综述：因果分解分析框架在减少差异干预措施建模中的研究进展

（编辑推荐）这篇综述系统梳理了因果分解分析（CDA）框架的最新进展，强调其通过干预变量分布改变群体差异的独特优势，同时揭示协变量调整中隐含的伦理考量。CDA四步法（构建估计量、假设识别、选择估计量、统计推断）为健康公平研究提供了透明化价值判断的工具。

　　

Abstract
因果分解分析（Causal Decomposition Analysis, CDA）作为新兴的差异研究框架，突破了传统描述性分析的局限，聚焦于通过干预变量分布来减少群体差异。不同于仅追溯差异历史驱动因素的方法，CDA量化了改变变量分布（如教育资源、医疗可及性）对缩小群体差距的因果效应，其核心在于将伦理价值判断显性化于统计模型之中。

Purpose of Review
CDA的创新性体现在三个维度：首先，将"差异"定义为可通过干预修正的变量分布差异；其次，通过协变量调整（如种族、 socioeconomic status）揭示隐含的伦理选择；最后，构建可解释的因果估计量（estimand），例如教育政策调整对升学率群体差异的影响程度。

Recent Findings
跨学科应用显示CDA框架具有四步标准化流程：

1. 构建目标估计量：明确干预变量（如医疗保险覆盖率）与结局变量（如糖尿病预后）的数学关系
2. 识别假设：建立数据与估计量的桥梁，包括反事实假设和可忽略性条件
3. 估计量选择：针对连续/离散变量开发特定算法，如 doubly robust 估计量处理混杂偏倚
4. 统计推断：采用 bootstrap 等方法量化不确定性

值得注意的是，当前部分研究存在"全协变量调整陷阱"——机械调整所有可用变量（如遗传标记）可能掩盖结构性不公，这突显CDA需要与伦理学深度耦合。

Summary
CDA的突破在于将因果推断（causal inference）与健康公平研究有机融合，其框架既包含技术要素（如处理中介效应的方法），也要求研究者明确价值立场（如决定是否调整种族变量）。未来发展方向包括：开发非参数估计量处理复杂数据、建立敏感性分析框架应对假设违例、以及加强跨学科协作解决算法公平性（algorithmic fairness）问题。现有应用案例表明，CDA在医疗资源分配优化、教育政策评估等领域已展现出强大的解释力和干预指导价值。