朴素回归调整多重原因混杂所需假设弱于因子模型

在遗传学、网络、医学和政治学等领域，使用因子模型调整观测性研究中多重处理 $\mathbf{A}$ 下共享的未观测混杂因子 $\mathbf{Z}$ 的经验实践十分普遍。Wang 和 Blei（2019，WB）将这些程序形式化，并开发了“去混杂器”（deconfounder），这是一种因果推断方法，利用 $\mathbf{A}$ 的因子模型估计“替代混杂因子” $\hat{\mathbf{Z}}$，然后通过将结果 $\mathbf{Y}$ 对部分 $\mathbf{A}$ 回归并调整 $\hat{\mathbf{Z}}$ 来估计处理效应。WB 声称当不存在单原因混杂因子且 $\hat{\mathbf{Z}}$ 被“精准确定”时，去混杂器是无偏的。我们阐明精准确定要求每个混杂因子影响无限多个处理。我们证明在这些假设下，$\mathbf{Y}$ 对 $\mathbf{A}$ 的朴素半参数回归是渐近无偏的。嵌套此回归的去混杂器变体因此也是渐近无偏的，但使用 $\hat{\mathbf{Z}}$ 和原因子集的变体需要更多不可检验的假设。我们用现有数据复现了每一项去混杂器分析，发现它未能一致地优于朴素回归。在实践中，去混杂器在 WB 的电影收入案例研究中产生了难以置信的估计：估计表明漫画作者斯坦·李的客串出场因果性地贡献了 155 亿美元，即漫威电影的大部分收入。我们得出结论，这两种方法在实际应用中都难以替代谨慎的研究设计。