📊 statistics

Proximal Identification and Estimation in Front-Door Causal Structures with Unobserved Confounding of the Mediator

本文提出了对 Pearl 前门准则的近端泛化，这些泛化能够在存在处理-结果关系及中介变量混杂因素的情况下（前提是拥有中介变量混杂因素的信息性代理变量），实现非参数识别并为因果效应提供稳健的估计策略。

原作者： Helen Guo, Beatrix Yaxin Wen, Ilya Shpitser

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Helen Guo, Beatrix Yaxin Wen, Ilya Shpitser

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

想象一下你是一名侦探，正试图弄清楚某个特定的动作（我们称之为**“处理”）是否真的导致了特定的结果（“结果”）。通常情况下，这很容易：你只需要观察发生的事情。但在现实世界中，往往有一个狡猾且隐形的傀儡师（“隐藏混杂因素”**）在同时操控着“处理”和“结果”。这使得人们无法分辨究竟是“处理”发挥了作用，还是傀儡师同时拉动了两个杠杆。

几十年来，统计学家们一直拥有一种特殊的技巧，叫做**“前门准则”（Front-Door Criterion），用来解决这个问题。这就像是寻找一个中间人（“中介变量”**），他是唯一被允许传递从“处理”到“结果”信息的通道。如果你能观察“处理”如何与“中介变量”对话，以及“中介变量”如何与“结果”对话，你就能发现真相，即便那个狡猾的傀儡师正躲在暗处。

但问题在于： 旧的“前门”规则极其严格。它要求傀儡师绝对不能触碰“中介变量”。如果傀儡师也向“中介变量”低声耳语，这个技巧就会失效。在现实生活中，这是一个巨大的问题，因为通常那些干扰“处理”和“结果”的因素，也会干扰“中介变量”。

新的侦探工具：代理变量（Proxies）

这篇由 Helen Guo、Beatrix Yaxin Wen 和 Ilya Shpitser 撰写的论文提出了这样一个观点：“如果我们无法阻止傀儡师触碰‘中介变量’，但我们可以看到他们的影子呢？”

他们引入了一种使用**“代理变量”的新方法。把代理变量想象成监控摄像头或由隐形傀儡师留下的日记。你看不见傀儡师本人，但你可以看到这些线索（我们称之为“线索 A”和“线索 B”**），它们与傀儡师的行为紧密相关。

作者展示了，如果你拥有这些线索，即使傀儡师在干扰“中介变量”，你仍然可以解开谜团。他们将这种新设置称为**“复合弓图”**（Composite Bow Graph）。这有点像一把弦缠绕在一起的弓箭，但只要你有正确的地图（即代理变量），你仍然可以追踪箭头的路径。

三种破解案例的方法

论文不仅说“这是可能的”，还根据线索的表现方式构建了三种不同的数学钥匙：

“桥梁”法： 想象这些线索就像一座桥，将隐藏的傀儡师与可见世界连接起来。作者表明，如果线索具有足够的变异性（一个技术性要求，称为“完备性”），你就可以构建一座数学桥梁来跨越隐藏变量。这种方法依赖于求解一种特定类型的数学难题，即弗雷德霍姆积分方程（Fredholm integral equation）。这就像是在寻找一段秘密代码，将隐藏傀儡师的动作翻译成你可以阅读的内容。
“双重检查”法： 这是另一种不同的线索排列方式。它利用一套不同的规则来构建两座分别向中间靠拢的桥梁，从而让你能够完全抵消掉隐藏的傀儡师。
“指纹”法： 这种方法最为强大，但也对条件要求最高。它假设这些线索足够独特，以至于可以作为指纹使用。如果线索足够鲜明，你实际上可以重建整个隐藏的故事，而不仅仅是最终结果。这基于一个数学概念——张量分解（tensor decomposition），就像是将一个三维拼图拆解开，然后意识到这些碎片只有一种方式可以完美契合。

他们有多确定？

作者非常谨慎，没有过度承诺。他们并没有证明这在所有宇宙中都有效。相反，他们通过以下方式进行了论证：

通过数学证明，如果他们的特定规则（关于线索行为的假设）成立，那么答案就必然是可识别的。
通过计算机模拟，他们创建了已知真相的虚拟世界，应用了他们的新方法，并观察数学逻辑是否奏效。在这些模拟中，他们的新估计量（计算答案的工具）表现得非常好。
开发了特定的公式（估计量），研究人员现在就可以使用这些工具。他们甚至为第三种方法开发了一个特殊的工具，称为**“基于影响函数的估计量”**，旨在保证鲁棒性——这意味着即使数学中的某一部分稍有偏差，它也不会轻易崩溃。

他们并未声称的事实

了解这篇论文没有说什么也很重要：

它并非声称“前门准则”毫无用处。它只是说旧版本过于挑剔。
它并非说在没有任何线索的情况下也能解开谜团。你绝对需要那些代理变量（即监控摄像头/日记）。如果没有它们，论文承认这个问题仍然无法解决。
它并非声称“完备性”假设（即线索变化足够多）在现实生活中容易证明。作者承认这是一个很强的假设，依赖于对所研究领域的专家知识。你不能仅通过简单的实验来测试它；你必须基于现实世界的运作方式来相信它。

底线结论

这篇论文是因果推断领域的一次重大进步。它将一个非常严格的旧规则（前门准则）进行了适度的放宽，使其能够处理现实世界中随处可见的隐藏混杂因素的复杂情况。通过使用“代理变量”作为隐形傀儡师的替代物，作者提供了三种新的、在数学上可靠的方法来理清因果关系。

虽然其中的数学理论非常深奥（涉及积分方程和张量分解等内容），但其核心思想既有趣又巧妙：如果你看不见幽灵，就去找它的脚印。 只要这些脚印足够清晰且多样化，你仍然可以抓住幽灵行凶的现场。作者已经通过计算机模拟证明了这一点，为统计学家提供了一套全新的、强大的工具，用以理清现实世界中因果关系的乱麻。

技术摘要：前门因果结构中中介变量存在未观测混杂时的近端识别与估计

问题陈述

由于治疗（ $A$ ）与结局（ $Y$ ）之间存在未观测到的混杂，因果推断在根本上受到了阻碍。虽然 Pearl 的**前门准则（front-door criterion）**为这类场景提供了一种非参数识别策略，即利用一个中介变量（ $M$ ），但该准则提出了一个严苛的要求：中介变量必须不受治疗与结局之共同原因的混杂。在许多实际场景中，中介变量与治疗和结局共享未观测到的共同原因，这违反了该假设，使得标准的前门公式无法适用。

本文针对一种特定的因果结构——复合弓形图（composite bow graph）（图 1）展开研究，其中一个隐藏变量（ $U$ ）同时混杂了治疗（ $A$ ）、中介变量（ $M$ ）和结局（ $Y$ ）。在这种设定下，反事实分布 $p(Y(a))$ 通常无法使用标准的图形方法进行识别。作者提出了一种解决方案，通过利用近端因果推断（proximal causal inference），假设存在关于未观测混杂因子 $U$ 的信息性代理变量（ $W$ 和 $Z$ ）。

方法论

本文开发了三种不同的识别策略，每种策略都依赖于关于代理变量的条件独立性和分布属性的不同集合的结构假设。所有策略旨在将干预分布 $p(Y(a))$ 表示为观测数据分布 $p(A, M, Y, W, Z)$ 的泛函。

1. 识别策略

作者推导了三个对应于三组假设集的定理：

假设集 1（定理 3.4）：
- 结构： 基于图 4a。
- 假设： 要求特定的条件独立性（例如 $Y \perp Z \mid U, M, A$ ）以及完备性条件（completeness conditions）（假设 3.2），以确保代理变量在给定潜在变量时的分布具有足够的变异性。
- 机制： 依赖于 第一类 Fredholm 积分方程 解的存在性。识别公式（式 7）利用一个“桥函数（bridge function）” $h_0$ ，通过对观测到的代理变量 $W$ 进行积分来对未观测的 $U$ 进行边缘化。
假设集 2（定理 3.8）：
- 结构： 基于图 4b。
- 假设： 一组非嵌套的条件独立性（假设 3.5）及相应的完备性条件（假设 3.6）。
- 机制： 与集合 1 类似，它采用涉及两个桥函数 $b_0$ 和 $b_1$ 的 Fredholm 方程解（假设 3.7）。所得泛函（式 8）在结构上类似于标准的前门公式，但通过这些桥函数用观测到的代理变量替换了未观测项。
假设集 3（定理 3.13）：
- 结构： 基于图 3b（一个更受限的嵌套模型）。
- 假设： 更强的条件独立性（假设 3.9）、有界密度（假设 3.10）、完备性（假设 3.11）以及**区分性（distinctness）**假设（假设 3.12），确保 $Y$ 的分布在不同潜在状态下存在差异。
- 机制： 该策略扩展了**张量分解（tensor decomposition）**方法（Kruskal, 1977）和基于特征分解的识别方法（Kuroki and Pearl, 2014; Allman et al., 2015）。它能够唯一识别观测变量与潜在变量的完整联合分布（在标签意义上），从而通过 g-公式恢复因果效应。

2. 估计策略

本文为识别出的泛函提出了估计器：

代入估计器（Plug-in Estimators）： 对于所有三种策略，都构建了一致的代入估计器。对于集合 1 和 2，这涉及估计桥函数（积分方程的解）并取样本平均值。对于集合 3，这涉及通过求解线性系统来估计分布组件。
基于影响函数的估计器（集合 3）： 对于第三种策略，作者推导了反事实均值 $\psi_a = E[Y(a)]$ $ψ_{a} = E [Y (a)]$ 的非参数影响函数（式 14）。
- 构建： 该估计器使用通过拉格朗日插值多项式构建的权重，将全数据影响函数（假设 $U$ 已观测）转换为观测数据影响函数。
- 性质： 所得估计器 $\hat{\psi}^{(S3, IF)}_a$ 具有多重稳健性（multiple robustness）（定理 4.2）。只要五组特定的干扰函数（例如 $M$ 的条件密度、代理变量的期望或结局模型）中的任何一组被正确指定，该估计器仍保持一致性。
- 渐近性质： 即使在干扰函数以慢于参数速率（例如使用机器学习）进行估计的情况下，只要使用样本拆分（sample splitting），该估计器也是 $\sqrt{n}$ -一致且渐近正态的（定理 4.3）。

主要结果与贡献

前门准则的泛化： 本文将 Pearl 的前门准则扩展到了中介变量存在混杂的场景，前提是存在针对这些混杂因子的信息性代理变量。
三种识别路径： 作者提供了三种不同的识别定理（定理 3.4, 3.8, 3.13），具有不同的结构假设，为不同的数据生成过程提供了灵活性。
新颖的估计框架： 本文引入了一个严谨的估计框架，用于处理这些复杂的泛函，包括一个具有双重/多重稳健性和 $\sqrt{n}$ -一致性的半参数影响函数估计器。
模拟验证： 通过在有限支撑和混合数据生成过程上的模拟研究（第 5 节），验证了识别方法的有效性和所提估计器的性能。

意义与主张

本文声称弥合了基于图形模型的识别（通常在隐藏中介变量时失效）与近端因果推断（通常解决治疗/结局的隐藏混杂，但不解决中介变量的混杂）之间的鸿沟。通过结合这些方法，作者证明了在“复合弓形”结构中，因果效应仍然是可识别的——这是实践中常见的场景，即中介变量与治疗和结局共享未观测到的共同原因。

其意义在于，通过引入观测到的潜在混杂因子的代理变量，放宽了“中介变量无混杂”这一限制，而这曾是应用前门分析的主要瓶颈。这项工作为面临此类复杂混杂结构的学者提供了理论基础和实用的估计工具（包括稳健估计器）。作者指出，集合 3 的识别策略将现有的特征分解方法扩展到了连续状态空间，并允许识别完整的联合律，而不只是平均因果效应。