基于个体内变异分数的因果推断：时变处理联合效应的两步估计

行为科学研究者对利用纵向数据将个体内关系与个体间差异（稳定特质）分离表现出浓厚兴趣。本文中，我们提出一种基于个体内变异分数的因果推断方法，通过有效控制稳定特质来估计时变连续处理的联合效应。在解释假定的数据生成过程并给出稳定特质因子、个体内变异分数以及个体内水平上时时变处理的联合效应的形式化定义后，我们引入所提方法，其由两步分析组成。首先，利用基于最佳线性相关性保持预测变量通过结构方程建模（SEM）得到的权重，计算每个人的、从其稳定特质中分离出的个体内变异分数。然后，通过潜在结果方法，使用边际结构模型（MSMs）或结构嵌套均值模型（SNMMs），基于计算出的个体内变异分数估计因果参数。与完全依赖 SEM 的方法不同，本方法不假设个体内水平上观测到的时变混杂因素的线性性。我们强调使用带 G-估计的 SNMMs，因其在个体内水平上观测时变混杂因素与处理/预测变量及结果的函数关系模型设定错误时具有双重稳健性。通过模拟，我们表明所提方法能较好地恢复因果参数，且若不能恰当考虑稳定特质，因果估计可能存在严重偏倚。我们还提供了使用来自 Tokyo Teen Cohort 研究的睡眠习惯与心理健康状态数据的实证应用。