导语
想象一个培训项目。你想知道它是不是通过“提高技能”来提高收入。问题在于，培训还可能先改变一个人的求职信心、社交圈或时间安排；这些变化又同时影响技能测量和收入。更麻烦的是，有些变化你根本看不见。若把它们当作不存在，中介分析就会把机制讲得很顺，结论却可能站不住。
Xiaoying Zhang、Jiawei Shan 和 Wei Li 的论文《Proximal Mediation Analysis with Unmeasured Treatment-Induced Confounding》处理的正是这个缝隙。中介分析（mediation analysis）不只问“处理有没有效果”，还问“效果通过什么路径发生”。这篇论文关注一种特别麻烦的情况：处理诱发混杂，也就是干预本身改变了后续因素，而这些后续因素又同时影响中介和结果。论文据 arxiv-stats 单一信源，提出用可观测变量作为看不见混杂的代理变量（proxy variable），把 proximal causal inference，也就是“近端因果推断”的思路接进中介分析。
问题卡在哪里？
传统中介分析里常见的是 natural direct effect 和 natural indirect effect。可以粗略理解为：一个效果有多少不是通过中介发生，有多少是通过中介发生。但论文指出，在存在 treatment-induced confounding 的语境下，这类 natural mediation effects 一般不可识别。
“不可识别”不是说算不出来，而是说只靠观测数据，无法把目标因果量唯一确定下来。你可以套模型、跑回归、给出数字，但那个数字可能更多反映了假设，而不是数据本身。
已有替代方案之一是 interventional effects。它不再追问一个人“自然情况下”的中介值，而是把中介换成从某个观测分布里随机抽取的值。说白了，它问的是：如果我们把中介的分布推到另一种状态，结果会怎样。这比 natural effects 少了一些跨世界假设，也更接近可想象的政策干预。
但前提仍然棘手：那些处理诱发的混杂因素要能被看见。论文要补的就是这一步：如果它们看不见，但我们有一些能间接反映它们的观测变量，能不能继续识别 interventional direct and indirect effects？
它怎么借“影子”看见混杂？
Proximal 思路的直觉很朴素：关键因素看不见，就找它留下的影子。
比如“健康意识”看不见，但体检频率、饮食记录可能给出线索。当然，代理变量不能随便找。论文设定了两类 proxy：一类更贴近中介的生成，另一类更贴近结果的生成。它们都不是隐藏混杂本身，却需要在特定独立性和相关性条件下，提供足够的信息。
这里的门槛不低。论文明确使用 completeness 条件。可以把它理解为：这些 proxy 的变化要足够丰富，不能只是一个模糊标签。若隐藏混杂有很多状态，而 proxy 只能给出很粗的两三档，它就很难承担识别任务。
在这些条件下，论文建立了 four proximal identification results，也就是四组近端识别公式。它们依赖不同的 nuisance functions。nuisance functions 是估计目标因果量时必须估、但本身不是最终关心对象的函数，比如条件分布、桥函数等。桥函数（bridge function）在这里像一段翻译器：把 proxy 中包含的混杂信息转成目标因果效应可用的形式。
估计器的重点不是“更聪明”，而是更抗错
论文进一步开发了 multiply robust、semiparametric locally efficient estimator。先拆开说。
Multiply robust 指的是多重稳健：只要若干组工作模型中有一组满足条件，估计器仍可保持一致和渐近正态。它不是保证“怎么设都对”，而是在模型设定可能出错时多给几条路。
Semiparametric locally efficient 指的是半参数局部有效：在一组理想条件下，它可以达到相应的效率界。论文也提示，一些效率声明需要更强条件；这些条件主要服务于局部效率，不是识别和基本推断本身都必须依赖。
另一个实用点是 flexible machine learning methods。论文基于 efficient influence function 和 debiased machine learning，让一些 nuisance parameters 可以用更灵活的机器学习方法估计。这里的去偏机器学习不是为了追求预测分数，而是为了在复杂函数由机器学习估计时，尽量减少一阶偏差对因果目标的污染。
模拟和真实数据说明了什么？
论文用 simulation studies 和一个 real-data application 展示方法。模拟部分比较了 proposed multiply robust estimator 和四个替代估计器。在样本量为 1000、重复 1000 次的设置里，论文称 proposed estimator 在五个场景中都保持较小 bias，并取得接近 nominal 的 95% coverage probability；而四个替代估计器在对应 nuisance models 被错设时，常出现更大 bias 和更低覆盖率。
机器学习版本的模拟采用更复杂的数据生成机制，包括非线性、交互项和偏态分布。论文报告，在样本量 250、500、1000 下，debiased machine learning estimator 的 bias 和 standard error 随样本量增大而下降，95% coverage probability 保持在合理范围内。这里更合适的读法是：这些模拟支持论文的理论性质，而不是证明它在所有真实场景中都会稳。
真实数据应用使用 2020 wave 的 Health and Retirement Study。HRS 由 University of Michigan 的 Institute for Social Research 开展，1992 年启动，每两年调查一次，覆盖美国 50 岁及以上人群及其配偶。论文考察 racial disparities in life satisfaction 是否经由 perceived discrimination 这个中介发生。
在这个应用里，race 被设为二元处理变量，1 表示 Black or African American，0 表示 White or Caucasian。中介是 Everyday Discrimination Scale 衡量的日常歧视经历，结果是 Satisfaction with Life 量表得分。论文把年龄、性别、婚姻状态作为 baseline covariates，把最高教育程度和自评健康作为已观测的处理诱发混杂，并用父母受教育年限、总财富、非住房财富等变量作为 SES 相关 proxy。最终样本为 4090 人，其中 865 人 treatment indicator 为 1，3225 人为 0。
这部分应读作方法演示。它展示如何把 proxy-based proximal mediation analysis 放进一个社会科学问题，而不宜直接解读为已经给出关于种族、歧视和生活满意度关系的稳健定论。
为什么值得关注？
我们此前在 2026-07-06 的 A125 讲过 ProTrans 如何借外部数据处理未观测混杂。这篇论文面对的也是“看不见的混杂”，但场景换到了机制研究。它关心的不是平均效果能不能估，而是当我们说“效果通过某条路径发生”时，这句话还能不能被识别。
这很重要。很多政策和产品评估都不满足于“有用没用”。研究者和决策者还想知道为什么有用，下一步该改哪里。中介分析正是为这个问题服务。但一旦中介和结果之间夹着看不见的、又被处理诱发的因素，普通机制叙事就容易过度自信。
这篇工作的价值在于，它没有假装混杂不存在，而是把 proxy 的信息正式纳入识别和估计框架。它给机制研究补了一套工具，也提醒读者：越是听起来清楚的“作用路径”，越需要问一句，中间有没有看不见的共同原因。
局限与未知
- 目前材料来自论文单一信源，所有方法性质、模拟结果和应用设置都未在供稿中得到外部交叉印证。
- Proximal 识别依赖 proxy 的有效性和 completeness 等较强假设；真实研究里，这些假设通常难以完全检验。
- 真实数据应用是方法展示，不应被读成关于 racial disparities、discrimination 与 life satisfaction 的最终社会科学结论。