含隐混杂因素的因果中介分析

因果推断中的一个重要问题是将处理对结果的整体效应分解为不同的因果路径，并量化各路径上的因果效应。例如，在因果公平性中，男性员工（即处理）对年收入（即结果）的整体效应包含其直接效应，以及经由员工职业（即中介）的间接效应。因果中介分析（CMA）是常用于揭示此类潜在因果机制的正式统计框架。观察性研究中 CMA 的主要挑战之一是处理混杂因素，即在处理、中介与结果之间造成虚假因果关系的变量。传统方法假设序列可忽略性，意味着所有混杂因素均可被观测，而这在实际应用中往往无法验证。本文旨在规避严格的序列可忽略性假设并考虑隐混杂因素。借助代理变量策略与深度学习的最新进展，我们提出同时揭示刻画隐混杂因素的潜变量并估计因果效应。使用合成与半合成数据集的实证评估验证了所提方法的有效性。我们进一步展示了该方法在因果公平性分析中的潜力。