📊 statistics

Sensitivity analysis for causal mediation: bridge score, sharp sensitivity bounds, and calibration

本文引入“桥接分数”以推导因果中介分析中未观测到的中介变量与结果变量混杂的精确敏感性界限，并提供校准方法与贝叶斯算法以将这些界限付诸实施，从而实现稳健推断。

原作者： Yuki Ohnishi, Fan Li

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuki Ohnishi, Fan Li

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，你正在试图弄清楚为什么某种特定干预（例如一种新药或一条政治信息）会起作用。你怀疑它是通过某个特定的“中间人”（即中介变量）起作用的。例如，一则负面新闻可能让人们感到愤怒（中介变量），进而促使他们支持更严格的移民法律（结果）。

为了证明这一点，科学家通常假设：一旦他们控制了愤怒这一因素，就不存在其他隐藏因素在暗中将新闻故事与政策支持联系起来。但如果确实存在隐藏因素呢？也许那些看到愤怒新闻的人恰好天生就更焦虑，而这种焦虑同时驱动了愤怒情绪和对政策的支持。如果你没有考虑到这一点，你的结果就是错误的。

本文介绍了一种新的、更稳健的方法来测试这些隐藏因素可能在多大程度上干扰了你的结果。以下是使用简单类比进行的分解说明：

1. 问题所在：“隐藏的操纵者”

在标准分析中，研究人员假装“中间人”（中介变量）是无辜的。但在现实中，可能存在一个“隐藏的操纵者”（未测量的混杂因素）同时在操纵中介变量和结果变量。

旧方法：研究人员过去常常猜测一个单一数值（例如相关系数）来代表这个隐藏的操纵者。问题在于，这种猜测往往过于简单或僵化，就像试图用单一的风速数值来描述一场复杂的暴风雨。
新方法：本文提出：“我们不要猜测一个单一数值。让我们构建一个更完善的地图，以确切看清那个操纵者可能有多强。”

2. 解决方案：“桥梁得分”

作者发明了一种名为桥梁得分（Bridge Score）的新工具。

类比：想象你试图渡过一条河流。河的一边是“对照组”（未接受干预的人），另一边是“处理组”（接受干预的人）。
通常，你会分别观察两边的人。但桥梁得分会针对特定个体提问：“如果这个人处于对照组，他们拥有该特定中介变量值的可能性有多大？如果这个人处于处理组，他们拥有该值的可能性又有多大？”
它基于这两个概率，为每个人创建了一个二维的“身份证”。这张“身份证”充当了一座“桥梁”，能够完美地平衡两组人群。
为何有效：与其试图通过考虑每个人的每一个细节（年龄、收入、居住地等）来寻找隐藏的操纵者，桥梁得分将所有这些信息浓缩为这一张强大而单一的“身份证”。这就像是用高分辨率的指纹代替模糊的照片来识别某人。

3. “精确边界”：安全网

一旦拥有了这个桥梁得分，作者就会计算出一个**“精确边界”**（Sharp Bound）。

类比：将其想象为一个具有非常精确天花板的“安全网”。如果你假设隐藏的操纵者如此强大，那么你结果中的误差不可能超过这个天花板。
为何“精确”：许多旧方法提供的安全网过于宽大（就像一张覆盖整个天空的网），因此毫无用处。这张新网非常紧密。它告诉你，在给定假设的情况下，误差的确切最大可能值是多少。这之间的区别在于：是说“误差可能在 0% 到 100% 之间的任何地方”，还是说“误差肯定在 0% 到 12% 之间”。

4. 校准：“标尺测试”

最大的挑战在于：“我们如何知道隐藏的操纵者实际上有多强？”我们无法直接测量它。
本文提供了两种利用我们能够看到的事物来校准（测量）这种强度的方法：

方法 A：“基准”（已知标尺）
- 想象你有一个已知变量，例如“收入”。你知道收入对结果有多大影响。
- 你会问：“我们的隐藏操纵者比收入更强吗？是收入的两倍强吗？”
- 创新点：作者建议使用收入的排名（例如，“这个人是否在前 10%？”），而不是原始的美元金额。这就像是用“英寸”而不是“厘米”来测量身高。使用排名使得测试更加公平和稳定，无论你将货币单位设定为美元还是欧元，结果都不会改变。这防止了结果仅仅因为单位变化而发生改变。
方法 B：“残差预算”（剩余能量）
- 想象你有一桶“未解释的能量”（即你的模型无法解释的结果变异）。
- 你会问：“这些剩余能量中有多少可能被隐藏的操纵者‘窃取’了？”
- 你设定一个限制：“操纵者窃取的能量不能超过剩余能量的 20%。”这为你可能存在的误差量提供了一个具体、基于数据的限制。

5. 结果：更清晰的图景

通过结合桥梁得分（身份证）、精确边界（紧密的安全网）和校准（标尺测试），作者提供了一种方法来表述：

“即使存在隐藏的操纵者，即使它像 [收入] 或 [剩余能量的 20%] 那样强大，我们关于干预效果的结论仍然可能成立。以下是它可能产生变化的确切范围。”

总结

本文不仅仅是说“要警惕隐藏因素”。它构建了一种精密仪器，用于精确测量这些隐藏因素可能在多大程度上损害你的研究。

它利用桥梁得分来简化复杂数据。
它创建精确边界来定义误差的确切限度。
它利用校准，让研究人员能够使用现实世界的数据（如收入或剩余变异）来设定其假设的现实限度。

这使得科学家在关于干预措施如何以及为何起作用的结论上能够更加自信，即使他们无法测量世界上每一个隐藏因素。

技术摘要：基于桥分数的因果中介敏感性分析、尖锐界与校准

1. 问题陈述

因果中介分析将总处理效应分解为自然直接效应（NDE）和自然间接效应（NIE）。这些效应的识别通常依赖于顺序可忽略性假设，即要求中介变量在处理组和基线协变量的条件下是可忽略的。该假设无法检验；任何未测量的、共同驱动中介变量和结果的因素都会违反该假设。

尽管存在针对中介可忽略性的敏感性分析，但作者指出，文献中关于加法尺度（均值差）的非参数敏感性分析存在三个具体的统计挑战，而加法尺度是科学研究中最常用的尺度：

可解释性与局部化之间的权衡：现有的标量参数（如残差相关性）将随处理臂和协变量特征变化的违反情况合并在一起。相反，完全局部化的敏感性函数在高维协变量设置中难以被 elicited（获取）和校准。目前缺乏一种通用的低维约化方法，能够在不要求完整协变量规范的情况下保留中介信息。
缺乏尖锐的加法界：对于风险比尺度（适用于二值结果），已存在尖锐的非参数界，但尚无类似的尖锐加法（均值差）包络。现有的加法方法依赖于限制性强的参数化偏差公式或信息量不足的 Manski 风格界。
脆弱的校准：针对连续基准的操作性校准通常依赖于任意单位或支撑宽度。此外，尺度一致的汇总指标（如 E 值）将界的双参数结构坍缩为单个标量，从而丧失了可解释性。

2. 方法论

桥分数
作者引入了桥分数（bridge score），这是一个定义在共同中介值 $m$ 和协变量 $x$ 上的二维向量：
$B(m, x) = (f_0(m | x), f_1(m | x))$
其中 $f_a(m|x)$ 是处理臂 $a$ 下中介变量的密度。

平衡性质：在给定桥分数 $B(m)$ 的条件下，观测到的协变量 $X$ 相对于中介事件 $M=m$ 是平衡的。这使得桥分数能够作为中介阶段的平衡分数，类似于处理分配中的倾向得分。
降维：桥分数将敏感性对象从全协变量向量 $X$ 的函数约化为低维分数 $B(m)$ 的函数，同时保留了跨世界识别所需的特定处理臂的中介规律。

尖锐敏感性界
作者定义了桥分数敏感性函数 $\Delta_a(m, b)$ ，它表示在给定桥分数后，在处理臂 $a$ 内对观测到的中介变量进行条件化所诱导的残差混杂。
在潜在标量混杂因子（ $U$ ）的假设下，他们推导出了 $\Delta_a(m, b)$ 的尖锐逐点加法包络：
$|\Delta_a(m, b)| \leq \Xi_a(m, b) = \eta_a(m, b) \frac{\gamma_a(m, b) - 1}{\gamma_a(m, b)}$
其中：

$\gamma_a(m, b)$ 是残差选择比，衡量在给定 $M=m$ 的条件下，潜在混杂因子分布发生的倾斜程度。
$\eta_a(m, b)$ 是结果范围参数，衡量在桥分数层内，给定潜在混杂因子后的结果均值的离散程度。

作者证明，在满足某些解耦条件的情况下，桥分数层上的这些参数不大于（即更紧致）全协变量层上的对应参数。

校准方法
为了使界具有可操作性，提出了两种校准策略：

基准校准：将潜在混杂因子与观测协变量 $W$ 进行校准。作者引入了这种校准的基于秩的版本。通过将 $W$ 转换为其分位数秩，所得包络对基准的单调重表达具有不变性，并对重尾分布具有鲁棒性，同时保留了双参数结构（ $\eta, \gamma$ ）。
残差预算校准：该方法根据调整中介变量和桥分数后的结果残差变异来缩放结果范围参数 $\eta_a$ 。用户指定的参数 $k_a \in [0,1]$ 控制归因于潜在混杂的残差方差份额，而网格值 $g_a$ 控制选择比。

推断算法
该框架通过贝叶斯 g-计算算法实现操作化。该方法：

传播来自观测数据模型（中介密度和结果回归）的不确定性。
纳入来自校准量（基准或残差预算）的不确定性。
使用标量函数约化，将无限维的敏感性函数坍缩为特定处理臂的标量（ $\bar{\Delta}_0, \bar{\Delta}_1$ ），从而允许对敏感性校正使用有限维先验。
生成 NDE 和 NIE 的后验抽样，完全考虑所有不确定性来源。

3. 主要贡献

桥分数概念：一种新颖的低维向量，它平衡了相对于中介变量的协变量，并作为敏感性函数的局部化尺度，避免了对完整协变量规范的需求。
尖锐加法界：推导出了针对中介 - 结果混杂的尖锐、非参数加法包络，由可解释的残差选择参数和结果范围参数参数化。这填补了风险比界留下的空白，因为风险比界对于连续结果而言不太自然。
尺度一致校准：引入了对单调变换具有不变性且保留界的双参数结构的基于秩的基准校准，以及一种残差预算方法。
操作性推断：一种贝叶斯 g-计算实现，将敏感性分析直接整合到自然效应的估计中，传播来自 nuisance 参数和敏感性校正的不确定性。

4. 结果与示例

本文使用Brader 等人（2008）的移民框架实验来说明该框架。

设置：处理（ $A$ ）为负面基调/拉美裔框架；中介变量（ $M$ ）为负面情绪反应；结果（ $Y$ ）为对移民危害的感知。
发现：
- 基于秩的基准校准产生的包络比原始尺度版本更紧致，证明了秩变换对经验支撑宽度的稳定性。
- 残差预算校准表明，随着选择强度（ $g$ ）和结果范围预算（ $k$ ）的增加，包络单调变宽。
- 分析表明，稳健性结论是由可解释的放大因子（例如，“潜在混杂因子比收入强 1.5 倍”）而非不透明的模型参数驱动的。
- 贝叶斯 g-计算成功地将来自桥分数估计和校准的不确定性传播到了 NDE 和 NIE 的后验分布中。

5. 意义与主张

作者将这项工作定位为一种互补工具，而非现有方法（如基于参数 $\rho$ 的分析（Imai 等人，2010）或风险比界（Ding 和 VanderWeele，2016））的替代品。

该框架的意义在于其能够：

在不施加结果或中介函数形式限制的情况下，提供加法尺度上的非参数敏感性分析。
提供可解释的敏感性参数，这些参数局部化于桥分数，允许比全协变量规范更紧致的界。
实现尺度一致校准，避免其他方法中存在的单位依赖和标量坍缩的缺陷。
在统一的贝叶斯框架中促进不确定性传播，从点估计转向敏感性假设下的完整后验推断。

本文结论认为，桥分数框架为敏感性分析提供了一种原则性的低维约化方法，在基线协变量中等高维的情况下特别实用，同时保持了跨世界自然效应估计所需的结构不对称性。