识别面板因果模型中的未测量混杂因素：一种两阶段 LM-Wald 方法
统计方法学
2026-02-17 v3
摘要
面板数据在政治学中被广泛用于进行因果推断。然而，这些模型通常依赖于一个强且未经检验的假设——序贯可忽略性，即不存在未测量的变量同时影响跨时间的自变量和结果变量。本文基于心理测量学中关于潜变量建模的文献，引入了一种诊断工具——两阶段 LM-Wald（2SLW）方法，该方法扩展了拉格朗日乘数（LM）和 Wald 检验，用于检测面板因果模型中对该假设的违反。通过在随机截距交叉滞后面板模型（RI-CLPM）中进行蒙特卡洛模拟，该模型分离了个体内和个体间效应，我展示了 2SLW 在三种关键场景下检测未测量混杂因素的能力：有偏校正、扭曲的直接效应和改变的中介路径。我还通过对真实世界面板数据的实证应用来说明该方法。通过提供一种实用且有理论基础的诊断工具，2SLW 方法增强了在存在潜在时变混杂因素时因果推断的稳健性。此外，它可以方便地使用 R 包 lavaan 来实现。
引用
@article{arxiv.2508.10342,
title = {Identifying Unmeasured Confounders in Panel Causal Models: A Two-Stage LM-Wald Approach},
author = {Bang Quan Zheng},
journal= {arXiv preprint arXiv:2508.10342},
year = {2026}
}