存在未测量混杂与干扰下的空间因果推断
统计方法学
2026-02-17 v4
摘要
本手稿将因果推断与空间统计相结合，为空间数据分析中的因果推断提供新见解，并借助空间统计中的工具估计因果效应。我们引入空间因果图以强调空间混杂与干扰可能相互纠缠，即调查其中之一的存在可能在另一者存在时导致错误结论。此外，我们表明暴露变量中的空间依赖性会使标准分析失效。为补救这些问题，我们提出一种基于空间统计中常用工具的贝叶斯参数方法。该方法同时考虑干扰并减轻来自局部与邻域未测量空间混杂的偏差。从贝叶斯视角，我们表明纳入暴露模型是必要的。在特定模型设定下，我们证明即便存在未测量混杂，所有参数（包括因果效应）都是可识别的。我们通过一项模拟研究说明该方法。我们利用美国观测空间数据评估了电厂局部与邻近二氧化硫排放对县级心血管死亡率的效应，其中未测量空间混杂与干扰可能同时出现。
引用
@article{arxiv.2303.08218,
title = {Spatial causal inference in the presence of unmeasured confounding and interference},
author = {Georgia Papadogeorgou and Srijata Samanta},
journal= {arXiv preprint arXiv:2303.08218},
year = {2026}
}