📊 statistics

Measurement Induced Confounding

本文表明，在观测研究中，传统的调整潜在混杂变量的方法由于测量误差会产生偏差的因果估计，这一问题被称为“测量诱导混杂”，而通过一种同时对测量、处理分配和响应进行建模的贝叶斯联合估计方法可以解决该问题。

原作者： George Perrett, Klint Kanopka

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

原作者： George Perrett, Klint Kanopka

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

以下是关于 George Perrett 和 Klint Kanopka 的论文《测量诱导混杂》（Measurement Induced Confounding）的解释，已将其转化为通俗易懂的语言并辅以类比。

核心问题： “模糊照片”错误

想象一下，你想知道上大学是否真的能让人们赚更多的钱。理想情况下，你应该进行一场巨大的实验，通过抛硬币的方式来决定谁去上大学，谁不上大学。但你无法做到这一点（强迫某人不去上学是不符合伦理的）。因此，你必须观察现实世界的数据：即那些“选择”去上大学的人与那些“没有选择”去上大学的人之间的差异。

问题在于，选择上大学的人通常与不选择上大学的人不同。他们可能更具积极性（motivation）、更聪明，或者有更富有的父母。在统计学中，这些差异被称为混杂因素（confounders）。如果你不考虑这些因素，你可能会误以为是大学导致了高收入，而实际上，真正起作用的是积极性。

为了解决这个问题，研究人员试图测量“积极性”。但问题在于：积极性是看不见的。 你看不见它，你只能看到积极性的“线索”，比如一份包含 100 个问题的调查问卷中的答案。

传统的（有缺陷的）方法：“模糊照片”

该论文指出，大多数研究人员在试图测量这些不可见特征时犯了一个关键错误。

类比：
想象你正在试图判断一名跑步者的速度（“真实的积极性”），但你无法直接看到这名跑步者。你只能看到由 100 个不同摄像机拍摄的一系列模糊照片（调查问卷问题）。

旧方法： 研究人员通常会将这 100 张模糊的照片汇总成一个单一的分数，或者利用计算机根据这些照片来猜测跑步者的速度。然后，他们使用这个“猜测值”来调整他们的研究。
缺陷： 论文指出，这就像是试图通过拍摄一张模糊照片的照片来修复这张模糊照片。这种“模糊”（测量误差）被固化到了最终结果中。因为调查答案并不完美，所以你计算出的“积极性分数”是略有偏差的。当你使用这个错误的得分来调整你的研究时，你并没有真正解决问题，反而引入了一种新的误差。

作者称之为**“测量诱导混杂”（Measurement Induced Confounding）**。这就像是试图通过一面脏镜子的反射来擦干净一面脏窗户。你最终得到的只是一个扭曲的现实视图。

后果：错误的答案与虚假的信心

由于这种“模糊照片”错误，论文发现：

答案是错误的： 那些试图测量“大学对收入影响”（或药物对健康的影响，或心理治疗对抑郁症的影响）的研究，很可能给出了有偏差的结果。它们可能在宣称某种疗法有效，而实际上并无效果，或者反之亦然。
信心是虚假的： 研究人员通常会给出一个“误差范围”（例如说“我们 95% 确定”）。论文显示，由于这种测量误差的存在，他们的误差范围过小。他们自认为非常有把握，但实际上却错得很离谱。

解决方案：“大厨”法

作者提出了一种新的数学处理方式，称为贝叶斯联合估计（Bayesian Joint Estimation）。

类比：
与其先拿那 100 张模糊的照片，算出分数，然后再去猜跑步者的速度；不如采用“大厨”法，将所有步骤同时完成。

想象一位大厨正试图弄清楚汤的精确配方（“真实的积极性”），同时还要弄清楚该加多少盐（“处理/干预措施”），以及汤的味道如何（“结果”）。

旧方法： 大厨尝一口汤，猜一下盐的含量，把它记下来，然后再去推测食谱。
新方法（联合估计）： 大厨品尝汤的味道，观察食材，并同时计算出精确的配方、盐的水平以及汤的味道——这一切都在一个巨大的、相互连接的计算中完成。

在论文的方法中，他们构建了一个庞大的数学模型，该模型可以：

根据调查答案推导出“真实”且不可见的积极性。
推导出积极性如何影响谁去上大学。
推导出积极性如何影响收入。

通过同时进行这三个步骤，该模型能够解释照片中的“模糊”现象。它意识到：“嘿，这个调查答案有点噪声，所以我应该据此调整我对跑步者速度的猜测。”

证明：模拟实验与真实测试

作者通过两种方式测试了这一点：

模拟实验： 他们在计算机中创建了一个已知“真实答案”的虚拟世界。他们让旧方法尝试解决问题，结果失败了（产生了偏差）；他们让自己的新方法（“联合估计”）尝试，结果几乎完美地得到了正确答案。
真实测试： 他们使用了一个关于数学训练的真实数据集。他们将新方法与旧方法进行了对比。旧方法给出的结果与“金标准”（即真正的随机对照实验）相差甚远；而他们的新方法则非常接近这个金标准。

总结

如果你正在阅读一项试图证明因果关系（例如“X 导致 Y”）的研究，并且该研究通过使用调查分数或测试分数来调整不可见特征（如性格、能力或积极性），请保持怀疑。

根据这篇论文，这些研究很可能是在利用一张“模糊的照片”来修复问题，从而导致错误的结论和虚假的信心。作者建议，为了得到正确的答案，我们需要使用一种更复杂的、“全方位一体化”的数学方法，将不可见特征的测量过程作为解决方案的一部分，而不仅仅是一个初步步骤。

注：论文承认这种新方法在数学上非常复杂，并且依赖于一些关于数据行为的假设。它还指出，终极的解决方案仍然是在可能的情况下进行随机对照实验（即“抛硬币”），因为这可以完全消除对不可见特征进行猜测的需求。但当我们无法“抛硬币”时，这种新方法是透过“模糊窗户”观察现实的更好方式。

技术摘要：测量诱导的混杂 (Measurement Induced Confounding)

问题陈述

观测研究依赖于“强可忽略性”（strong ignorability）假设，该假设认为所有的混杂变量都已已知，并且经过充分调整以估计因果效应。该假设中一个关键且常被忽视的方面是：混杂变量必须是在无测量误差的情况下进行测量的。在社会科学、教育科学和医学科学中，许多混杂变量是潜在特质（例如：动机、能力、幸福感），它们不是直接可观测的。相反，研究人员依赖工具（测试或调查）来生成代理测量值，例如总分、项目反应理论（IRT）估计值或原始项目响应。

作者指出，使用这些代理测量值替代真实的潜在特质会引入测量诱导的混杂。由于这些代理测量值包含测量误差，针对它们进行调整无法完全阻断治疗与结果之间的后门路径。因此，传统方法产生的平均处理效应（ATE）估计值存在偏差，且其不确定性区间具有错误的覆盖性质（具体表现为欠覆盖/undercoverage）。

研究方法

理论框架

本文利用有向无环图（DAGs）来阐释该问题。在一个标准的观测设置中，潜在特质 $\theta$ 混杂了治疗 $Z$ 与结果 $Y$ 之间的关系，而项目响应 $X$ 由 $\theta$ 生成：

传统方法： 研究人员对 $\hat{\theta}$ （源自 $X$ 的估计值）或 $X$ 直接进行调整。作者通过 DAGs 证明， $\hat{\theta}$ 和 $X$ 并不是充分的调整集，因为它们不能完全解释未观测到的 $\theta$ ，从而留下了 $Z$ 与潜在结果 $Y(1), Y(0)$ 之间的残余混杂。
拟议方案： 作者提出了一种贝叶斯联合估计（Bayesian Joint Estimation）方法。该方法在单一概率模型中同时估计三个组成部分：
1. 测量模型： 将项目响应 $X$ 与潜在特质 $\theta$ 联系起来（例如，使用二参数逻辑型 IRT 模型）。
2. 治疗分配模型： 将潜在特质 $\theta$ 与治疗分配 $Z$ 联系起来（倾向评分）。
3. 响应模型： 将潜在特质 $\theta$ 和治疗 $Z$ 与结果 $Y$ 联系起来。

通过对联合分布 $p(\theta, Z, Y, X)$ 进行建模，该方法允许直接针对潜在特质 $\theta$ 进行调整，而无需直接观测到它，从而有效地关闭了后门路径。

模拟研究

为了验证理论，作者进行了一项模拟研究（样本量 $N=1000$ ，项目数 $J=100$ ，重复实验 $M=1000$ 次），模拟了一项关于大学入学对收入影响的观测研究，其中动机是唯一的潜在混杂因素。

数据生成过程： 潜在动机 $\theta$ 从标准正态分布中抽取。项目响应通过 2PL IRT 模型生成。治疗分配和潜在结果是 $\theta$ 的线性函数。
对照组： 贝叶斯联合估计法与以下方法进行了比较：
- 响应曲面模型（Response Surface Modeling）： 使用总分（ $\hat{\theta}_{sum}$ ）、IRT 估计值（ $\hat{\theta}_{IRT}$ ）或原始项目响应（ $X$ ）进行线性回归调整。
- 逆概率加权法（IPTW）： 使用 $\hat{\theta}_{sum}$ 、 $\hat{\theta}_{IRT}$ 或 $X$ 对倾向评分进行建模。

构建的观测研究

作者将该方法应用于一个基于 Keller 等人 (2025) 随机研究构建的观测数据集。在该数据集中，参与者根据偏好自行选择进入治疗组，从而创造了一个存在潜在混杂的情景（基线数学能力通过 12 项前测进行测量）。该随机研究的结果作为无偏基准。

关键结果

模拟研究发现

偏差： 所有传统方法（总分、IRT 估计值和原始项目响应）产生的条件平均处理效应（CATE）估计值均存在偏差。
- 响应曲面模型显示的标准化偏差范围为 0.0475 至 0.0584 个标准差。
- IPTW 模型显示的偏差更大，范围为 0.102 至 0.126 个标准差。
- 贝叶斯联合估计法收敛至零偏差。
覆盖率： 传统方法系统性地出现欠覆盖现象（即 95% 置信区间捕捉到真实参数的频率低于名义水平）。
效率： 贝ery 联合估计法在没有扩大不确定性区间长度的情况下实现了名义覆盖率（95%）；事实上，其区间与存在偏差的传统方法相比，长度相当甚至更短。

构建的研究发现

随机化基准 CATE 为 0.7603。
贝叶斯联合估计法恢复的 CATE 为 0.73（与基准仅差 0.007 个标准差）。
传统方法得到的估计值范围为 0.99 至 1.24（距离基准 0.06 至 0.132 个标准差）。
至关重要的是，所有响应曲面模型都未能用其 95% 区间覆盖实验基准。虽然某些 IPTW 区间覆盖了基准，但这归因于过度的不确定性（区间过宽）而非准确性。

贡献与意义

本文做出了两个主要贡献：

识别了测量诱导的混杂： 它正式识别并证明了，在观测研究中通过代理测量值（总分、IRT 估计值或项目响应）针对潜在特质进行调整，会导致偏差的因果估计和错误的不确定性量化，即使其底层的函数形式是线性且设定正确的。
提出了解决方案： 它引入了一个贝叶斯联合估计框架，通过同时对测量、分配和响应过程进行建模来解决这一问题。

意义：
作者得出结论，大量现有的在教育、心理学和医学领域中，使用传统方法针对潜在特质进行调整的观测研究，很可能报告了带有误导性不确定性区间的偏差因果估计。所提出的贝叶斯联合估计为这些场景下的无偏推断提供了路径。

然而，作者对其解决方案的局限性保持了谦逊的态度：

参数化假设： 当前的实现依赖于较强的参数化假设（例如，线性关系、2PL IRT）。作者承认，灵活的机器学习方法（如 BART、因果森林）目前无法解决测量诱导的混杂，因为它们并未解决涉及潜在变量时通过分配机制产生的后门路径。
可扩展性： 虽然该方法可以扩展到多个潜在混杂因素，但由于基于树的估计器具有不可微性，将其扩展到非参数模型仍是一个重大的计算挑战。
最优替代方案： 作者重申，随机研究仍然是最佳方案，因为随机化通过设计消除了混杂，使得测量潜在特质变得不再必要。所提出的方法是针对伦理或物流上无法进行随机化情况下的补救措施。