缺失中介因素对因果效应的可传递性的不同影响
内容提要
本文提出了一种基于深度学习的因果中介分析方法，旨在揭示混淆变量并估计因果效应，适用于观察性研究和因果公平性问题。研究探讨了非参数模型和半参数框架在医疗数据分析中的应用，强调了处理缺失数据和治疗选择偏倚的重要性。
延伸解读
方法演进：从参数到非参数与半参数
文章梳理了因果中介分析的方法发展脉络。早期研究依赖参数方法，2012年有工作讨论反事实框架的一般性应用。2018年提出通用非参数结构方程模型，用于识别路径特定效应。2023年则出现非参数中介－结果模型，将中介视为时间点过程，适用于非规则采样时间序列。半参数框架则考虑大量先前混淆因素，提供增量稳健的本地有效估计量和双重稳健灵敏度分析。这些进展显示方法正朝着更灵活、更稳健的方向演进。
处理偏倚与缺失数据的策略
文章涉及多种偏倚处理策略。针对治疗选择偏倚，整体空间因果回归（ESCFR）利用随机最优输运框架，放松约束并设计近端事实后果约束，以应对小批量采样和未观测混淆因素。对于缺失数据，研究指出网络边界界定和固定选择设计会显著改变网络水平统计量的估计，多交互背景社交网络具有惊人特性，学科合作网络在处理人员响应时存在测量误差膨胀风险。这些策略为观察性研究提供了实用工具。
外部有效性与因果效应传输
文章探讨了因果效应从研究样本推广到目标人群的挑战。提出的框架针对外部有效性偏差，综合泛化性和可迁移性方法，明确所需假设，并测试治疗效应异质性及研究与目标人群差异。Text-Transport方法则研究语言技术对读者感知的影响，使用分布转移的估计器传输因果效应，在自然语言数据分布改变时具备统计保证，并应用于社交媒体仇恨言论研究，展示了自然语言因果推断中传输的必要性。
语言与高风险决策中的因果中介
文章将因果中介分析应用于语言和高风险决策场景。通过观察语言理解人际互动，提出因果研究设计评估社会组信号（如种族或性别）对发言人回应的自然直接和间接影响，并将语言的不同方面作为因果中介变量。以美国最高法院口述辩论中倡导者性别对法官打断的影响为例，展示框架优势与挑战，同时讨论概念化和操作因果变量（如性别和语言）的困难，以及语言中介变量间时间依赖关系等技术开放挑战。
Q&A
什么是基于深度学习的因果中介分析方法？
基于深度学习的因果中介分析方法能够揭示隐藏的混淆变量并估计因果效应，适用于观察性研究和因果公平性问题。
该研究如何处理缺失数据和治疗选择偏倚？
研究提出了整体空间因果回归（ESCFR）方法，能够有效应对治疗选择偏倚，并分析缺失数据对社交网络结构的影响。
非参数中介－结果模型的应用是什么？
非参数中介－结果模型能够在非规则采样的时间序列中估计干预的直接和间接效应，特别适用于医疗数据分析。
研究中提到的半参数框架有什么特点？
半参数框架考虑了大量先前混淆因素，提供增量稳健的本地有效估计量和双重稳健灵敏度分析框架。
如何解决外部有效性偏差？
研究提出了一个框架，探讨泛化性和可迁移性的方法及其假设，以解决外部有效性偏差。
语言技术如何影响因果推断？
语言技术通过使用分布转移的估计器来传输因果效应，确保在自然语言数据分布改变时具备统计保证。
