📊 statistics

Causal Inference for Case Studies in Behavioral Health

本文介绍了一种用于行为健康案例研究的因果推断框架，该框架利用基于结果支撑（outcome supports）而非分布的 $\Omega$ 估计量，从而在仅需正值性假设（positivity assumption）的情况下，实现针对未观测混杂因素的有效因果结论。

原作者： Shane Sparkes

发布于 2026-07-09

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Shane Sparkes

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

大问题：“时空旅行”的困境

想象你是一名心理治疗师，正试图弄清楚某项特定的治疗是否对一位来访者产生了帮助。在一个完美的理想世界里，你可以使用一台“时光机”，去观察如果这个人没有接受治疗，其情况会是如何。你可以将他们的“受治状态”与“未受治状态”进行对比。

但正如论文所指出的，时光旅行并不存在。你无法倒流时间。此外，在现实生活中，你无法测量一切。总会有一些隐藏因素（比如来访者在工作中的糟糕一天、一场家庭争吵，或是天气变化）可能会同时影响他们接受的治疗以及他们的感受。在统计学中，这些隐藏因素被称为混杂因素（confounders）。通常，为了证明因果关系，你必须测量并控制所有这些隐藏因素。但在行为健康领域，要在不破坏自然护理流程的情况下测量一切，往往是不可能的，甚至是不符合伦理的。

解决方案：观察“菜单”而非“订单”

作者谢恩·斯帕克斯（Shane Sparkes）提出了解决这一问题的新方法。他建议不要试图计算平均改善程度（这需要知道所有的隐藏概率），而是建议观察可能性的范围。

类比：餐厅菜单
想象来访者的焦虑水平就像一份包含各种可能感受的“菜单”，范围从“平静”（1）到“恐慌”（10）。

治疗前： 来访者可能感受到的“菜单”包含了从 1 到 10 的所有内容。他们今天可能感到 10 分，明天可能是 7 分，下周可能是 2 分。
治疗后： 如果治疗有效，来访者可能仍然会感到 1、2 或 3 分，但他们可能再也无法感受到 9 或 10 分了。 “9”和“10”已经从菜单中被移除了。

论文认为，如果治疗改变了菜单（即可能结果的集合），即使我们不知道感到 7 分还是 8 分的确切概率，我们也可以说治疗产生了效果。

核心概念： $\Omega$ -估量值 ( $\Omega$ -estimands)

论文引入了一个高级术语，叫做 $\Omega$ -估量值（读作 "Omega-estimands"）。

传统方法关注的是分布（每个数字出现的概率）。它们问的是：“平均分是多少？”
本文的方法关注的是支撑集（support）（实际可能出现的数字列表）。它问的是：“菜单上有哪些数字？”

作者声称，如果你观察的是菜单（支撑集）而不是概率（分布），你就不需要知道那些隐藏的混杂因素。只要满足一个基本条件——正向性（Positivity），你在现实世界中看到的“菜单”就与你在完美实验中看到的“菜单”是一致的。

什么是正向性？
可以将“正向性”理解为一条“开放选项”的规则。这意味着无论来访者处于什么样的隐藏状况下（糟糕的一天、好的一天或危机时刻），治疗提供者仍然有可能提供治疗。如果某种危机如此严重，以至于提供者无法提供常规治疗，那么正向性就被打破了。但如果提供者始终可以提供治疗（即使是调整了实施方式），那么这个“菜单”对于比较而言就是有效的。

该方法的三个“规则”

为了在真实的诊所中应用此方法，论文提出了三个条件：

正向性（开放式门槛规则）： 如上所述，治疗在所有情况下都必须是可能的。不应因为来访者的生活变得复杂，治疗的“菜单”就消失了。
认识论保持（“形状一致”规则）： 这有点技术性，但基本上是指做出判断的人（治疗师或来访者）应该使用一致的思维方式来对待不确定性。如果他们在治疗前猜测“平均”感受，那么在治疗后，他们也应该使用相同的逻辑心理来猜测“平均”感受。
支撑回忆（“记忆菜单”规则）： 通常，由于在治疗前并未进行测量，我们缺乏“治疗前”的数据。论文建议让来访者回忆他们的基线水平。这里的规则是：即使来访者的记忆并不完美，只要他们能记住可能性的范围（例如，“我以前的感觉是在 8 到 10 之间”），这种记忆就足以用来与当前的“菜单”进行对比。

案例研究：一个简单的例子

论文使用了一个真实的案例：一名 23 岁的焦虑症学生。

治疗前： 他们的焦虑评分很高（大约为 10）。
经过 19 次治疗后： 他们的评分下降了，他们达到的最低分是 4。
计算过程： 作者使用了一个简单的数学技巧（贝叶斯推理）来说明：“鉴于该学生从 10 分开始，降到了 4 分，因此有强烈的理由相信治疗是有效的。”
结果： 他们计算出了一个概率（约 59%），表明治疗是有效的。这并不是科学意义上的“证明”，但它为治疗师和来访者提供了一个连贯且逻辑严密的理由，让他们基于“菜单”发生了变化的这一事实，去相信治疗确实起到了作用。

总结

这篇论文声称，我们可以证明治疗在一个人生命中的有效性（N=1 研究），而无需测量其生活中所有的隐藏因素。

旧方法： “我们需要测量一切才能确定。”（这通常是不可能的）。
新方法： “如果治疗从来访者的生活中移除了最坏的可能性（改变了菜单），并且治疗始终是一个可选选项（正向性），那么我们就有了因果效应的证据。”

作者承认这种方法是一种权衡：它对隐藏错误（混杂因素）具有极强的鲁棒性，但如果“菜单”本身没变，仅仅是感受的频率发生了变化，它可能会错过一些细微的变化。然而，对于行为健康领域而言，消除最严重的症状（即消除那些“9”和“10”）往往就是目标所在，因此该方法为治疗师和来访者理解自身进展提供了一条实用且符合逻辑的路径。

技术摘要：行为健康个案研究中的因果推断

问题陈述
本文探讨了在观测性的 $N=1$ 环境下（特别是在行为健康个案研究中）进行因果推断所面临的根本挑战。标准的因果推断方法通常依赖于随机化、实验控制或大规模总体框架来调整混杂因素。然而，个体护理过程缺乏这些特征。从业者和来访者处于一个“未观测混杂”（ $U$ ）的语境中，其中一系列潜在变量同时影响着治疗选择（ $T$ ）和结果（ $Y$ ）。此外，严格的实验设计（例如 A-B-A-B 反转设计）往往是不符合伦理的，或者会破坏治疗关系。因此，从业者无法通过经验测量反事实（例如，当观察到 $Y|do(t=1) $时，无法测量$ Y|do(t=0)$），也无法依赖于预设不同时间点或不同个体之间存在“本质同一性”的基于总体的匹配假设。核心问题在于：如何在不需要测量或调整混杂因素的情况下，建立一条通往有效因果估计量（causal estimands）的路径。

方法论与框架
作者提出了一个基于结构因果模型（SCM）和主观主义（德·费内蒂）概率解释的框架，其中概率被视为一种个人不确定性的度量，而非客观频率。

$\Omega$ -估计量（ $\Omega$ -Estimands）： 本文将研究重点从概率分布的对比（如均值差异）转向**支撑集（supports）**的对比。随机变量的支撑集（记作 $\Omega$ ）是具有非零概率的取值集合。作者将 $\Omega$ -估计量定义为这些支撑集的函数（例如 $\max(\Omega)$ 、 $\min(\Omega)$ 、极差或基数），这些函数不包含概率权重。
核心假设（正值性/Positivity）： 该框架依赖于一个单一且关键的假设：正值性（Positivity）。形式化地讲，对于所有治疗值 $t \in \Omega_T$ 和未观测混杂 $u \in \Omega_U$ ，条件概率 $f(t|u) > 0$ 。在主观主义语境下，这意味着没有任何未观测到的混杂状态 $u$ 会导致特定治疗 $t$ 变得不可能。作者认为，如果将治疗概念化为足够粗粒度的层面（例如，“接受个案管理”而非具体的微观干预措施），那么即使存在未观测到的混杂因素，正值性依然成立。
支撑集一致性（Support Coincidence）： 核心理论结果（命题 1）证明，在正值性假设下，观测到的结果支撑集与其干预后的支撑集一致： $\Omega_{Y|t} = \Omega_{Y|do(t)}$ 。这意味着，在现实世界中观察到的可能结果集合，与在假设干预下的可能结果集合是相同的，这使得 $\Omega$ -效应的识别不受未观测混杂的影响。

主要贡献与扩展
论文引入了三个条件以促进推断：

条件 I（正值性）： 足以识别观测支撑集与干预支撑集的一致性。
条件 II（认识论保持/Epistemic Preservation）： 假设代理人其不确定性的“结构模态”（特别是期望值与支撑集函数平均值之间的关系）在治疗前后的状态下保持不变。这允许通过期望-平均恒等式将 $\Omega$ -效应转化为期望值的差异： $E(Y) = Av(Y) - \kappa$ ，其中 $\kappa$ 是一个与偏度相关的项。如果 $\kappa$ 保持不变，则均值差异便获得了因果意义。
条件 III（支撑集回忆/Support Recall）： 允许来访者回忆的基线估计值（ $\hat{Y}$ ）作为未观测基线支撑集（ $\Omega_{Y|t=0}$ ）的代理。它假设虽然回忆的概率分布可能不同，但其可能的取值集合（支撑集）仍然锚定在同一个现实中。

结果与个案研究应用
作者通过一项关于一名 23 岁学生接受认知行为疗法（CBT）治疗焦虑症的临床个案研究展示了该框架。

数据： 19 次每周焦虑评分（0–10 分量表），呈现从 10 到 4 的下降趋势。
应用： 作者将 $\Omega$ -效应定义为基线支撑集的最小值与治疗后支撑集的最小值之间的对比（ $\min(\Omega_{Y_0}) - \min(\Omega_{Y^*})$ ）。
推断： 利用主观贝叶斯方法，他们计算了治疗有效性的后验概率。通过设定先验信念并利用观测数据（最小分数的偏移）进行更新，他们得出了治疗有效性的后验概率（ $\approx 0.59$ ）。
解释： 该结果并非基于频率的保证，而是一种关于治疗能够消除高强度症状可能性（即支撑集的移动）的“连贯且审慎的信念”。

意义与主张
该论文声称，它为个体护理过程提供了一条实现因果推断的路径，绕过了传统上要求关闭后门路径或测量混杂因素的要求。

鲁棒性优于敏感性： 该框架通过关注支撑集的改变（这是可识别的）来交换对分布变化的敏感性（后者是受混杂影响的）。作者认为，有效的治疗通常表现为极端可能性的消除（例如，防止惊恐发作），这是一种无需了解混杂因素即可检测到的支撑集变化。
实际效用： 它为从业者提供了一种原则性的、基础的方法，使其能够利用基于测量护理的数据来推理治疗有效性，而无需高级统计训练或实验设计。
局限性： 作者承认正值性是不可测试的，必须通过验证底层有向无环图（DAG）的有效性来进行辩护。他们还指出，该框架对于那些仅在未改变的支撑集内移动概率质量（例如，使“5”比“4”更可能出现，但并未消除“10”）的治疗是不敏感的。此外，其结果是针对推理代理人的连贯性陈述，而非频率保证。

总而言之，本文认为，通过将因果目标重新定义为结果支撑集的对比而非概率分布，并接受概率的主观主义观点，可以在仅满足正值性这一条件下，实现 $N=1$ 行为健康研究中有效的因果识别。