A Law of Iterated Expectation Primer for Causal Inference

大局观：我们为什么需要它？

想象一下，你想知道一种特定的药物（我们称之为“他莫西芬”）是否真的能预防乳腺癌复发。在一个理想的世界里，你可以给一组人服用这种药，给另一组人服用糖丸，然后比较结果。这就是随机对照试验。

但在现实世界中，我们通常只有观察性数据。我们不能强迫人们服药；我们只能观察他们的选择。问题在于，选择服药的人可能与不服药的人有所不同（也许他们病情更重，或者基因不同）。这些差异被称为混杂因素（confounders）。如果我们不考虑这些因素，我们可能会把原本是由患者潜在健康状况引起的结果归咎于药物。

这篇论文是一份“入门指南”（primer），旨在解决这个数学问题。它解释了一个特定的数学工具——迭代期望定律（Law of Iterated Expectation），并展示了它如何帮助我们将混乱的现实世界数据转化为关于因果关系的清晰答案。

核心概念：“迭代期望定律”

把这个定律想象成一种计算加权平均值的方法。

想象你是一位校长，试图计算全校的平均考试成绩。

• 简单方法： 你直接把每个学生的成绩加起来，然后除以学生总数。这就是“边缘期望（marginal expectation）”。
• “迭代”方法： 你意识到学校有不同的年级（一年级、二年级等）。你先计算一年级的平均分，再计算二年级的平均分，以此类推。然后，你将这些年级平均分结合起来，但你会根据每个年级的人数进行加权。

迭代期望定律简单来说就是：无论你是先对所有人进行整体平均，还是先对各组进行平均然后再合并各组，你得到的最终答案都是一样的。

在论文中，作者解释说，这一数学恒等式是 g-公式（g-formula） 的引擎，而 g-公式是用于确定因果效应的一个著名的工具。

驾驶同一辆车的两种方式：NICE 与 ICE

论文介绍了两种使用这种数学方法来解决因果问题的不同方式。它们在数学上是完全等价的（会给出完全相同的答案），但观察数据的方式不同。作者称之为 NICE 和 ICE。

1. NICE（非迭代条件期望，Non-Iterative Conditional Expectation）

类比： “食谱书”法。
想象你想知道一个城市所有人的平均身高，但你只有戴红帽子和蓝帽子的人的数据。

• NICE 的工作原理： 你查看“红帽子”组并计算他们的平均身高。你查看“蓝帽子”组并计算他们的平均身高。然后，你查看城市人口普查数据，看看戴红帽和戴蓝帽的人各占百分之多少。最后，你利用人口普查的百分比作为权重，将这两个平均值混合在一起。
• 在论文中： 作者通过一个关于他莫西芬和淋巴结的简单例子展示了这一点。他们计算了不同组别的复发率，然后“代入”这些数字以获得最终的加权平均值。

2. ICE（迭代条件期望，Iterative Conditional Expectation）

类比： “预测机器”法。
想象你是一名天气预报员。你不是简单地对过去的数据求平均，而是建立一个模型，根据当天的条件来预测每一天的天气。

• ICE 的工作原理： 你将数据输入模型，并为数据集中的每一个人生成一个“预测结果”（假设他们都服用了药物）。然后，你只需对所有这些预测值取平均值。
• 在论文中： 作者展示了你可以通过为每个人创建一个“假设性”预测列表，然后将它们平均起来来实现这一点。

关键结论： 无论你是使用“食谱书”（NICE）还是“预测机器”（ICE），你最终都会得到同一个数字。论文证明了这两种方法只是用不同的方式书写同一个数学句子。

变得更复杂：时间与移动的部件

论文并未止步于简单的例子。它展示了当情况变得复杂时该如何运作：

1. 更多变量： 如果年龄、收入、种族和性别全部混合在一起怎么办？“食谱书”（NICE）会变得非常难以编写，因为组合太多了。而“预测机器”（ICE）则容易得多，因为你只需要让计算机处理数学运算。
2. 随时间变化的混杂因素（Time-Varying Confounders）： 这是最难的部分。想象以下场景：
   • 在时间点 1，你服用了一种药物。
   • 该药物在时间点 2 改变了你的健康状况（一个混杂因素）。
   • 这个新的健康状态影响了你在时间点 2 是否服用第二剂药物。
   • 最后，你在时间点 3 观察结果。

在这种情况下，标准统计学失效了，因为“混杂因素”（你的健康状况）本身被治疗行为所改变了。论文表明，g-公式（使用迭代期望定律）是解开这个乱麻的唯一方法。它是通过向后推导来实现的：
* 首先，预测最后阶段的结果。
* 然后，向后推导，预测时间点 2 发生了什么。
* 然后，向后推导到时间点 1。
* 最后，将这一切平均化。

论文称之为“反向递归（backward recursion）”。这就像是通过从出口开始向入口倒着走来破解迷宫。

作者实际声称的内容（以及他们没有声称的内容）

• 他们确实声称： 迭代期望定律是让我们能够将“我们观察到的现象”转化为“如果发生会怎样（因果效应）”的数学基础。
• 他们确实声称： NICE 和 ICE 方法在数学上是等价的。它们代表相同的事物，只是表达方式不同。
• 他们确实声称： 在简单情况（时间固定）下，两种方法都很容易。在复杂情况（随时间变化）下，ICE 方法（向后推导）通常更容易编写代码，且对某些类型的错误更具鲁棒性。
• 他们并没有声称： 这篇论文提供了新的医学结果、新的临床指南或针对医生如何治疗患者的具体建议。它纯粹是一篇关于如何分析数据的数学和逻辑的指南。
• 他们并没有声称： 一种方法在普遍意义上比另一种方法“更好”；它们只是完成同一项工作的不同工具。不过，他们指出，如果你的数学模型是错误的，那么两种方法都可能给出错误答案。

底线

这篇论文是一个翻译者。它将一个非常晦涩、可怕的数学概念（迭代期望定律）转化为一种解释，说明它是如何作为“原始数据”与“因果真相”之间的桥梁的。它向研究人员展示，无论他们使用的是“加权平均”法还是“逐步预测”法，他们都在使用相同的基本逻辑来回答这个问题：“如果我们当时做了不同的选择，结果会怎样？”