从加权视角理解空间回归模型：Superfund修复观测研究

环境健康研究中的一个关键挑战是未测量的空间混杂，由影响处理与结果的未观测空间结构化变量驱动。常见方法是拟合空间回归，将结果建模为处理与协变量的线性函数，并包含空间结构化误差项以解释未测量的空间混杂。然而，目前尚不清楚空间回归在有限样本中能在多大程度上真正解释此类混杂，以及这种回归调整能否从基于设计的视角重新表述。受Superfund场地修复对出生结果影响的观测研究启发，我们提出了一种用于因果推断的加权框架，统一了三类经典空间回归模型——随机效应、条件自回归和高斯过程模型——并揭示它们如何在空间上隐式构建因果对比。具体而言，我们表明：(i)空间误差项在潜在协变量集上诱导近似平衡，因此调整了特定形式的未测量混杂；(ii)空间误差的协方差结构可以等价地表示为线性模型中的回归变量。基于这些见解，我们引入了一种新估计量，联合处理多种形式的未测量空间混杂，并开发了可视化诊断工具。使用新估计量，我们发现修复对脆弱新生儿百分比有小但有益的影响。