中介變數的因果推斷

《中介變數的因果推斷》是依託北京套用物理與計算數學研究所，由陳華擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：中介變數的因果推斷
• 項目類別：青年科學基金項目
• 項目負責人：陳華
• 依託單位：北京套用物理與計算數學研究所

項目摘要

研究人員在分析兩個變數之間的關係時，不妨稱為獨立變數和回響變數，有時還會考慮第三個變數在這種關係中所起的作用。如果第三個變數能解釋一部分兩個變數之間的作用，稱第三個變數為中介變數。中介變數能夠解釋的作用稱為間接作用，獨立變數直接對回響變數產生的作用稱為直接作用。中介變數廣泛出現在自然科學和社會科學的各類學科中，尤其在醫學領域更是很多人關心的對象。目前中介變數的套用多數是源自Baron和Kenny在1986年提出的路徑分析方法。這個方法是基於相關性分析的，但是人們希望得到的卻是因果結論。混淆相關和因果會產生悖論。因此，本項目用因果推斷理論從以下3方面來分析中介變數：對於隨機變數的類型，研究回響變數是離散多值或其它不滿足線性關係的連續分布；尋找新的更合理的假設；研究在複雜情況下中介變數的分析。本項目的研究對於探討三個變數之間的因果關係，醫學統計和因果推斷理論的發展都具有重要意義。

結題摘要

在很多自然科學和社會科學研究中，中介變數所解釋的間接作用和不被其解釋的直接作用是關注的主要目標。分析中介變數的傳統統計方法是路徑分析，但是該方法是基於相關分析，並沒有給出因果結論。以此為動機，本項目用因果推斷理論從三方面分析中介變數的直接作用和間接作用，即離散多值目標變數、因果假設和缺失數據。在離散多值目標變數和因果假設方面，項目負責人利用協變數輔助證明了處理變數對離散多值目標變數的直接因果和間接因果作用的可識別性，給出EM算法估計因果作用，並研究了算法的收斂性和敏感性，最後將我們的方法套用到一個治療抑鬱症的隨機化臨床試驗。與以往的方法相比，我們的估計方法避免了一些不可檢驗的因果假設，只要協變數足夠多，就可以識別直接因果作用和間接因果作用，在實際套用中更容易解釋和理解。在缺失數據方面，項目負責人在依從問題的背景下，證明了非隨機缺失機制的情況下連續結果變數的間接因果作用的可識別性，給出因果作用的兩步最大似然估計(Two-Step Maximum Likelihood Estimator, TSMLE)，並研究了算法的收斂性和敏感性，最後將我們的方法套用到一個分析精神分裂症藥物療效的雙盲隨機化臨床試驗中。我們的分析表明非隨機缺失機制的選擇對估計結果有影響，因此針對不同的非隨機缺失機制應該研究相應的估計方法。我們的研究工作為依賴結果的不可忽略缺失機制下依從組平均因果作用(Complier average causal effect, CACE)的估計提供了方法。本項目為中介變數的直接和間接因果作用的估計補充了新的方法，推動了中介變數的因果推斷理論的發展和套用，提出的理論方法在實際套用中已得到實現，研究成果已整理成論文。