技术摘要：利用边际矩信息识别与限定中心因果效应的矩

问题陈述

在因果推断中，评估处理效应的异质性是超越估计平均因果效应（ACE）的一个关键目标。个体因果效应（ICE，定义为 $Y_1 - Y_0$）的分布刻画了这种异质性，但现有的识别或限定 ICE 及其中心矩的方法（例如 Fan and Park [2010], Post and Van Den Heuvel [2025] 以及 Kawakami and Tian [2025]）通常需要获取潜在结果（POs）的完整边际分布 $P(Y_1 < y)$ 和 $P(Y_0 < y)$。

然而，在许多实证场景中，由于隐私限制、保密性要求或历史积累研究仅报告聚合汇总统计量，完整的个体层面数据或完整的分布函数往往是无法获得的。在这种情况下，仅可获得处理组和对照组的边际中心矩（例如均值、方差、偏度、峰度）。本文旨在解决这一问题：即仅使用潜在结果的边际中心矩 $\sigma^{(k)}_1$ 和 $\sigma^{(k)}_0$，而不假设已知完整的边际分布，来识别并限定 ICE 的中心矩 $\mu^{(m)}$。

方法论

作者采用了结构因果模型（SCM）和潜在结果的框架。ICE 的中心矩定义为 $\mu^{(m)} = E[(Y_1 - Y_0 - E[Y_1 - Y_0])^m]$。潜在结果的边际中心矩定义为 $\sigma^{(k)}_x = E[(Y_x - E[Y_x])^k]$，其中 $x \in \{0, 1\}$。

该方法论分为两个主要途径：

1. 在独立效应偏差（IED）假设下的识别：
   本文研究了在 IED 条件下的识别情况，即 ICE 与基线结果相互独立：$(Y_1 - Y_0) \perp\!\!\!\perp Y_0$。在此假设下，作者推导出了递归识别公式。具体而言，定理 1 表明，如果已知直到 $m$ 阶的边际矩（排除特定的中间阶数），则可以递归地识别出 ICE 的第 $m$ 阶中心矩。值得注意的是，在 IED 条件下，方差（$\mu^{(2)}$）可以直接识别为潜在结果方差之差（$\sigma^{(2)}_1 - \sigma^{(2)}_0$），且在相应的边际矩可用时，高阶矩（如偏度和峰度）也可以被识别。

2. 无 IED 情况下的限定：
   考虑到 IED 假设过于强烈且往往难以验证，本文在不假设独立性的情况下，仅利用可用的边际矩 $(\sigma^{(k)}_1, \sigma^{(k)}_0)$ 推导出了 $\mu^{(m)}$ 的紧确界（sharp bounds）。

   • 方差 ($\mu^{(2)}$)： 作者分析了 ICE 与基线 $Y_0$ 之间的相关系数 $\lambda$。他们基于 $\sigma^{(2)}_1$ 和 $\sigma^{(2)}_0$ 推导出了 $\mu^{(2)}$ 的紧确界，表明方差被限定在 $(\sqrt{\sigma^{(2)}_1} \pm \sqrt{\sigma^{(2)}_0})^2$ 之间。他们进一步证明，除非满足特定条件，否则了解更高阶的矩（如偏度或峰度）并不一定会使方差的界限变得更紧。
   • 高阶矩： 本文提供了第三阶 ($\mu^{(3)}$) 和第四阶 ($\mu^{(4)}$) 中心矩的界限。对于奇数阶矩，如果仅已知较低阶的偶数阶矩，其界限通常是平凡的（即 $(-\infty, \infty)$）。然而，如果已知潜在结果的第 $m$ 阶矩，则可以为偶数 $m$ 推导出非平凡的界限。
   • 紧确性（Sharpness）： 作者严格定义了“紧确性”，即在给定矩信息的情况下，不存在更紧的闭区间。他们在补充材料中通过反例证明，虽然某些界限是紧确的，但结合多个矩约束（例如同时已知方差和峰度）并不总是能得到 ICE 矩的紧确界，尤其是在处理高阶矩时。

主要贡献与结果

1. IED 条件下的识别结果：

   • 本文确立了在 IED 条件下，ICE 的中心矩可以通过潜在结果的边际中心矩进行识别。
   • 推论 1 & 2： 具体而言，如果相应的边际矩（第 3 阶和第 4 阶）以及方差可用，则 ICE 的偏度和峰度是可以识别的。

2. 中心矩的紧确界：

   • 方差： 定理 3 提供了仅使用 $\sigma^{(2)}_1$ 和 $\sigma^{(2)}_0$ 时 $\mu^{(2)}$ 的紧确界：$(\sqrt{\sigma^{(2)}_1} - \sqrt{\sigma^{(2)}_0})^2 \leq \mu^{(2)} \leq (\sqrt{\sigma^{(2)}_1} + \sqrt{\sigma^{(2)}_0})^2$。
   • 高阶矩： 定理 16–18 将这些结果推广到任意 $m$。对于偶数 $m$，如果 $\sigma^{(m)}_1$ 和 $\sigma^{(m)}_0$ 可用，则可以推导出紧确界。对于奇数 $m$，本文表明，除非在极少数低阶矩为零的极端情况下，否则仅知道一个较低阶的矩 $k \leq m$ 通常无法为 $\mu^{(m)}$ 提供非平凡的界限。
   • 界限的交集： 本文研究了通过不同可用矩的交集（例如同时使用 $\sigma^{(2)}$ 和 $\sigma^{(4)}$）是否能获得更紧的结果。作者发现，虽然这通常会缩小范围，但得到的界限通常不是紧确的（定理 7, 11, 15），除非涉及方差与高阶矩的特定情况。

3. 实证案例研究：
   作者将他们的方法应用于两项仅报告汇总统计量的真实研究：

   • Moseley et al. [2002]（膝关节镜手术）： 利用报告的均值和标准差，作者限定了 ICE 的方差。他们发现存在显著的异质性，方差可能在 19.36 到 806.56 之间波动。在假设基线与 ICE 呈正相关的情况下，上界显著收紧。
   • Špirtović et al. [2023]（有氧运动计划）： 利用报告的均值、标准差、偏度和峰度，作者限定了 ICE 的方差、偏度和峰度。所得界限较宽，反映了在信息有限情况下的根本不可识别性，但仍能表征分布的形状特征（例如在 IED 下呈现正偏态）。

4. 数值实验：
   将所提的基于矩的界限与蒙特卡洛积分（MCI）估计器（该估计器假设已知完整的边际分布）进行对比模拟显示：

   • 在某些设定下，基于矩的界限与 MCI 界限相当，甚至更紧。
   • 所提方法在有限样本设定下具有稳健性，尽管置信区间会随样本量减小而变宽。

重要性与主张

本文声称其识别和限定结果具有新颖性，因为此前尚未系统性地研究过仅利用边际中心矩来评估 ICE 中心矩的问题。

• 实际相关性： 其主要意义在于能够对仅报告汇总统计量（均值、方差、偏度、峰度）而非完整数据集的研究进行异质性分析。这使得研究人员能够重新分析历史积累的研究或具有隐私限制的数据，以推断处理效应异质性的程度和结构。
• 信息极限： 作者谦虚地指出，其工作明确刻画了“在仅有矩信息的情况下可以以及不可以学习到什么”。他们证明了虽然方差通常可以得到有意义的限定，但如果没有更强的假设（如 IED）或完整的分布知识，高阶特征（如偏度和峰度）本质上是欠定的。
• 紧确性： 本文强调，在声明处所推导的界限是紧确的，即在给定的矩信息下提供了最紧的区间。然而，作者也承认，对于许多矩组合，界限并非紧确，这凸显了从聚合统计量进行推断的根本局限性。

作者总结道，虽然 IED 假设允许点识别，但在没有该假设的情况下，推导出的界限为仅有边际矩时的因果效应异质性不确定性提供了必要的刻画。他们指出，未来的工作可以探索利用额外的结构性假设（如因果图或单调性）来收紧这些界限。