Causal Mediation Analysis for an Interrupted Time Series: Stabilized Mediator Weighting with an Application to a Vehicle Emissions Policy

政策制定者经常在特定日期引入广泛的变化，如新法律或环境法规，希望看到事物运作方式发生清晰的转变。为了衡量这些变化的成功与否，科学家通常会观察一条收集自一段时间内的单一、长期的观测数据线，例如每日空气质量读数。这种被称为“中断时间序列”的方法，非常擅长捕捉政策实施后发生的总变化。然而，它往往留下一个关键问题悬而未决：政策是通过直接改变结果起作用的，还是通过首先改变一个中间因素，进而影响了结果？例如，如果一个城市禁止某种类型的汽车，空气变清新是因为车少了，还是因为剩下的车行驶里程减少了？当数据仅来自一个地方和一条连续的时间流，而非许多独立的群体时，理清这两条路径——即直接路径和通过中间步骤的间接路径——是非常困难的。

曼尼托巴大学的一个统计学家团队开发了一种新方法来解决这个谜题。他们创建了一种方法，即使是在处理单一、不间断的每日数据记录时，也能将政策的总效应分解为直接部分和间接部分。他们的这种方法首先在旨在模拟现实世界每日模式的计算机模拟中进行了测试，研究发现，当隐藏因素影响数据时，旧的、更简单的方法往往会产生误导性的结果。随后，他们将这种新技术应用于一个现实世界的事件：2019年安大略省“清洁驾驶”（Drive Clean）车辆排放检测计划的终止。通过分析多伦多四个地区的每日空气质量数据，他们发现，终止检测计划导致了地面臭氧浓度的可测量下降，但这一下降的过程比简单的因果链更为复杂。

研究人员关注了一个特定的政策变化：2019年4月1日安大略省强制性轻型车辆排放检测程序的终止。在此日期之前，汽车必须通过定期检查以确保其污染程度不会过高。在计划结束后，研究人员想知道这一决定如何影响地面臭氧，臭氧是烟雾中的一种有害成分。他们怀疑这种影响可能会通过二氧化氮进行传递，二氧化氮是一种由车辆排放的、与臭氧形成密切相关的气体。在许多城市地区，这两种污染物之间的关系是反直觉的；有时，二氧化氮的下降实际上会导致臭氧的上升，而在其他情况下，它会导致臭氧的下降。这种复杂性使得很难判断臭氧的变化是政策的直接结果，还是通过二氧化氮变化产生的副作用。

为了解决这个问题，该团队必须克服一个主要的统计障碍。分析此类数据的标准方法通常假设数据点是相互独立的，就像多次抛掷硬币一样。但每日空气质量数据并非相互独立；周二的空气质量深受周一天气和污染水平的影响。此外，政策变化发生在一个固定的日期，这是一个确定性事件，而非随机事件。研究人员意识到，现有的用于分析此类数据的工具是为拥有许多不同个人或群体的研究而设计的，而不是针对单一的、连续的时间线。他们借鉴并改进了一种称为“稳定中介加权”（stabilized mediator weighting）的技术。简而言之，这种方法创造了一个虚拟的人口，在这个人口中，中间因素（二氧化氮）与最终结果之间的联系不会受到其他变化天气条件的扭曲。通过调整数据以解释这些隐藏的影响，他们能够分离出政策的真实效应。

他们还必须考虑到随后发生的第二个重大事件：2020年3月疫情的爆发，这极大地改变了交通模式和排放情况。为了确保他们测量的是排放检测计划的影响而非疫情的影响，他们将疫情开始视为时间线上的第二个中断点。他们使用生成了数千天已知模式的虚假数据的计算机模拟，对这种新方法进行了广泛测试。在这些测试中，他们发现当存在隐藏因素时，旧的、未加权的法表现得很糟糕，往往会完全忽略间接效应，或者误判效应的方向。他们的新方法通过使用加权方法，成功地在模拟中恢复了真实的效应，显著减少了误差，并提供了更可靠的图景。

当他们将这种改进后的方法应用于多伦多的真实数据时，结果揭示了一个细致入微的故事。分析涵盖了城市的四个不同区域：市中心、东部、西部和北部。研究人员发现，终止排放检测计划与地面臭氧的直接减少相关联。在所有四个地区，直接效应都是下降了约2.1部分每十亿（ppb）。这意味着政策变化本身，或与之相关的条件，直接导致了空气的清洁，无论二氧化氮发生了什么变化。即使在他们观察疫情开始前的数据时，这一发现依然成立，表明结果是稳健的，而非封锁措施带来的产物。

然而，间接路径讲述了不同的故事。政策通过二氧化氮对臭氧产生影响的间接效应在城市各区域并不一致。在四个区域中的三个区域，间接效应是正向的，这意味着二氧化氮的变化实际上推高了臭氧水平。但在人口密集的市中心核心区，间接效应是负向的，拉低了臭种水平。当研究人员结合这些区域的结果时，正向和负向的间接效应在很大程度上相互抵消，导致总间接效应接近于零且在统计上不显著。这强调了一个关键点：如果研究人员在没有分离直接和间接路径的情况下仅观察总变化，他们可能会错过强而有力的、一致的直接臭氧削减，以及不同社区中存在的复杂且对立的力量。

研究结论指出，这种新方法为理解现实世界中的政策运作提供了一个强大的工具。通过将干预措施的直接影响与通过中间步骤流动的间接影响区分开来，科学家可以获得更清晰的因果关系图景。就安大略省的“清洁驾驶”计划而言，证据表明，终止检测程序导致了臭氧水平的直接改善，这一发现与大气科学家观察到的城市繁忙地区臭氧行为相符。该研究还证明，依赖简单的、未经调整的方法可能会导致错误的结论，尤其是在处理复杂的、相互关联的环境数据时。区分直接政策效应与间接反应链的能力，为评估公共卫生和环境法规的真实影响提供了一种更精确的方式。