学习影子变量表征以估计碰撞偏差下的处理效应

基于摘要分析。本文研究存在碰撞偏差（collider bias）时的处理效应估计，提出从观测数据中自动学习影子变量（shadow variable）表征，并据此构建处理效应估计器，以减少对专家预先指定影子变量的依赖。 影子变量的关键条件是：给定其他观测变量后，它与结果相关，并独立于样本选择机制。作者的方法在表征学习过程中引入用于假设检验的 tester，迭代生成候选表征并检验其是否满足影子变量假设，直到通过检验，再利用所学表征估计处理效应。其主要方法特点是将候选变量构造与假设检验结合，而非直接把预先给定的影子变量作为输入。 作者报告，在存在碰撞偏差的实验中，该方法优于已有处理效应估计方法；摘要未提供数据集、选择机制、样本量、评估指标、对照方法或具体数值，因此尚不能判断优势范围。检验统计量、显著性控制、迭代检验的停止规则、因果识别条件，以及实验协议、消融及统计信息尚未验证。尤其需要区分“未拒绝统计假设”与“满足因果识别假设”，不能仅凭摘要中的检验通过表述认定后者成立。 平台推测（待验证）：若 EEG 研究因纳入标准或数据质量筛选产生与处理及结果有关的选择偏差，该机制可能提供分析思路，但其前提是观测变量支持影子变量识别，而非一般意义上的提高解码性能。可考虑复用候选表征生成与检验流程，并针对 EEG 的被试、会话和信号质量变量改造输入及条件变量；低信噪比、小样本与被试差异可能降低检验效力或产生不稳定表征。一个可证伪的小实验是在具有已知处理效应的模拟数据中引入 EEG 式噪声和可控选择机制，比较校正前后的估计误差，并检查检验通过率与估计可靠性是否一致。已有 EEG 相关工作尚未检索确认。