Causal Inference under Interference with Learned Exposure Mappings

技术摘要：具有学习型暴露映射的干扰下因果推断

问题陈述
在存在干扰（interference）的因果推断中，“暴露映射”（exposure mapping）是一个关键组件，它定义了分配给某一单位的干预如何影响其他单位的有效暴露。传统的框架通常假设该映射是预先已知的，通常通过固定的地理距离或网络结构来指定。然而，在环境应用领域（例如分析污染控制对健康的健康影响）中，暴露映射并非直接观测到的，而是由必须从污染数据中学习到的潜在大气传输过程所诱导的。

这产生了一个根本性的挑战：虽然各种传输模型（机械性偏微分方程、物理信息神经算子、傅里其神经算子和基础模型）在预测观测到的污染浓度方面可能达到相似的预测精度，但它们可能暗示了不同的底层传输算子。因此，这些模型可能会生成截然不同的暴露映射，从而导致关于溢出效应（spillover effects）迥异的因果结论。本文研究了当暴露映射是学习而非观测时，不同传输模型之间的预测一致性是否足以进行可靠的因果推断。

研究方法
本研究采用了一个框架，其中传输算子 $T$ 将干预向量 $A$（减排量）映射为暴露映射 $E(T) = TA$。感兴趣的因果量是由于直接干预和溢出暴露对健康结果 $H$ 产生的溢出效应。

作者对比了四种不同的传输建模方法：

1. 机械性 PDE：一个平流–扩散偏微分方程模型。
2. PINO：物理信息神经算子。
3. FNO：傅里其神经算子。
4. GeoPT：一种用于地球物理传输的近期基础模型。

评估分为两个阶段：

• 模拟研究：一个潜在的“真实”传输算子 $T^*$ 生成污染动力学。竞争模型被拟合到由此产生的观测污染场。研究评估了每个模型在预测污染（$PM$）、恢复真实暴露映射以及估计真实溢出效应方面的能力。
• 实证分析：将这些模型应用于加利福尼亚州 $PM_{2.5}$ 数据。分析考察了不同的传输假设如何影响在假设的污染控制干预下的推断溢出模式，且不声称识别出了单一的“真实”大气过程。

核心结果

• 预测等效性 vs. 因果差异性：在模拟中，所有四种模型都实现了几乎相同的污染预测精度（$R^2$ 在 0.970 至 0.975 之间）。然而，它们估计的溢出效应差异显著，范围从 1.78 到 2.27。最能准确恢复暴露映射的模型（FNO）所产生的溢出估计值最接近真实值。
• 暴露映射准确度作为预测因子：研究发现，恢复暴露映射的准确度是比污染预测精度的边际提升更强的推断性能预测因子。具有较大暴露映射误差的模型（如 PINO、GeoPT）产生了较大的溢出估计偏差。
• 干预敏感性：暴露映射的不确定性对干预类型的影响很大：
  • 区域性干预：模型间表现出适度的分歧（溢出范围：1.79–2.42）。
  • 上风向干预：显示出最小的分歧（范围：1.93–2.13）。
  • 局部点源干预：显示出巨大的分歧，估计的溢出效应从 0.51（PDE）到 1.56（GeoPT）不等——存在三倍的差异。
• 实证发现（加州）：对加利福尼亚州 $PM_{2.5}$ 数据的分析反映了模拟结果。虽然竞争模型对观测浓度的预测结果相似，但它们暗示了不同的溢出模式，并识别出受干预影响最大的不同位置。值得注意的是，虽然溢出估计值各异，但总体的估计干预效应保持稳定（范围在 0.303 到 0.305 之间），这表明传输不确定性对机制理解的影响大于对总体政策影响的预测。

意义与主张
本文认为，当暴露映射是学习得到时，仅凭预测一致性不足以进行可靠的因果推断。其核心贡献在于证明了：即使模型在拟合观测数据方面表现同样出色，也可能诱导出不同的暴露映射，从而导致关于溢出效应截然不同的结论，尤其是在局部干预的情况下。

作者主张：

1. 暴露映射应被视为估计量，而非固定的设计对象，因此有必要将来自传输学习过程的不确定性传播到下游的因果分析中。
2. 传输模型的评价标准必须超越预测精度，应包括所诱导出的暴露映射的稳定性和可靠性。
3. 传输过程的不确定性对于针对性干预最为重要，因为在这些情况下，局部传输行为对下游暴露的影响比广泛的区域性干预更强。

研究结论认为，如果不考虑学习到的传输过程中的不确定性，关于溢出效应的因果推断可能是不可靠的，即使底层的模型在预测性能方面看起来是无法区分的。