1. 导言
2. 因果模型与因果图
2.1 结构因果模型与因果图
2.2 干预和因果效应
2.3 因果与非因果路径
2.4 后门准则
2.5 线性与非线性模型
2.6 实质共同结果与 d 分离
3. 好的控制与坏的控制
3.1 好的控制
3.1.1 共同原因情形
3.1.2 带有中介的共同原因
3.2 坏的控制
3.2.1 M 偏误
3.2.2 偏误放大
3.2.3 阻断正确路径
3.2.4 打开混淆路径
3.2.5 选择偏误
3.2.6 Case-Control 偏误
3.3 中性的控制
3.3.1 可能提高精度的情形
3.3.2 可能降低精度的情形
3.3.3 可能缓解选择偏误的情形
4. 结语
5. 相关推文
资源共享
关于我们
A-理论部分：控制变量！控制变量！Good-Controls-Bad-Controls
2022-09-07
曹昊煜
10857

连享会   主页 || 推文 || 知乎 || B 站 || 在线课堂

New！ 搜推文，找资料，用 lianxh 命令：
安装： ssc install lianxh, replace
使用： lianxh 合成控制
       lianxh DID + 多期, w

 

⛳ Stata 系列推文：

☝ PDF下载 - 推文合集

 

 

作者：曹昊煜 (兰州大学)
邮箱：caohy19@lzu.edu.cn

 

 

编者按：本文主要摘译自下文，特此致谢！
Source：Cinelli C, Forney A, Pearl J. A Crash Course in Good and Bad Controls. Sociological Methods & Research. 2022. -PDF- -Link- -R-

本系列分成理论和实操两部分：

 

 

目录
[[TOC]]

 

 

1. 导言

在实证研究中「坏的控制」时常出现，当一个变量的加入使得回归结果与预期产生明显差异时，该变量可能是坏的控制。如何避免这一差异已经成为实证研究中的重要挑战。在本文中，我们试图使用图形工具来解决这一问题。

当需要使估计结果更加接近真实参数时，我们必须考虑加入某个变量后对结果的影响。一方面存在一些好的控制，如果不加入模型可能导致遗漏变量问题。另一方面，如果加入坏的控制，则可能导致估计偏误。

尽管在现有的部分教材中提到了遗漏 “相关变量” 问题，但他们并未明确说明何谓 “相关变量”，也没有指出加入某些变量可能导致不一致估计的问题。上述事实可能会使研究者产生一个不好的想法，即尽可能多地加入控制变量总是更好的。

实际上，好的控制是在感兴趣的解释变量确定时已经固定的变量，即不受处理变量影响的因素，而坏的控制会受到处理变量的影响。但这一条件对控制变量是否是好的控制而言既不必要也不充分。尽管如此，我们仍可以借助图形来更好地理解控制变量的好坏。

 

2. 因果模型与因果图

2.1 结构因果模型与因果图

为了研究回归方程的估计结果与因果效应是否存在差距，首先必须定义因果效应。下面是一个结构因果模型 (Structural Causal Models，SCM) 的例子：

M={Z←fz(Uz)X←fx(Z,Ux)Y←fy(X,Z,Uy)U∼P(U)M = \left\{ \begin{align*} &Z \leftarrow f_z(U_z) \\ &X \leftarrow f_x(Z,U_x) \\ &Y \leftarrow f_y(X,Z,U_y) \\ &\mathbf{U} \sim P(\mathbf{U}) \end{align*} \right.

其中，V={Z,X,Y}\mathbf{V} = \{Z,X,Y\} 为内生变量，U={Ux,Uy,Uz}\mathbf{U} = \{ U_x,U_y,U_z \} 为一切外生的因素，通常称之为扰动项。函数 F={fz,fx,fy}F = \{f_z,f_x,f_y\} 称为结构方程，每一个函数代表了一条因果路径。模型定义了内生变量的联合分布 P(V)P(\mathbf{V})，称为观测分布。每个结构因果模型都可以使用因果图 (又称有向无环图) 表示，结构因果模型 M 的因果图如下所示：

 

2.2 干预和因果效应

干预是通过改变 SCM 的机制实现的。例如，我们使用 do(X=x)do(X = x) 代替模型中的机制 X←fx(Z,Ux)X \leftarrow f_x(Z,U_x)，即 XX 被外生地赋值为 xx，则因果图变为：

此时 SCM 中的内生变量服从干预分布 P(V∣do(X=x))P(\mathbf{V}|do(X=x))，平均因果效应为 (Average Causal Effect，ACE)：

ACE(x)=E[Y∣do(x+1)]−E[Y∣do(x)]ACE(x) = E\left[ Y|do(x+1) \right] - E\left[ Y|do(x) \right]

可见因果效应取决于 xx 的取值，在线性模型中，ACE 退化为一个数值。当然，也可以使用同样的思路定义其他的因果效应，比如条件直接效应 (Controlled Direct Effect，CDE)。此时内生变量 ZZ 也受到控制：

CDE(x,z)=E[Y∣do(x+1),do(z)]−E[Y∣do(x),do(z)]CDE(x,z) = E\left[ Y|do(x+1),do(z) \right] - E\left[ Y|do(x),do(z) \right]

在加入干预机制的结构因果模型 MxM_x 中，潜在结果 Vx\mathbf{V}_x 定义为内生变量的解，也就是说 P(V∣do(X=x))P(\mathbf{V}|do(X=x)) 可以等价地写为 P(Vx)P(\mathbf{V}_x)。从而平均因果效应可以写为：

ACE(x)=E[Yx+1]−E[Yx]ACE(x) = E\left[ Y_{x+1} \right] - E\left[ Y_x \right]

 

2.3 因果与非因果路径

假定所有函数关系都是线性的，即 Z←UzZ \leftarrow U_z，X←λzxZ+UzX \leftarrow \lambda_{zx} Z + U_z，Y←λxyX+λzyZ+UyY \leftarrow \lambda_{xy}X+\lambda_{zy}Z + U_y。进一步假定 U\mathbf{U} 服从多元正态分布。因此 ACE 为：

ACE(x)=E[Y∣do(x+1)]−E[Y∣do(x)]=λxyACE(x) = E\left[ Y|do(x+1) \right] - E\left[ Y|do(x) \right] = \lambda_{xy}

YY 对 XX 回归的系数：

βy,x=Cov⁡(Y,X)Var⁡(X)=λxy+λzxλzy\beta_{y,x} = \frac{\operatorname{Cov}(Y,X)}{\operatorname{Var}(X)} = \lambda_{xy} + \lambda_{zx}\lambda_{zy}

因此直接使用 YY 对 XX 回归无法得到真正的因果关系。其原因在于 ZZ 混杂在二者的因果关系中，或者说存在混杂路径 X←Z→YX\leftarrow Z \rightarrow Y，有时也称为 “后门路径”，此时 ZZ 必须控制在回归方程中。

在一般的因果图中，需要理解三种重要的因果关系：

  • 中介 (Chains)：中介指的是路径 X→Z→YX \rightarrow Z \rightarrow Y，即 XX 对 YY 的因果影响是通过 ZZ 实现的。在方程中控制 ZZ 会阻断这一联系；
  • 共同原因 (Forks)：共同原因指的是路径 X←Z→YX \leftarrow Z \rightarrow Y，即 ZZ 同时影响 XX 和 YY。因此二者间存在非因果路径，在方程中控制 ZZ 会阻断这一联系；
  • 共同结果 (Coliders)：共同结果指的是路径 X→Z←YX \rightarrow Z \leftarrow Y，这一路径本身是关闭的，但如果我们在方程中控制了 ZZ，则会打开这一非因果路径。

需要注意的是，控制某一变量的派生变量也视为部分控制了该因素。现在我们可以判断当以 Z\mathbf{Z} 为条件时，路径 pp 是否被阻断：

  • 当路径是中介或共同原因时，Z\mathbf{Z} 中会纳入中间节点能够阻断路径 pp；
  • 当路径是共同结果时，Z\mathbf{Z} 中既不包含中间节点，也不包含其结果，则能够阻断路径 pp。

 

2.4 后门准则

因果图揭示了何种 Z\mathbf{Z} 的设定会阻断正确的因果路径，我们需要做的是选择 Z\mathbf{Z}，以保证：

  • 阻断所有虚假的路径；
  • 避免阻断或部分阻断真实的因果路径；
  • 避免打开其他虚假的路径。

以上三点称为后门准则。如果我们能够找到一组变量 Z={Z1,Z2,⋯ ,zK}\mathbf{Z} = \{ Z_1,Z_2,\cdots,z_K \}，那么使用迭代期望率：

E[Y∣do(X=x)]=E[E[Y∣X=x,Z=z]]E \left[ Y|do(X=x) \right] = E \left[ E \left[ Y|X=x, \mathbf{Z} = z \right] \right]

2.5 线性与非线性模型

前文的识别结果还没有参数化，其步骤是首先计算出 E[Y∣X=x,Z=z]E \left[ Y|X=x, \mathbf{Z} = z \right]，再计算 Z\mathbf{Z} 的无条件均值。如果 E[Y∣X=x,Z=z]E \left[ Y|X=x, \mathbf{Z} = z \right] 是线性的，那么：

E[E[Y∣X=x,Z=z]]=βyx,z+∑j=1kβyzj,xz−jE[Zj]E \left[ E \left[ Y|X=x, \mathbf{Z} = z \right] \right] = \beta_{yx,\mathbf{z}} + \sum_{j=1}^{k} \beta_{yz_j,x\mathbf{z}_{-j}}E[Z_j]

其中 Z−j\mathbf{Z}_{-j} 表示 Z\mathbf{Z} 中除了 ZjZ_j 以外的变量。因此在线性假定下，ACE 简化为 βyx,z\beta_{yx,\mathbf{z}}。但如果函数假定是非线性的，则该结果不再成立。

2.6 实质共同结果与 d 分离

考虑以下因果模型：

可以看到共同结果 X→Y←UyX \rightarrow Y \leftarrow U_y，当我们在模型中控制了 ZZ 时，会部分打开这一路径，此时 ZZ 就是一个坏的控制。如果 Z\mathbf{Z} 的设定阻断了所有 XX 和 YY 之间的路径，则称二者 d 分离，也即条件独立 Y⊥X∣ZY \bot X|\mathbf{Z}。因此，假定该示例中不存在路径 X→YX \rightarrow Y，则 XX 和 YY 是 d 分离的，此时控制 ZZ 也不会打开任何二者间的路径。

 

3. 好的控制与坏的控制

这一部分将介绍 18 个结构因果模型并分析其控制的好坏，各分类的名称由作者命名，因此可能不具备一般性。

3.1 好的控制

3.1.1 共同原因情形

当 ZZ 作为共同原因或者共同原因的派生变量时，控制 ZZ 可以阻断虚假的因果路径。

模型 1 中 ZZ 是共同原因，因此必须控制在模型中。而在模型 2 或模型 3 中，ZZ 并不是传统意义上的混淆因素，但控制 ZZ 可以切断来自不可观测因素的混淆，此时可以得到无偏的 ACE 估计。

3.1.2 带有中介的共同原因

如果模型中同时存在共同原因和中介关系，那么同样必须阻断后门路径。

以上三个模型中同时包含了中介关系和共同原因，以模型 4 为例，其后门路径为 X←Z→M→YX \leftarrow Z \rightarrow M \rightarrow Y。而在模型 5 和模型 6 中，ZZ 是共同原因 UU 的派生变量，因此同样可以阻断后门路径。

3.2 坏的控制

3.2.1 M 偏误

在模型 7 中，变量 ZZ 同时与处理变量和结果变量相关，因此其被称为 “预处理” 变量。尽管在传统的计量经济学中认为 ZZ 是一个好的控制，但实际上可能会打开一条后门路径 X←U1→Z←U2→YX \leftarrow U_1 \rightarrow Z \leftarrow U_2 \rightarrow Y，这种坏的控制称为 M 偏误。

3.2.2 偏误放大

另一种关于 “预处理” 的控制是加入影响处理变量的因素。在这一情形下，不但无法分离出真实的因果效应，还会放大本身存在的偏误。

3.2.3 阻断正确路径

在因果推断中，一方面我们想要剔除所有可疑的路径，另一方面也要注意不能阻断正确的因果路径。下面两个模型显示了阻断因果路径的坏控制：

在这两个模型中，ZZ 分别作为中介变量和中介变量的派生变量，因此在模型中加入 XX 之后，会完全和部分阻断正确的因果路径，导致不一致的估计。

3.2.4 打开混淆路径

对具有中介变量的模型稍加改动。假设存在不可观测的因素 UU 作为 ZZ 和 YY 的共同原因。此时路径 X→Z←U→YX\rightarrow Z \leftarrow U \rightarrow Y 被 ZZ 这一共同结果阻断，加入 ZZ 之后反而会打开该路径。

3.2.5 选择偏误

以下两种情况称为选择偏误，其特征是打开了与 XX 和 YY 共同相关的因果路径。在左边的模型中，控制 ZZ 之后出现了混淆路径 X→Z←U→YX \rightarrow Z \leftarrow U \rightarrow Y，右边的模型则由于控制了共同原因而违反了后门准则。

3.2.6 Case-Control 偏误

在最后一个模型中，如果加入 YY 的派生变量也可能导致估计偏误，尽管 XX 和 ZZ 之间并不存在因果路径。

这一结果的原因很难通过因果路径解释，但 ZZ 本质上是 YY 的一个派生变量，其很有可能是处理的结果，因此加入 ZZ 同样是一个坏的控制。但当 XX 和 YY 之间的路径不存在，或者说二者 d 分离时，加入 ZZ 可以检验二者的关系是否为 0。

3.3 中性的控制

3.3.1 可能提高精度的情形

在很多情形下，加入某些控制变量是无害的，但也无法提供更多因果信息。例如在以下模型中，ZZ 并没有混淆因果关系，也没有阻断可疑的因果路径，因此 ZZ 是一个中性的控制。但加入 ZZ 之后，因果关系估计的标准误会下降，因此 ZZ 能够改善 ACE 的估计精度。

3.3.2 可能降低精度的情形

与第一种情形相反，在下面的模型中虽然控制 ZZ 也不会影响从 XX 到 YY 的因果关系，但是此时会放大 ACE 的估计方差，降低估计的精度。可见 XX 的父变量会损害估计精度，而 YY 的父变量则会提高估计精度。

要注意的是，该模型与偏误放大情形非常类似，唯一的区别在于该模型中不存在与 XX 和 YY 同时相关的不可观测因素。

3.3.3 可能缓解选择偏误的情形

与传统经济学不同，并非所有 “处理后” 变量都是坏的控制。在以下的两个模型中，ZZ 的加入并未打开混淆路径。

在这两个模型中，加入 ZZ 都会降低 XX 的方差，因而损害估计的精度。但在右边的模型中，控制 ZZ 可以缓解关于 WW 的选择偏误。

 

4. 结语

本文对结构因果模型进行了简要的介绍，同时列举了诸多好的控制、坏的控制和中性控制的例子。通过后门准则，我们可以在绝大多数情况下分析控制变量的优劣，但对于中性控制与平均因果关系估计精度，以及其他特殊情形，因果图可能无法提供直接的判断，需要结合实际的研究问题和更深入的结构因果方程理论来进行分析。

 

5. 相关推文

Note：产生如下推文列表的 Stata 命令为：
  lianxh 控制变量, m
安装最新版 lianxh 命令：
  ssc install lianxh, replace

 

[(https://www.lianxh.cn/details/1543.html)

资源共享

尊敬的老师 / 亲爱的同学们：
连享会致力于不断优化和丰富课程内容，以确保每位学员都能获得最有价值的学习体验。为了更精准地满足您的学习需求，我们诚挚地邀请您参与到我们的课程规划中来。
请您在下面的问卷中，分享您 感兴趣的学习主题或您希望深入了解的知识领域 。您的每一条建议都是我们宝贵的资源，将直接影响到我们课程的改进和创新。
我们期待您的反馈，因为您的参与和支持是我们不断前进的动力。感谢您抽出宝贵时间，与我们共同塑造更加精彩的学习旅程！https://www.wjx.cn/vm/YgPfdsJ.aspx# 再次感谢大家宝贵的意见！

关于我们

  • Stata连享会 由中山大学连玉君老师团队创办，定期分享实证分析经验。more……
  • 扫码加入连享会微信群，提问交流更方便

在实证研究中「坏的控制」时常出现，当一个变量的加入使得回归结果与预期产生明显差异时，该变量可能是坏的控制。如何避免这一差异已经成为实证研究中的重要挑战。在本文中，我们试图使用图形工具来解决这一问题

⚡ 最新课程推荐：
 
连享会 · 面板数据因果推断

FAQ：往期课程板书和答疑文档

选题征集，点击 此处 或者扫码填写问卷留下您的宝贵意见，感谢！

NEW！视频课堂：lianxh-class.cn

⚡ 新版 lianxh 命令：使用说明
 . ssc install lianxh, replace
 . lianxh 多期DID

⚡ ihelp：帮助文件 PDF 版
 . ssc install ihelp, replace
 . ihelp xtreg

lianxh_cn_saoma

⭕ 连玉君 · Stata 33 讲 - 免费
  o 点击观看，dofile 下载, --Book--

推荐专题