Optimal Adjustment Sets for Nonparametric Estimation of Weighted Controlled Direct Effect¶
会议: NeurIPS 2025
arXiv: 2506.09871
代码: 无
领域: AI安全
关键词: weighted controlled direct effect, causal inference, mediation analysis, optimal adjustment, fairness
一句话总结¶
针对加权控制直接效应（WCDE）建立三项基础理论：唯一可识别性的充要条件、非参数估计的影响函数推导、以及最小化渐近方差的最优协变量调整集刻画。
研究背景与动机¶
领域现状：因果推断中直接效应（Direct Effect）的估计在公平性分析和中介分析中至关重要。控制直接效应（CDE）固定中介变量取值后测量处理对结果的直接影响。
现有痛点：CDE 要求指定中介变量的具体取值，但当处理效应随中介变量水平变化时，单一取值的 CDE 可能误导。加权控制直接效应（WCDE）通过在中介变量分布上取平均解决此问题，但缺乏系统的可识别性理论和最优估计方法。
核心矛盾：WCDE 的估计比平均处理效应（ATE）更复杂——中介变量-混杂因子的交互使得最优调整集与 ATE 的经典结果不同。
切入角度：从半参数统计理论出发，推导 WCDE 在观测数据中的影响函数和效率界。
核心 idea：WCDE 的最优调整集由中介-混杂交互结构唯一决定，且在某些 DAG 中 WCDE 与 CDE 在数值上不同。
方法详解¶
整体框架¶
给定因果 DAG \(\mathcal{G}\)，处理 \(A\)，结果 \(Y\)，中介 \(M\)。WCDE 定义为： $\(\text{WCDE}(a, a') = \sum_m [E[Y \mid do(A=a, M=m)] - E[Y \mid do(A=a', M=m)]] \cdot P(M=m)\)$
关键理论贡献¶
-
可识别性充要条件
- 时机：WCDE 何时能从观测数据唯一识别？
- 定理：WCDE 可识别当且仅当 (i) 不存在 \(A \to M\) 的未观测混杂路径，且 (ii) 不存在 \(M \to Y\) 的未观测混杂路径
- 重要推论：存在 DAG 使得 CDE 可识别但 WCDE 不可识别（反之亦然）
-
影响函数推导
- 在正则渐近线性（RAL）估计器类中推导 WCDE 的有效影响函数
- 形式：\(\psi(O) = \sum_m [\mu(a,m,W) - \mu(a',m,W)] \cdot f(m) + \text{correction terms}\)
- 修正项涉及处理倾向得分 \(e(W)\) 和中介密度 \(f(m|W)\)
-
最优协变量调整集
- 定理：最优调整集 \(W^*\) 需包含 (i) \(A\) 和 \(Y\) 的共同原因，(ii) \(M\) 和 \(Y\) 的共同原因
- 核心差异：ATE 的最优调整集仅需 (i)，但 WCDE 因中介-混杂交互额外需要 (ii)
- 推论：在某些 DAG 结构中，加入更多协变量反而增大方差（"无益混杂"现象）
估计策略¶
- 基于影响函数构造双重鲁棒（doubly robust）估计器
- 使用交叉拟合（cross-fitting）消除 Donsker 条件
实验关键数据¶
模拟实验一 — 方差比较 (\(n=1000\), 100 次重复)¶
| 调整集 | MSE (×\(10^{-3}\)) | 方差 (×\(10^{-3}\)) | 偏差² (×\(10^{-3}\)) |
|---|---|---|---|
| 空集（不调整） | 有偏 | — | — |
| 全集（所有观测） | 8.72 | 8.41 | 0.31 |
| \(\{W_1\}\)（仅 ATE 最优） | 6.15 | 5.89 | 0.26 |
| \(\{W_1, W_2\}\)（本文最优） | 3.87 | 3.65 | 0.22 |
| Oracle | 3.52 | 3.52 | 0.00 |
模拟实验二 — 样本量对效率的影响¶
| 样本量 \(n\) | 全集 MSE | ATE 最优集 MSE | WCDE 最优集 MSE |
|---|---|---|---|
| 500 | 17.3 | 12.1 | 7.8 |
| 1000 | 8.7 | 6.2 | 3.9 |
| 2000 | 4.5 | 3.1 | 1.9 |
| 5000 | 1.8 | 1.2 | 0.8 |
消融实验 — 不同 DAG 结构下的差异¶
| DAG 类型 | WCDE = CDE? | 全集最优? | 本文最优集优于 ATE 集? |
|---|---|---|---|
| 无中介-混杂交互 | 是 | 否 | 相同 |
| 有中介-混杂交互 | 否 | 否 | 是，显著 |
| M 是 collider | 不可识别 | — | — |
关键发现¶
- 当存在中介-混杂交互时，WCDE 最优调整集比 ATE 最优集的 MSE 低 37-50%
- 使用全部协变量调整不是最优的，某些协变量会增加方差
- WCDE 与 CDE 在有中介-混杂交互的 DAG 中数值不同，验证了 WCDE 的实际意义
- 交叉拟合消除偏差的效果在小样本时尤为显著
亮点与洞察¶
- 理论贡献清晰且完整：可识别性 → 影响函数 → 最优调整集，三部曲逻辑自洽
- ATE 与 WCDE 的本质差异：最优调整集不同的根源在于中介-混杂路径
- 公平性应用直接：WCDE 隔离处理的直接效应，排除中介路径，是公平性评估的关键量
局限与展望¶
- 假设无未测量混杂（no unmeasured confounding），在实践中可能不满足
- 连续中介变量时需要核密度估计，高维时效率下降
- 多中介变量场景的最优调整集可能组合爆炸
- 仅考虑无参数模型，半参数效率界的实用性有待探索
相关工作与启发¶
- Pearl (2001)：因果直接效应和间接效应的定义
- Henckel et al. (2022)：ATE 的最优调整集理论
- VanderWeele (2015)：中介分析经典教材
- 启发：不同因果量（ATE/CDE/WCDE）的最优估计策略可能完全不同
评分¶
- 新颖性: ⭐⭐⭐⭐ WCDE 的系统理论首次建立
- 实验充分度: ⭐⭐⭐⭐ 多 DAG 结构模拟充分验证理论
- 写作质量: ⭐⭐⭐⭐⭐ 理论推导严谨，动机清晰
- 价值: ⭐⭐⭐⭐ 公平性和中介分析的理论基础