离散化时间尺度在连续时间处理的因果推断中的作用

对于在离散时间点施加的时变处理的因果效应识别，已有成熟的方法。然而在现实世界中，许多处理是连续的，或其时间尺度比用于测量或分析的尺度更精细。尽管研究者已通过模拟与实证数据考察了不同离散化尺度下估计值的差异，但离散化尺度的选择如何影响因果推断仍不清楚。为弥补这一空白，我们提出一个框架，以理解离散化尺度如何影响关于时变处理效应的因果推断性质。我们引入“识别偏差(identification bias)”的概念，即连续时间处理的因果估计量与该处理之离散化版本所谓估计量之间的差异。我们表明，即便拥有无限数量的纵向处理—结局轨迹，该偏差仍可能持续存在。我们具体考察了一类线性随机连续时间数据生成过程中的识别问题，并证明了在此情形下 g-公式 的识别偏差。我们的发现表明，离散化偏差会显著影响实证分析，尤其在重复测量有限时。因此，我们建议研究者仔细考量离散化尺度的选择，并进行敏感性分析以应对该偏差。我们还提出了一种针对离散化的简单启发式量化敏感性度量，并建议研究者在工作中将该度量与点和区间估计一并报告。如此，研究者可更好地理解并应对离散化偏差对因果推断的潜在影响。