贝叶斯半参数化方法论： characterizing 环境暴露对社会流动性影响
统计方法学
2025-11-04 v3 应用统计
摘要
理解空气污染暴露对社会流动性的因果效应正受到日益关注。同时，教育被广泛认为是社会流动性的关键驱动因素。然而，将细颗粒物 (PM2.5) 暴露、教育水平与社会流动性之间建立因果路径仍然鲜为人知。为此，我们采用主导分层方法，这种方法严格定义了当后处理变量——教育水平——受到暴露——PM2.5——影响并可能进而影响主要结果——社会流动性——时的因果效应。为估计这些因果效应，我们提出了一种基于贝叶斯半参数方法，利用无限混合模型来构建主要结果。该方法（1）允许灵活建模主要潜在结果的分布，（2）提高了反事实插值的准确性——这是因果推断框架中的一个基本问题——（3）使我们能够在后处理变量的不同取值上表征处理效应。我们通过蒙特卡洛模拟研究评估了所提方法论的性能，结果表明其优于现有方法。最后，我们将该方法应用于美国 3009 个县的全国数据集，以考虑教育水平作为后处理变量，估计 PM2.5 对社会流动性的因果效应。我们的发现表明，在 PM2.5 暴露显著降低教育水平的县份，社会流动性下降约 5%，而在 PM2.5 暴露不影响教育水平的县份，社会流动性下降约 2%，这暗示了空气污染与社会流动性之间可能存在进一步的、尚未探索的因果路径。
引用
@article{arxiv.2412.00311,
title = {Characterizing the Effects of Environmental Exposures on Social Mobility: Bayesian Semi-parametrics for Principal Stratification},
author = {Dafne Zorzetto and Paolo Dalla Torre and Sonia Petrone and Francesca Dominici and Falco J. Bargagli-Stoffi},
journal= {arXiv preprint arXiv:2412.00311},
year = {2025}
}