Identifiability of Treatment Effects with Unobserved Spatially Varying Confounders

1. 研究背景与问题 (Problem)

在环境科学和流行病学等领域，空间数据的因果推断日益重要。然而，现有的空间因果推断方法在处理**未观测的空间变异混杂因素（Unobserved Spatially Varying Confounders）**时面临挑战。

• 核心问题：当存在未观测的混杂变量 $U$ 且该变量与暴露变量 $Z$ 相关时，传统的回归估计会产生偏差。在空间数据中，$U$ 和 $Z$ 通常具有空间自相关性。
• 现有局限：
  • 如果将 $U$ 视为空间位置的固定函数（如使用样条函数），则一旦控制位置，暴露即视为无混杂，但这忽略了 $U$ 作为随机过程的特性。
  • 如果将 $U$ 视为给定空间位置的随机过程（如高斯过程），处理效应 $\beta$ 通常不可识别（Non-identifiable），除非对 $U$ 和 $Z$ 之间的协方差结构做出特定假设。
  • 现有研究（如 Schnell & Papadogeorgou, 2023）主要关注无限样本量或特定的环状（ring）邻域结构，缺乏针对有限样本和更一般空间结构的通用可识别性框架。

本文目标：建立一个通用的可识别性框架，明确在何种参数假设和空间结构下，可以从观测数据中唯一确定处理效应 $\beta$，并指出哪些模型会导致不可识别。

---

2. 方法论 (Methodology)

作者建立了一个线性结构模型，并基于观测数据分布（$Y$ 和 $Z$ 的联合分布）的可识别性进行分析。

2.1 模型设定

考虑 $n$ 个空间位置 $s_{1:n}$ 的观测数据：
$$Y = Z\beta + U + \epsilon$$
其中：

• $Y$ 为结果变量，$Z$ 为暴露变量，$U$ 为未观测混杂因素，$\epsilon$ 为高斯白噪声。
• $(U, Z)^T$ 服从联合高斯分布，其协方差矩阵 $\Sigma$ 由空间结构决定。
• 关键假设：研究重点在于协方差矩阵 $\Sigma$ 的结构假设。如果 $\Sigma$ 中的参数可以从观测数据分布中唯一确定，则 $\beta$ 是可识别的。

2.2 分析策略

作者将复杂的模型简化为仅包含 $Y, Z, U$ 的简化模型（去除了观测协变量 $X$ 的影响），并针对不同的空间协方差结构进行分类讨论：

1. 条件自回归模型 (CAR)：适用于面数据（areal/aggregated data）。
2. 地理统计模型 (Geostatistical Models)：适用于连续空间域数据。

---

3. 主要贡献与结果 (Key Contributions & Results)

3.1 条件自回归模型 (Conditional Autoregressive Models)

A. Schnell & Papadogeorgou 模型 (Schnell & Papadogeorgou's CAR)

• 设定：假设 $U|Z$ 和 $Z|U$ 服从 CAR 结构，由邻接矩阵 $W$ 和精度矩阵参数定义。
• 主要定理 (Theorem 1)：
  • 条件：若未观测混杂因素的空间依赖参数 $\phi_U \neq 0$，且邻域结构满足以下之一：
    1. 某个连通分量的邻接矩阵 $W$ 至少有三个不同的特征值；
    2. 或者该分量的度矩阵 $D$ 包含不同的对角元素。
  • 结论：所有模型参数（包括 $\beta$）是可识别的。
• 推论 (Corollary 1)：若 $W$ 为二元邻接矩阵，只要存在一个连通分量不是完全图（即存在间接邻居），且 $\phi_U \neq 0$，则 $\beta$ 可识别。
  • 意义：将现有结果从“环状图”推广到更一般的有限样本空间结构。
• 不可识别情形：如果 $\phi_U = 0$（即 $U$ 在给定 $Z$ 后无空间相关性），或者邻域结构是完全图（fully connected），则 $\beta$ 不可识别。

B. Leroux 条件自回归模型 (Leroux CAR)

• 设定：使用谱域（spectral domain）表示协方差，引入参数 $\lambda$ 控制空间依赖程度。
• 非简约模型 (Non-parsimonious, Eq. 7)：
  • 若 $\rho \neq 0$（$U$ 与 $Z$ 相关）且 $\lambda_{UZ} \neq \lambda_Z$（$U$ 与 $Z$ 的协方差结构与 $Z$ 自身不同），且 $D-W$ 至少有三个不同特征值，则 $\beta$ 可识别。
• 简约模型 (Parsimonious, Eq. 8)：
  • 若 $\lambda_U \neq \lambda_Z$ 且 $\rho \neq 0$，或者 $\lambda_U \neq \lambda_Z$ 且 $\lambda_U \neq 0$，则 $\beta$ 可识别。
• 核心洞察：识别的关键在于 $Z$ 和 $E(U|Z)$ 在 $E(Y|Z)$ 中的贡献必须是线性独立的，这要求 $U$ 和 $Z$ 具有不同的空间依赖结构。

3.2 地理统计模型 (Geostatistical Models)

A. 核心区域线性模型 (Linear Model of Coregionalization, LMC)

• 设定：$U$ 和 $Z$ 表示为多个独立潜空间过程的线性组合。
• 结果 (Theorem 4)：不可识别。
  • 即使已知协方差函数的参数，观测数据分布只能确定 $\beta a_t + b_t$ 的组合，无法分离出 $\beta$。
  • 警示：在使用 LMC 模型处理暴露与混杂的依赖关系时需极度谨慎，贝叶斯推断结果将对先验选择高度敏感。

B. 双变量空间协方差模型 (Bivariate Spatial Covariance Models)

• 设定：直接对 $U, Z$ 的自协方差和互协方差建模，使用参数化的协方差函数族 $C(\psi, \cdot)$。
• 关键条件 (Definition 1)：协方差函数族需关于距离集合是 $K$-线性无关 (K-linearly independent) 的。
• 结果 (Theorem 5)：
  • 若 $\rho \neq 0$，$\psi_{UZ} \neq \psi_Z$（互协方差结构与自协方差不同），且协方差函数族满足线性无关性（如指数、高斯核），则 $\beta$ 可识别。
  • 对于指数、高斯等常用核函数，只要距离矩阵 $W$ 包含至少 3 个不同的正值，即可满足条件。

C. 简约 Matérn 协方差模型 (Parsimonious Matérn Models)

• 设定：$U$ 和 $Z$ 共享相同的范围参数 $\phi$，交叉协方差的平滑参数为边际参数的平均值。
• 结果 (Theorem 6)：
  • 在渐近情形下（$n \to \infty$ 且最大距离趋于无穷），若 $\nu_U \neq \nu_Z$ 且 $\rho \neq 0$，则 $\beta$ 可识别。
  • 对于有限样本，若已知 $\nu_U, \nu_Z$ 且不同，也可证明可识别性。

---

4. 技术细节与证明思路

• 可识别性定义：如果两个不同的参数集能产生相同的观测数据分布 $(Y, Z)$，则参数不可识别。
• 证明方法：
  1. 利用观测数据的矩（方差、协方差）表达模型参数。
  2. 通过谱分解（Spectral Decomposition）将空间矩阵对角化。
  3. 利用线性无关性（Linear Independence）引理：证明如果两个参数集导致相同的观测分布，则它们必须相等。这通常转化为证明某些关于特征值或距离的函数方程只有唯一解。
  4. 对于不可识别的情况（如 LMC 模型），构造反例（Counterexamples），展示不同的参数集如何产生相同的分布。

---

5. 研究意义 (Significance)

1. 理论突破：填补了空间因果推断中关于“未观测混杂因素”可识别性的理论空白。明确了在有限样本和一般空间结构下，处理效应可识别的充分必要条件。
2. 指导实践：
   • 模型选择：警告研究者避免在存在未观测混杂时使用“核心区域线性模型 (LMC)"，因为该模型本质上无法识别因果效应。
   • 结构要求：指出空间数据的邻域结构（如连通性、特征值分布）对因果推断至关重要。如果空间结构过于简单（如完全图）或参数设置不当（如 $\phi_U=0$），因果推断将失效。
3. 方法推广：将 Schnell & Papadogeorgou 的结果从环状图推广到任意连通图，并扩展到连续空间域（Geostatistics），为环境科学、流行病学中的因果分析提供了更稳健的理论基础。
4. 警示作用：强调了在缺乏可识别性保证时进行统计推断（特别是贝叶斯推断）的风险，提示结果可能完全由先验分布驱动而非数据。

总结

这篇文章通过严谨的数学推导，确立了在存在未观测空间混杂因素时，因果效应可识别的结构性条件。核心结论是：只有当暴露变量和未观测混杂因素具有不同的空间依赖结构（即不同的协方差参数或不同的空间平滑度），且空间数据具备足够的结构复杂性（如非完全图、多特征值）时，才能从观测数据中无偏地估计因果效应。