利用非约束性实验与工具变量回归估计因果效应:一份教程

《Advances in Methods and Practices in Psychological Science》:Using Nonbinding Experiments to Estimate Causal Effects With Instrumental-Variables Regression: A Tutorial

【字体: 大 中 小 】 时间:2026年09月20日 来源:Advances in Methods and Practices in Psychological Science 13.4

编辑推荐:

  在心理学研究中,许多感兴趣的因果效应涉及无法被随机分配的原因。工具变量回归是计量经济学文献中关于非随机原因因果推断的基石,它能在普通最小二乘回归面临多种因果推断有效性威胁时,提供无偏的因果推断。工具变量回归的实现依赖于一个工具——一个仅通过影响假设原因而作用于

  
在心理学研究中,许多感兴趣的因果效应涉及无法被随机分配的原因。工具变量回归是计量经济学文献中关于非随机原因因果推断的基石,它能在普通最小二乘回归面临多种因果推断有效性威胁时,提供无偏的因果推断。工具变量回归的实现依赖于一个工具——一个仅通过影响假设原因而作用于结果的第三变量。因此,在心理学中研究因果效应的一种方法是随机分配一种干预措施,该干预措施驱动感兴趣的原因发生变化,但与结果无关,随后通过工具变量分析产生有效的因果效应。此外,工具变量回归模型可以便捷地作为结构方程模型(SEM)进行估计。基于近期经济学文献中一项已发表研究的公开数据,本教程概述了如何使用结构方程模型来估计感兴趣的行为(即锻炼)对感兴趣的结果(即学业表现)的因果效应,该效应由一个工具——随机分发的免费健身卡——所实现,该工具构成了对锻炼的一种随机、非约束性的操纵。本文还概述了协变量在工具变量回归中的作用,并提供了所有分析的R代码。

论文解读文章

研究背景与问题

尽管心理学中的许多研究问题本质上是因果性的,但常规收集的心理数据很少能支持对变量间无条件关联进行因果解释。当研究者关注某一变量(如锻炼)对另一变量(如学业表现)的因果效应时,由于原因变量通常无法(或许也不可能)被随机分配,其观察到的关联会受到多种威胁因果推断有效性的因素干扰,例如反馈效应、测量误差、遗漏变量等。这些场景本质上都构成了未测量的混杂因素,导致原因变量与结果变量的误差项相关,即所谓的“内生性”问题。传统的线性回归模型假定预测变量与误差项独立,因此无法处理这种内生性,其估计出的因果效应是有偏的。为了解决这一问题,计量经济学中的核心方法——工具变量(IV)回归——被引入心理学领域。该方法允许研究者在原因变量非随机的情况下,通过一个“工具”变量来识别并估计出有效的因果效应。本教程旨在向心理学研究者推广这一强大工具,特别是如何将IV模型作为结构方程模型(SEM)来理解和应用,从而降低方法学门槛。

研究方法与技术

本研究为一篇方法论教程,而非实证研究。作者使用了来自经济学文献(Cappelen等人,2026)的一项随机对照试验(RCT)的公开数据集。该研究样本包括挪威卑尔根两所大学的778名学生。作者详细阐述了如何使用R语言中的lavaan包,将IV回归模型设定为结构方程模型(SEM)进行分析。关键技术要点包括:
  1. 1.
    模型设定:将IV模型表述为一个路径模型,其中结果变量(学业表现)对原因变量(锻炼量)进行回归,原因变量对工具变量(是否收到免费健身卡)进行回归,并允许原因变量和结果变量的残差之间存在协方差。
  2. 2.
    估计方法:采用最大似然估计(MLR估计器),该估计器能提供对非正态性和异方差性稳健的标准误。
  3. 3.
    工具变量检验:通过计算第一阶段F统计量来评估工具的相关性假设(即工具与原因变量是否强相关)。
  4. 4.
    一般IV模型:展示了如何在模型中纳入协变量(如所属大学、自我控制水平基线、初始注册学分),以提高因果效应估计的精度。

研究结果

  • •
    简单IV模型结果
    在不加入协变量的简单IV模型中,研究发现:锻炼对学业表现的因果效应估计值为正(0.264),即每增加一次健身房访问,平均可多获得0.264个学分。然而,该效应的标准误较大(0.149),p值为0.076,未达到传统显著性水平(p<0.05)。同时,第一阶段F统计量为85.37,远高于经验阈值10,表明工具变量(免费健身卡)与原因变量(锻炼量)高度相关,满足了相关性假设。
  • •
    一般IV模型结果
    在加入了三个协变量(所属大学、自我控制水平、初始注册学分)的一般IV模型中,因果效应的点估计值略有变化(0.290),但其标准误显著减小至0.135,p值降至0.032,达到了统计学显著性。这表明,纳入相关的协变量可以有效提高估计的统计效力。同时,工具变量与原因变量的关系依然强劲(系数为5.782,p<0.001)。

讨论与结论

作者强调,IV回归的有效性依赖于两个核心假设:
  1. 1.
    排除限制条件:工具变量只能通过原因变量影响结果变量。在本例中,即免费健身卡只能通过改变学生的锻炼习惯来影响其学业成绩。这一假设无法被直接检验,需要依靠研究者的理论论证。
  2. 2.
    相关性假设:工具变量必须与原因变量显著相关。这可以通过第一阶段F统计量(经验阈值为10)进行实证检验。
作者指出,虽然IV方法在纯观测数据中寻找有效工具十分困难,但在心理学研究中,可以采用一种更具可行性的设计:当感兴趣的原因变量无法被直接随机分配时,可以随机分配一个旨在推动该原因变量变化的“非约束性干预”(如免费健身卡),并将其作为工具变量,从而利用IV回归进行有效的因果推断。这种方法尤其适用于那些难以或不宜进行直接随机化的心理学因果问题。
研究结论部分翻译:
本教程介绍了简单的IV模型和一般的IV模型(即包含协变量的IV模型),作为支持心理学中进行有效因果推断的手段。教程的实例使用了经济学文献中一项研究的公开数据集,该研究探讨了一个基础性的因果和心理学问题:锻炼对学业表现的影响。尽管数据来自一项随机对照试验(RCT),但实际被随机分配的“治疗”是一张免费的健身卡。因此,原始研究实际上报告的是健身卡对学业表现的影响以及健身卡对锻炼量的影响。然而,正如教程所述,这种设计确实可以通过使用IV方法来支持关于锻炼对学业表现因果效应的推断。要实现这一点,必须满足以下条件:(a)免费健身卡确实能增加锻炼量,并且(b)收到免费健身卡除了通过增加锻炼及其对学业成果的影响之外,与学业成果没有任何关联。这些条件正是IV回归的两个核心假设:“相关性假设”和“排除限制条件”。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号