Sequential Transport for Causal Mediation Analysis

这是一份关于论文《Sequential Transport for Causal Mediation Analysis》（用于因果中介分析的序列传输）的详细技术总结。

1. 研究背景与问题 (Problem)

核心问题：
传统的因果中介分析（Causal Mediation Analysis）旨在将处理效应（Treatment Effect）分解为直接效应和通过中介变量（Mediators）传递的间接效应。然而，现有方法存在以下局限性：

• 对结构模型的依赖： 传统方法通常依赖结构方程模型（SEM），假设线性关系或特定的函数形式。在非线性、高维或混合数据类型（连续与分类变量并存）的场景下，这些假设往往不成立或难以识别。
• 跨世界反事实（Cross-world Counterfactuals）的假设： 经典定义（如自然直接/间接效应）依赖于无法同时观测的“跨世界”反事实（例如：$Y(0, X(1))$），这需要强假设（如序列可忽略性）和未观测的扰动项结构。
• 个体层面的分解困难： 许多非参数方法仅能提供总体层面的效应估计，难以提供具有因果解释的个体层面（Unit-level）分解。
• 分布外推风险： 生成反事实中介变量时，若脱离观测数据的分布支持集，会导致模型外推（Extrapolation），产生不可靠的预测。

研究目标：
提出一种基于最优传输（Optimal Transport, OT）的分布框架，即序列传输（Sequential Transport, ST）。该方法旨在不依赖参数化结构模型的情况下，构建符合因果图（DAG）结构的、分布内（In-distribution）的个体级中介变量反事实，从而实现对直接和间接效应的稳健分解。

---

2. 方法论 (Methodology)

该方法的核心思想是**"Mutatis Mutandis"（除必要改变外，其余保持不变）**原则：当改变处理变量时，仅对中介变量进行最小程度的修改，使其分布与目标处理组对齐，同时严格保留中介变量之间由有向无环图（DAG）编码的因果依赖结构。

2.1 核心框架：序列传输 (Sequential Transport, ST)

ST 沿着中介 DAG 的拓扑排序（Topological Order），逐个节点地传输中介变量。

• 输入： 观测数据 $(A, X, Y)$，其中 $A$ 为二元处理变量，$X$ 为受 $A$ 影响的中介向量，$Y$ 为结果变量。$X$ 的内部依赖由 DAG $G$ 定义。
• 传输过程：
  1. 拓扑排序： 对 DAG 中的节点 $X_{\pi(1)}, \dots, X_{\pi(d)}$ 进行排序，确保处理子节点前，其父节点已被传输。
  2. 条件传输映射： 对于每个节点 $X_j$，根据其父节点 $Z_j$ 的状态，构建从源分布（$A=0$）到目标分布（$A=1$）的传输映射 $T_j$。
     • 无父节点（根节点）： 使用一元最优传输映射（基于 CDF 和分位数函数）。
     • 有父节点： 使用条件最优传输映射。即，在父节点已被传输到目标状态 $z_1$ 的条件下，将子节点从源条件分布 $P(X_j|Z_j=z_0, A=0)$ 传输到目标条件分布 $P(X_j|Z_j=z_1, A=1)$。
  3. 递归构建： 对于未处理组（$A=0$）的个体 $i$，其反事实中介向量 $x^\star_{1,i}$ 通过递归计算得出：
     $$x^\star_{1,i, \pi(j)} = T_{\pi(j)}(x_{0,i, \pi(j)} \mid \text{parents transported})$$

2.2 处理不同类型变量

• 数值型中介 (Numerical)： 使用基于核平滑的条件 CDF 和分位数估计器构建单调传输映射（Monotone OT maps）。
• 分类型中介 (Categorical)： 将分类变量的条件概率分布视为单纯形（Simplex）上的概率向量。使用基于单纯形的最优传输（Simplex-based OT）来传输概率分布，然后通过确定性规则（如 argmax 或半离散 OT 分配）将其映射回分类标签，以保留边际分布结构。

2.3 效应分解

基于构建的反事实中介向量 $x^\star_{1,i}$ 和结果回归模型 $\hat{\mu}_a(x)$，定义个体层面的效应：

• 间接效应 (Indirect Effect, $\delta_i$)： 保持处理 $A=0$ 不变，仅将中介从 $x_{0,i}$ 传输到 $x^\star_{1,i}$ 引起的结果变化。
  $$\delta_i = \hat{\mu}_0(x^\star_{1,i}) - \hat{\mu}_0(x_{0,i})$$
• 直接效应 (Direct Effect, $\zeta_i$)： 保持中介固定在反事实状态 $x^\star_{1,i}$，将处理从 $A=0$ 变为 $A=1$ 引起的结果变化。
  $$\zeta_i = \hat{\mu}_1(x^\star_{1,i}) - \hat{\mu}_0(x^\star_{1,i})$$
• 总效应： $\tau_i = \delta_i + \zeta_i$。

---

3. 主要贡献 (Key Contributions)

1. 基于 DAG 的个体级中介分析框架： 提出了序列传输（ST），首次将最优传输理论与因果中介 DAG 结构紧密结合，能够生成符合因果结构的、确定性的个体级中介反事实。
2. 理论保证： 在标准正则性条件和支撑集假设下，证明了条件传输映射的一致性（Consistency）。即随着样本量增加，估计的传输映射收敛于总体映射，进而保证了个体级效应分解的统计一致性。
3. 混合数据类型处理： 扩展了 OT 方法以同时处理数值型和分类型中介变量，特别是通过单纯形传输解决了分类变量在反事实构建中的标签切换和分布保持问题。
4. 无需参数化结构模型： 该方法是非参数的，不假设线性 SEM 或特定的函数形式，仅依赖观测数据的条件分布估计，具有更强的鲁棒性。
5. 实证验证：
   • 在 Gaussian 模拟中，ST 完美复现了经典线性 SEM 的分解公式。
   • 在非线性、混合类型的蒙特卡洛模拟中，ST 表现出良好的稳定性和准确性。
   • 在 COMPAS 再犯数据集上的应用展示了其在算法公平性分析中的解释力，能够细粒度地归因不同中介变量对群体差异的贡献。

---

4. 实验结果 (Results)

• 高斯模拟 (Gaussian Illustration)： 在线性高斯设置下，ST 计算出的反事实中介与基于结构方程模型（SEM）的理论反事实完全一致，验证了方法的理论正确性。
• 蒙特卡洛模拟 (Monte Carlo Simulations)：
  • 在包含连续和分类变量、非线性结果模型的复杂设置中，ST 生成的效应估计（间接、直接、总效应）分布与其他传输方法（如全局 OT、熵正则化 OT）及经典 SEM 方法相当。
  • ST 在个体效应估计上表现出比全局 OT 更低的离散度，说明其受 DAG 结构约束后更稳定。
• COMPAS 数据集应用：
  • 背景： 分析种族（Race）对再犯（Recidivism）的影响，中介变量包括年龄、前科数量、指控等级等。
  • 发现： ST 将约三分之二的种族间再犯差异归因于中介变量的分布差异（间接效应），其余归因于直接效应。
  • 归因分析： 通过序列传输，可以量化每个中介变量（如 priors_count 和 charge_degree）对间接效应的具体贡献，发现前科数量和指控等级是主要的差异来源。
  • 对比： 与传统的公平性方法（如 Fairadapt）相比，ST 提供了更细粒度的、基于因果路径的分解，且结果具有确定性。

---

5. 意义与局限性 (Significance & Limitations)

意义：

• 方法论创新： 将最优传输从单纯的分布对齐工具提升为因果推断中的结构化反事实构建工具，填补了非参数中介分析在个体层面分解的空白。
• 算法公平性： 为算法公平性提供了新的解释工具，能够区分算法偏见是源于敏感属性对结果直接影响，还是通过中介变量（如历史数据偏差）间接传递，且能具体定位到哪些中介变量导致了不公平。
• 可解释性： 生成的反事实中介向量是确定性的且符合因果逻辑，便于政策制定者理解“如果改变某些中介变量，结果会如何变化”。

局限性与假设：

• 因果识别假设： 虽然 ST 本身是分布定义的，但要赋予其因果解释（即识别因果效应），仍需假设处理变量 $A$ 是外生的（随机化或条件可忽略），且不存在未观测的混淆变量（特别是处理与中介、中介与结果之间）。
• DAG 依赖性： 方法依赖于预先指定的中介 DAG。如果 DAG 结构设定错误（例如遗漏了关键的因果路径或方向），传输过程可能会扭曲因果机制。
• 高维条件： 虽然 DAG 通常具有稀疏性，但如果父节点集合过大，条件分布估计（核平滑等）可能面临维数灾难，导致收敛变慢或不稳定。
• 支撑集假设 (Support Condition)： 需要假设反事实中介向量落在观测数据的支撑集内（Assumption A0），否则结果回归模型需要进行外推，可能引入偏差。

总结：
该论文提出了一种强大且灵活的**序列传输（ST）**框架，通过结合最优传输理论与因果 DAG 结构，成功解决了传统中介分析中依赖强参数假设和难以进行个体级分解的问题。该方法在理论上一致，在实证中稳健，为因果推断和算法公平性研究提供了新的、分布内生的反事实构建工具。