应估计将会产生偏差，从而导致不可靠的因果推断。作者提出了一个基于其推导出的空间干扰解析表达式的简单偏差校正算法，尽管他们也承认，建立一个能够同时调整这三种现象的完整参数化框架仍是未来研究的主题。