无混淆性 Unconfoundedness

无混淆性也被叫做可忽略性（ignorability），由Donald Rubin在1970年代提出[i]。1983年Donald Rubin和Paul Rosenbaum提出了强可忽略分配机制，即给定足够多的基线协变量后潜在结果的联合值与分配独立，，其中和是两个潜在结果，是处理分配，是协变量[ii]。类似地，还有弱可忽略分配机制，只需对和1成立。可忽略性也是缺失数据分析中的常见假设。

定义倾向性得分，用以表示个体被分配到处理组的概率，可以证明，当无混淆性成立时，，因此只需要控制一个一维变量，就能实现潜在结果与处理分配相互独立。

无混淆性是因果推断的基础。当无混淆性成立时，平均因果作用可以识别。平均因果作用的估计方法包括逆概率加权、回归、匹配等一系列方法，甚至可以构造双稳健的估计方法。

由于无混淆性涉及潜在结果，因此不可检验。Donald Rubin提出了几种间接验证无混淆性的方法，包括伪结局、伪处理方法，以及基于子集可忽略性的方法[iii]。Rosenbaum针对无混淆性提出了敏感性分析[iv]。

Judea Pearl提出用后门准则来判断无混淆性。在有向无环图中，如果控制一组条件变量，处理变量和结果变量的所有后门路径被阻断，则无混淆性成立。然而实际上基于有向无环图判断无混淆性的做法并不严格。Thomas Richardson和James Robins曾提出单一世界干预图（SWIG），可将处理分配变量、干预值和潜在结果表现在因果图上。在单一世界干预图中，处理分配变量和干预值被阻断，通过检查处理分配变量与潜在结果的后门是否被阻断，可以更严格地判断无混淆性[v]。

---

[i] Rubin, Donald (1978). "Bayesian Inference for Causal Effects: The Role of Randomization". The Annals of Statistics

[ii] Rubin, Donald B.; Rosenbaum, Paul R. (1983). "The Central Role of the Propensity Score in Observational Studies for Causal Effects"

[iii] Imbens & Rubin 2015书

[iv] Rosembaum，Design of Observational Studies书

[v] Hernan & Robins，What if书