反事实生成：敏感度分析Rosenbaum

可视化演示

观察性研究的困境

韩青翻开案卷第一页，发现整条街的目击证词都齐刷刷指向桶装水。可她在警校学过第一课：目击证词会骗人。最理想的证据来自“随机实验”——让法官掷骰子，骰子决定谁喝桶装水、谁喝自来水，两边人群除了喝水不同，其余特征理应均衡。可现实世界没有这种法庭：人喝不喝桶装水是自己选的，中产更爱订水，而中产本身应酬多、熬夜多、外卖多，这些生活方式的差异本身就是健康杀手。数据里观察到的 13% 患病率差异，到底归功于桶装水，还是归功于这些藏在暗处的习惯？

统计学家把这种“自己选出来的暴露”称为观察性研究。它没有随机化的护身符，因果推断就成了一个反事实问题：假如这些家庭从不喝桶装水，他们的健康结局会怎样？反事实框架把这个“假如”变成可计算的缺口——真正要估计的，是同一个体在接受处理与不接受处理两种平行世界下的结局之差。

韩青合上案卷，若有所思：目击者（可观测变量）都审过了，可真正的危险来自那些没被记录的特征——看不见的帮凶。要守住这个案子，她需要一个能估算帮凶力量上限的工具。

敏感度分析的核心思想

老侦探的经验是：破案时你不能假装帮凶不存在，而要问“帮凶得有多强，才能把这个案子整个翻过来”。Rosenbaum 敏感度分析正是这个思路。它不试图证明不存在未观测混杂，而是预设一个隐藏因素 $u$（比如“生活不规律”），然后计算：当 $u$ 对“是否喝桶装水”的影响力达到某个强度时，原本显著的因果证据会不会变得站不住脚。

这个“影响力强度”被压缩成一个参数 $\Gamma$。在匹配好的两个人（一个喝桶装水、一个不喝）之间，$u$ 使前者接受处理的几率（odds）相对后者最多放大 $\Gamma$ 倍。$\Gamma=1$ 意味着 $u$ 完全不影响喝水决策，等价于随机实验；$\Gamma=2$ 则意味着隐藏因素可以让某个人的喝水几率是另一个人的两倍，即便两人表面特征完全相同。这个放大倍数就是帮凶的“作案能力上限”。

韩青把这个参数牢牢记下：它就像测谎压力表的刻度，旋钮越大，帮凶被赋予的力气越大。下一步，她需要找到一对对“双胞胎证人”，让证据结构真正站得住。

配对结构的基本假设

韩青决定启用“双胞胎证人”策略：给每个喝桶装水的患者，找一个年龄、性别、收入、病史几乎一模一样的街坊作对照。两个人像一对同卵双胞胎，表面特征高度一致，唯一的区别是一个喝了桶装水、一个没喝。这样一比，桶装水的“罪责”就被精确地孤立出来了。统计上这叫匹配对设计，实际操作中常用倾向得分匹配——先估计每个人“在自身特征下喝水概率” $e(\boldsymbol{x})$，再把得分接近的人配成一对。

匹配解决了看得见的差异，却解决不了看不见的差异。这对“双胞胎”看着像，骨子里的隐藏因素 $u$ 仍可能不同：一个天天熬夜，一个生活规律。由于 $u$ 会同时影响喝水决定和健康结局，匹配对内“谁喝水”就不再是公平的抛硬币。Rosenbaum 的模型允许这种不公平，只是把不公平的程度限制在 $\Gamma$ 的范围内。换句话说：证人整体可信，但某个隐藏动机可能让其中一人更倾向于站到“喝水组”那边。

双胞胎证人到位，韩青让每位证人独立作证：他们的健康差异是正是负？接下来，陪审团要用投票来决定是否起诉桶装水。

符号检验与p值上界

证人们开始投票。每个匹配对出示一份证词：如果喝水者的健康结局比对照者差，投一张“正向票”，反之投“负向票”。如果没有隐藏帮凶，每对证词的方向应当像公平硬币——正负各半的概率。这就是符号检验：统计正向票数 $k$，在“处理无效”的原假设下，$k$ 服从二项分布。若 $k$ 大得离谱，说明桶装水嫌疑极大。把每对差值的绝对值排个名再加权，还能升级成更灵敏的 Wilcoxon 符号秩检验，原理类似，只是给大差额更高的权重。

问题来了：帮凶一发力，投票就不再公平。当 $\Gamma>1$，正向票出现的概率不再固定在二分之一，而是落在 $1/(1+\Gamma)$ 到 $\Gamma/(1+\Gamma)$ 的区间内。Rosenbaum 给出一个著名的上界公式：在给定 $\Gamma$ 下，无论帮凶怎么挑拨，p 值最多也不能超过下面这个值。

陪审团的第一轮投票结果出来了：20 对证人里有 15 对投正向票，无混杂时 p 值只有 2%。但韩青知道，这 2% 只是理想情况。测谎机开始加压，她要看到压力表指针在哪里越过红线。

临界Gamma的解读

测谎压力表开始缓缓加压。$\Gamma$ 从 1 往上涨，$p_{\max}$ 这根红线就跟着往上抬。当 $\Gamma$ 增大到某个值时，$p_{\max}$ 恰好越过 0.05 这条“不起诉”线——这个值就是临界 $\Gamma^\star$。它回答的问题非常具体：隐藏帮凶的力量要达到多少倍，才能让陪审团对桶装水的指控从“证据确凿”变成“证据不足”。

临界 $\Gamma$ 越大，说明原结论越难被推翻，因果推断越稳健。经验上：$\Gamma^\star \ge 2$ 被认为是可接受的，$\Gamma^\star \ge 3$ 则相当稳健；若 $\Gamma^\star$ 只比 1 大一点点（比如 1.1），说明任何一个微小的未观测混杂都可能让结论崩盘，这种结论只能算“纸糊的罪名”。反过来，若 $\Gamma^\star$ 达到 3 以上，几乎需要一种荒谬的隐藏力量才能翻案，那么研究者可以理直气壮地宣称：结论对未观测混杂是耐冲击的。

韩青盯着压力表：指针稳稳停在 3.2 的位置才报警。这意味着，隐藏帮凶必须比普通人强出 3 倍以上才能给桶装水翻案——这种剧本太牵强了，案子稳了。

敏感性分析的算法流程

破案不能只靠直觉，韩青把整个测谎流程写进了办案手册。第一步，数据预处理：清洗电子病历、补齐缺失协变量，把可能的混杂因素都整理成结构化表格。第二步，构建匹配对：估计倾向得分，用最邻近匹配或卡尺匹配把处理组与对照组配成对，必要时做卡尺带匹配以控制匹配质量。第三步，基础检验：对配对差值做符号检验或 Wilcoxon 符号秩检验，得到 $\Gamma=1$ 时的基准 p 值。第四步，扫描 $\Gamma$：在 $[1, 5]$ 或更宽的网格上遍历 $\Gamma$，每个点重算 $p_{\max}$，寻找穿越 $\alpha$ 的临界值。第五步，绘图与报告：以 $\Gamma$ 为横轴、$p_{\max}$ 为纵轴画出敏感性曲线，标注临界点和 $\alpha$ 参考线。

这套流程的价值在于“可复现的严谨”。任何人拿到报告，都可以沿着同一套工序重新算一遍，确认你的结论没有在某个隐蔽的角落偷偷依赖未观测混杂。报告规范通常要求：给出基准检验的效应量与 p 值，列出 $\Gamma^{\star}$，附上敏感性图，并配一句关键结论：“即使存在使喝水几率翻 3.2 倍的未观测混杂，结论依然保持显著。”

手册写完，韩青把它带出了警局。她发现，这套“帮凶测力机”在药物评审、政策评估、AI 审计的会议室里，远比在案发现场更抢手。

实战案例与应用场景

韩青的第一站是药企评审会。某降糖新药在电子病历的真实世界数据里被观察到“显著降低并发症风险”，可患者是否用药是医生和病人商量出来的，病情轻的人更可能规律用药。统计师用 Rosenbaum 敏感性分析给证据做了压力测试：匹配上千对患者后，$p_{\max}$ 直到 $\Gamma=2.6$ 才越线。监管审评专家看到这句话——“需要 2.6 倍以上的未观测混杂才能推翻结论”——才在审批意见上点了头。

第二站是政府智囊团。某市推行“低收入家庭就业补贴”，政策效果评估面临严峻的自选择问题：积极求职的人才去申领补贴。分析师用同样的流程，在匹配样本上做敏感度分析，发现临界 $\Gamma$ 只有 1.4，结论脆弱得像薄冰。报告连夜改写为“政策效果证据不足，建议开展随机试点”，帮财政省下一大笔钱。第三站是韩青最意外的合作——AI 审计师找上门来：大模型招聘工具被投诉“对女性候选人压分”，可简历里性别以外的隐藏特征（如职业空窗期）同时影响性别和评分。审计团队对“性别-录用”的因果效应做敏感度分析，用 $\Gamma$ 扫描判断歧视结论到底站不站得住。

韩青的测力机被三个行业买走了，但她在回程路上想起师傅的叮嘱：任何工具都有盲区。她要写一页“使用须知”，把测力机测不到的角度也列清楚。

方法的边界与局限

帮凶测力机不是万能的。它的第一个盲区：假设只有一个未观测混杂因素在作祟。现实世界的案发现场往往“帮凶成群”——作息、饮食、环境、遗传倾向同时存在，多个 $u$ 相互纠缠，单参数 $\Gamma$ 无法刻画它们的合谋。第二个盲区：$\Gamma$ 只是“分配概率的放大倍数”，它不告诉你混杂因素到底存不存在、影响有多大。一台测力机测出“帮凶力量必须超过 3 倍才翻案”，并不等于“测过了，现场没有帮凶”——它只证明翻案需要多么离奇的剧本。

第三个盲区最容易被忽视：$\Gamma$ 不是效应量。临界值 2.6 不表示“桶装水的危害是真效应的 2.6 倍”，它只描述未观测混杂需要多大的分配不均衡。把两者混为一谈，就像把“嫌疑人的作案时间”和“嫌疑人的作案动机”当成同一个证据，逻辑上站不住脚。另外，测量误差、匹配不完全、模型设定错误也都可能绕过 $\Gamma$ 的监管，让结论以别的方式失真。Rosenbaum 框架的优雅与局限是一体两面：它能做到“最坏情况下的稳健性声明”，却做不到“排除一切阴谋的免责声明”。

韩青把使用须知工工整整贴在了测力机上：它可以测出翻案需要多大的阴谋，却测不出阴谋是否真的存在。知道工具的边界，才配得上工具的锋利。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""Rosenbaum敏感度分析:评估未观测混杂对配对数据结论的冲击"""from math import comb  def pmax(gamma, total, pos):    """在给定Gamma下,符号检验单侧p值的上界."""    return sum(comb(total, i) * (gamma ** i) / ((1 + gamma) ** total)               for i in range(pos, total + 1))  def find_critical_gamma(total, pos, alpha=0.05, step=0.01, gmax=6.0):    """从Gamma=1扫描到gmax,返回p值首次超过alpha的Gamma临界值."""    g = 1.0    while g <= gmax:        if pmax(g, total, pos) > alpha:            return round(g, 2)        g += step    return None  def main():    # 模拟20个匹配对,其中15对处理组结局更差    total, pos = 20, 15    p0 = pmax(1.0, total, pos)    gstar = find_critical_gamma(total, pos)     print(f"匹配对数: {total}, 正向对数: {pos}")    print(f"无混杂(Gamma=1)时符号检验p值: {p0:.4f}")    if gstar is not None:        print(f"临界Gamma: {gstar:.2f} (超过此值结论失守)")    else:        print(f"在Gamma<=6.0范围内结论始终稳健")     print("\nGamma扫描表:")    print("Gamma    p上界     结论")    g = 1.0    while g <= 5.0 + 1e-9:        p = pmax(g, total, pos)        flag = "稳健" if p < 0.05 else "脆弱"        print(f"{g:5.2f}  {p:8.4f}  {flag}")        g += 0.5  if __name__ == "__main__":    main()

1. def pmax(gamma, total, pos):核心函数，实现 $p_{\max} = \sum_{i=k}^{n}\binom{n}{i}\Gamma^{i}/(1+\Gamma)^{n}$，逐项累加组合概率。
2. comb(total, i) * (gamma ** i) / ((1 + gamma) ** total)每一项是“恰好出现 i 个正向票”在未观测混杂限制下的最坏概率。
3. for i in range(pos, total + 1)从观测到的正向对数 k 累加到总对数 n，对应“至少 k 个正向票”的单侧检验。
4. find_critical_gamma(total, pos, alpha=0.05, step=0.01, gmax=6.0)以 0.01 步长在 [1, 6] 上扫描，返回 p 值首次越过 0.05 的 Γ。
5. while g <= gmax:线性扫描网格；实际工程中可改用二分查找将复杂度从 O（网格数×n） 降到 O(log 网格×n)。
6. p0 = pmax(1.0, total, pos)Γ=1 时退化为经典二项检验，是敏感度曲线的基准 p 值。
7. flag = "稳健" if p < 0.05 else "脆弱"用 0.05 显著性线划分稳健区与脆弱区，对应可视化演示中的红绿状态。

常见误区

面试题