越位世界的倾向得分加权：关于正性违反的纵向效应

在检查查两种干预措施之间的差异时，纵向因果推断研究经常在正性违反的情况下遇到困难，即某些受试者的某一或两种干预措施 regime 无法被观察到。现有的加权方法要么假设正性成立，要么产生将干预对最终结果的影响与其对中间治疗和协变量效应混合在一起的效果。我们提出了一类新型的估计量——累积跨世界加权效应——该估计量使用适应正性违反的倾向得分对潜在结果差异进行加权，跨时间点累积地同时针对两种反事实治疗史进行加权。这种新的估计量隔离了治疗方案之间机制性差异，无需正性假设即可识别，并且规避了现有纵向方法的局限性。进一步，我们的分析揭示了关于纵向因果推断在正性违反情况下的两个基本见解。首先，尽管这些效应在机制上是有意义的，但它们对应的是不可实现的干预，暴露了可解释性与可实现性之间的核心权衡。其次，识别出的效应只有在部分常见支持假设下才忠实地捕捉机制性差异；违反情况会导致识别出的函数收敡为零，即使因果效应非零。我们发展出类似于双鲁棒方法的估计器，在非参数假设下实现渐近正态性和参数收敛。为此，我们将困难的密度比估计重新表述为回归函数估计，这可以通过标准机器学习方法实现。我们通过分析工会成员对收入的影响来说明我们的方法。