Causal Inference for Sequential Settings under Interference and Latent Confounding¶
会议: NeurIPS 2026
arXiv: 2607.14940
OpenReview: https://openreview.net/forum?id=nZvLqHKKp6
代码: https://anonymous.4open.science/r/MPLECausalInferenceC502
领域: 因果推理
关键词: 因果推理、干预溢出、潜在混杂、Ising模型、伪似然估计
一句话总结¶
针对同时存在网络干预溢出、时间自相关与低秩潜在混杂的时序观测数据，本文提出一种基于时序最大伪似然估计（MPLE）与交替最小化的可微学习框架，在单条高维轨迹观测下实现了具备非渐近一致性保证的参数估计与广义因果效应推断。
研究背景与动机¶
因果推理的经典基石通常依赖于个体处理稳定性假设（SUTVA），即任一单元的潜在结果仅取决于其自身的干预分配与固有特征。然而在诸多现实时序观测场景中，单元之间天然存在复杂的空间网络交互与传染效应（例如传染病传播中疫苗接种对邻近社群感染风险的间接保护溢出）。当干预与结果沿社交网络或地理拓扑发生外溢时，SUTVA 假设被严重打破，促使研究者转向基于马尔可夫随机场（MRF）的结果干预溢出模型。
现有的网络溢出因果推理工作主要局限于静态截面设定，且普遍假定所有混杂因素完全可观测且独立同分布采样。在实际面板数据中，系统演化往往具有显著的时间自相关性（前一时刻状态决定当前状态），且不可避免地受到未观测到的潜在混杂因素污染（如各区域未观测的健康偏好、动态政策波动或环境暴露）。这导致未观测变量、时序依赖与空间网络溢出相互交织纠缠；由于实际观测数据往往仅能获取系统随时间演化的高维单一轨迹采样，传统因果识别策略面临严重不可识别性与维度灾难的双重困境。
面对这一挑战，本文的核心切入点是将面板数据文献中的低秩因子结构引入时序自旋 Ising 模型，将时空动态中难以捉摸的高维潜在混杂刻画为外场参数矩阵的低秩分解，进而借助伪似然的局部分离特性规避经典配分函数的不可计算性。核心 idea：将网络干预溢出建模为时序自回归 Ising 模型，并将不可观测的动态混杂吸收为外场偏置中的低秩因子矩阵，利用时序最大伪似然估计（MPLE）结合低秩交替最小化与时序 Gibbs 采样，仅凭单条高维轨迹即实现了非渐近一致的参数辨识与广义因果效应估计。
方法详解¶
整体框架¶
本文考虑包含 \(N\) 个单元在 \(T\) 个离散时间步上的二值时序结果 \(x_i^{(t)} \in \{-1, 1\}\) 与二值干预 \(z_i^{(t)} \in \{-1, 1\}\)，并伴随潜在混杂变量 \(\alpha_i^{(t)} \in \mathbb{R}\)。观测数据仅为时空轨迹的一组单样本 \((\mathbf{x}, \mathbf{z})\)。系统演化遵循时序马尔可夫链 \(p(\mathbf{x}|\mathbf{z}) = \prod_{t=1}^T p(\mathbf{x}^{(t)}|\mathbf{z}^{(t)}, \mathbf{x}^{(t-1)})\)，每个时刻的截面条件概率服从结合了网络外溢与时间记忆的广义自旋玻璃 Ising 模型：
其中 \(\Gamma = [\gamma_{ij}]\) 为已知的对称零对角邻接/权重矩阵（归一化为 \(\|\Gamma\|_\infty = 1\)），\(\xi\) 控制空间网络外溢强度，\(\eta\) 控制一阶时间自相关强度，\(\beta\) 为干预的直接处理效应，而 \(A = [\alpha_i^{(t)}] \in \mathbb{R}^{N \times T}\) 为潜在混杂外场矩阵。为从单样本数据中恢复未知参数 \(\theta = (A, \beta, \xi, \eta)\) 并估计反事实干预策略下的广义因果效应（GTE），算法包含三大核心阶段：时序最大伪似然目标构建、低秩矩阵因子分解与交替优化、以及基于 Dobrushin 条件的时序 Gibbs 反事实抽样。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["单样本观测时空轨迹<br/>X, Z 及交互拓扑 Γ"] --> B["构建时序伪似然目标<br/>条件局部对数似然求和"]
B --> C["低秩交替最小化求解<br/>A=UV^T 因子化与凸目标优化"]
C --> D["时序 Gibbs 反事实采样<br/>给定干预序列 z 模拟反事实轨迹"]
D --> E["广义因果效应估计 GTE<br/>反事实期望差分计算"]关键设计¶
1. 构建时序伪似然目标：规避全局配分函数计算困境
高维 Ising 模型中真实联合似然的配分函数包含 \(2^N\) 项指数求和，在网络紧密耦合时进行标准极大似然估计在计算上不可行。本文基于条件局部马尔可夫性质，提出按时间步串行条件化的时序最大伪似然（Sequential MPLE）。对每个节点 \(i\) 在时刻 \(t\) 的自旋状态 \(x_i^{(t)}\)，仅以其空间网络邻居 \(\mathbf{x}_{-i}^{(t)}\)、自身前一时刻状态 \(x_i^{(t-1)}\) 及当前干预 \(z_i^{(t)}\) 为条件：
局部条件分布为关于局部有效外场 \(h_i^{(t)} = \alpha_i^{(t)} + \beta z_i^{(t)} + \eta x_i^{(t-1)}\) 与网络邻居项 \(\xi \sum_{j} \gamma_{ij} x_j^{(t)}\) 的标准 Logistic 形式。这使得目标函数 \(\varphi(\theta)\) 成为参数 \(\theta\) 的凸函数，不仅梯度解析易求、计算开销呈线性扩展，而且完全摆脱了全局采样近似配分函数带来的巨大计算负担。
2. 低秩交替最小化求解：实现潜在混杂与干预效应的可辨识分离
直接优化未受限矩阵 \(A \in \mathbb{R}^{N \times T}\) 包含 \(N \times T\) 个参数，在单样本观测下会导致模型欠定且干预效应 \(\beta\) 被外场完全吸收吸收（不可识别）。本文引入面板数据文献中的低秩因子假定 \(\mathrm{rank}(A) \le k \ll \min(N, T)\)，将潜在混杂矩阵分解为单元固定潜在特征矩阵 \(U \in \mathbb{R}^{N \times k}\) 与时间动态冲击矩阵 \(V \in \mathbb{R}^{T \times k}\) 的乘积 \(A = U V^\top\)。为了高效求解带低秩约束的优化问题，算法采用 Burer-Monteiro 型非凸交替最小化，结合 Frobenius 范数正则项：
在优化过程中轮流固定 \(U\) 更新 \(V\) 以及固定 \(V\) 更新 \(U\)。为了保证因果参数 \(\beta\) 不被低秩外场平庸吸收，论文引入了干预激发假设（Assumption 3：\(\|(A-A^*) + (\beta-\beta^*)Z\|_F^2 \ge e^{-cB}(\|A-A^*\|_F^2 + NT(\beta-\beta^*)^2)\)），确保干预矩阵 \(Z\) 具备超出低秩外场空间的独立变异性，从而在数学上确立了参数估计的全局可辨识性。
3. 时序 Gibbs 反事实采样：利用 Dobrushin 条件控制误差传播
学得模型参数 \(\hat{\theta} = (\hat{A}, \hat{\beta}, \hat{\xi}, \hat{\eta})\) 后，因果推断需要评估任意全局干预分配 \(\mathbf{z}_1\) 与 \(\mathbf{z}_0\) 下的反事实结果期望，即广义处理效应 \(\mathrm{GTE}(\mathbf{z}_1, \mathbf{z}_0) = \frac{1}{NT}\sum_{i,t}(\mathbb{E}_{\hat{\theta}}[x_i^{(t)}|\mathbf{z}_1] - \mathbb{E}_{\hat{\theta}}[x_i^{(t)}|\mathbf{z}_0])\)。由于条件分布在满足 Dobrushin 唯一性条件（即空间耦合与时间耦合有界 \(|\xi^*| < 1\) 且 \(|\hat{\eta}| + |\hat{\xi}| < 1\)）时具备空间与时间维度的相关性指数衰减（Decay of Correlations），本文采用按时间步前向推进的时序 Gibbs 采样方案（Sequential Gibbs Sampling）：在时刻 \(t\)，固定前一时刻已生成的 \(\mathbf{x}^{(t-1)}\)，执行 \(B\) 轮局部单节点自旋更新即可快速混合，从而高效生成高质量反事实轨迹，且保证参数扰动误差在时空传播过程中不会爆炸。
理论分析与设计权衡¶
定理 1 建立了基于单样本观测的时序 MPLE 非渐近估计误差界：在 Dobrushin 条件和干预激发假设下，以至少 \(1-\delta\) 的概率满足：
其中范数 \(\|\theta-\theta'\|_\star = \frac{\|A-A'\|_F^2}{NT} + (\beta-\beta')^2 + (\xi-\xi')^2 + (\eta-\eta')^2\)。这一理论界揭示了三个深刻的权衡机制：首先，\(T \|\Gamma\|_F^2\) 充当了全图的有效样本量；对于度数有界的稠密连通图，\(\|\Gamma\|_F^2 = \Omega(N)\)，误差收敛速率达到 \(O(k(N+T)\log T / (NT))\)，随着 \(N, T \to \infty\) 趋近于零。其次，分子中的 \(k(N+T)\log T\) 精确对应了有界低秩矩阵空间的对数覆盖数（\(\varepsilon\)-net 熵界），体现了低秩归纳偏置对抵抗过拟合的关键作用。定理 2 进一步证明了因果效应平方误差满足 \((\mathrm{GTE}_{\hat{\theta}}(\mathbf{z}_1, \mathbf{z}_0) - \mathrm{GTE}_{\theta^*}(\mathbf{z}_1, \mathbf{z}_0))^2 \le c \|\hat{\theta} - \theta^*\|_\star\)，确立了从参数一致性到因果量一致性的闭环保证。
实验关键数据¶
主实验¶
论文在合成数据集（\(N=500, T=50, k=3\)）与真实美国县域 COVID-19 疫苗接种案例（\(N=3014, T=115\) 个县）上进行了系统验证。合成数据中真实参数设置为 \(\beta^* = -0.3, \xi^* = 0.8, \eta^* = 0.3\)，测试全局平均处理效应 \(\mathrm{GTE}(\mathbf{1}, -\mathbf{1})\) 的恢复精度。主实验对比了完整模型 \(\hat{\theta}\)、忽略网络干预溢出的基线 \(\hat{\theta}_{\xi=0}\)（退化为独立 Logistic 面板回归）以及忽略潜在混杂的基线 \(\hat{\theta}_{A=0}\)。
| 方法/配置 | \(\beta\) 估计 | \(\xi\) 估计 | \(\eta\) 估计 | 潜在场 \(A\) RMSE | \(\mathrm{GTE}(\mathbf{1}, -\mathbf{1})\) 估计 |
|---|---|---|---|---|---|
| 真实值 \(\theta^*\) | \(-0.300\) | \(0.800\) | \(0.300\) | \(0.000\) | \(-0.705 \pm 0.010\) |
| 完整模型 \(\hat{\theta}\) (本文) | \(-0.279 \pm 0.003\) | \(0.799 \pm 0.019\) | \(0.293 \pm 0.002\) | \(0.322 \pm 0.003\) | \(-0.689 \pm 0.015\) |
| 忽略网络溢出 \(\hat{\theta}_{\xi=0}\) | \(-0.279 \pm 0.003\) | \(0.000 \pm 0.000\) | \(0.295 \pm 0.002\) | \(0.325 \pm 0.003\) | \(-0.513 \pm 0.005\) |
| 忽略潜在混杂 \(\hat{\theta}_{A=0}\) | \(-0.154 \pm 0.004\) | \(0.712 \pm 0.026\) | \(0.222 \pm 0.005\) | \(0.750 \pm 0.000\) | \(-0.533 \pm 0.023\) |
在真实 COVID-19 疫苗接种与死亡率案例（评估县域接种率超过 30% 对每 10 万人周死亡数超 2 人的抑制效果）中，全美县域在 \(t \ge 50\) 阶段的反事实政策评估表现如下：
| 模型方案 | 无疫苗反事实 \(\mathbf{z}_0\) | 全面接种反事实 \(\mathbf{z}_1\) | 广义因果效应 \(\mathrm{GTE}(\mathbf{z}_1, \mathbf{z}_0)\) |
|---|---|---|---|
| 完整模型 \(\hat{\theta}\) (建模溢出) | \(-0.189\) | \(-0.298\) | \(-0.108\) |
| 基线模型 \(\hat{\theta}_{\xi=0}\) (忽略溢出) | \(-0.249\) | \(-0.271\) | \(-0.023\) |
消融实验¶
为了在存在时空强相关性的数据上验证模型的泛化拟合能力并防止数据泄漏，论文设计了基于时空时空马尔可夫毯隔离的留出测试集实验（将节点拓扑划分为 6 个子图、时间轴划分为 6 个时段，交叉构建占比 16.67% 的时空留出块 \(\mathcal{T}_{\text{test}}\)，并在边界设置隔离层 \(\mathcal{T}_{\text{sep}}\)）。下表对比了真实 COVID-19 数据集上测试集平均结果绝对误差（AE）：
| 配置 | 训练集 Loss | 测试集 Loss | 全时段测试集 AE | 后期测试集 AE (\(t \ge 50\)) | 说明 |
|---|---|---|---|---|---|
| 完整模型 \(\hat{\theta}\) | \(0.365\) | \(0.557\) | \(0.015\) | \(0.033\) | 考虑网络溢出与潜在低秩场 |
| 忽略溢出 \(\hat{\theta}_{\xi=0}\) | \(0.371\) | \(0.567\) | \(0.011\) | \(0.050\) | 忽略空间溢出效应，后期误差显著放大 (+51.5%) |
| 忽略混杂 \(\hat{\theta}_{A=0}\) (合成对照) | \(0.538\) (对应) | \(0.598\) | \(0.009\) | \(0.009\) | 在混合仿真基准下对比验证 |
关键发现¶
- 忽略网络干预溢出将导致严重低估因果效应：在合成数据中，忽略外溢（\(\xi=0\)）导致 \(\mathrm{GTE}\) 绝对误差达 \(0.192\)；在全美县域真实数据中，忽略溢出预测的因果效应仅为 \(-0.023\)，而考虑网络邻里保护溢出效应时估计的实际效应为 \(-0.108\)（效应量扩大近 5 倍），表明疫苗接种通过群体免疫溢出带来了更广泛的阻断收益。
- 潜在混杂必须显式建模：若强制设定 \(A=0\)，处理效应系数 \(\beta\) 会遭受严重负向偏误（由真实的 \(-0.300\) 萎缩至 \(-0.154\)），导致因果效应估计误差激增 91%。
- 泛化表现优异：在未见时空测试块上，完整模型在干预发生阶段（\(t \ge 50\)）的平均结果预测绝对误差仅为 \(0.033\)，显著优于无溢出基线的 \(0.050\)。
亮点与洞察¶
- 巧妙结合了统计物理与计量经济学工具：将马尔可夫随机场的 Ising 模型用于刻画截面干预外溢，同时吸纳面板数据合成控制领域的低秩因子分析，为复杂非 SUTVA 时序因果推断建立了统一概率图框架。
- 单样本非渐近辨识突破：传统因果推断依赖于大量 i.i.d. 轨迹采样，本文严格证明了在网络连通度充分（\(\|\Gamma\|_F^2 = \Omega(N)\)）与时间步充足的前提下，仅凭单条高维相互依赖轨迹即可实现参数收敛与反事实辨识。
- 严密的理论与计算闭环：将不可计算的联合 MLE 转化为计算轻量的凸伪似然，并利用 Dobrushin 唯一性条件无缝打通了参数集中性不等式、快速混合时序 Gibbs 采样与反事实摄动界证明。
局限与展望¶
- 依赖 Dobrushin 唯一性强假设：理论分析要求交互矩阵谱半径或范数受限（\(|\xi^*| < 1\)），在高度极化、强相变或全网雪崩式连锁反应的临界物理系统中可能失效；在 COVID-19 真实数据中拟合出的 \(\hat{\xi}=1.11\) 在理论上突破了该界限。
- 拓扑已知性假设：算法要求单元间的空间邻接交互矩阵 \(\Gamma\) 预先严格已知且无自环，然而在许多社交推荐与经济金融网络中，干预传递的实际网络结构通常未知且带噪声。
- 未来的重要延伸方向是探索未知图拓扑与时变外溢强度的联合字典学习，以及将二值离散自旋状态推广至连续时序动力系统。
相关工作与启发¶
- vs Tchetgen et al. (2021) / Bhattacharya & Sen (2025): 先前工作首次将 MRF 引入结果干预溢出分析并探讨伪似然与均场推断，但仅局限于无时序记忆的静态截面设定，且要求混杂因素全部可观测；本文成功将其扩展至时序面板动态并支持不可观测的低秩潜在混杂。
- vs Agarwal et al. (2023, 2026) / 综合控制法系列: 经典合成控制与合成干预方法能够处理低秩潜在因子，但大多仅考虑干预作用于自身单元（或简单的近邻处理暴露），且通常仅估计特定单元的个别反事实；本文模型支持任意反事实干预时空模式，并能在双向结果交互下评估全局广义因果效应。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次打通了单样本观测下时序依赖、网络溢出与潜在低秩混杂并存的因果辨识与理论保证。
- 实验充分度: ⭐⭐⭐⭐☆ 包含严密的合成数据、半真实混合实验及全美 3014 个县域两年多的 COVID-19 死亡率实证案例。
- 写作质量: ⭐⭐⭐⭐⭐ 理论推导清晰完整，从伪似然凸性、鞅差集中不等式到扰动分析层层递进。
- 价值: ⭐⭐⭐⭐⭐ 为流行病学、计算社会学及网络政策评估中普遍存在的非 SUTVA 时序高维数据提供了坚实的因果分析工具。