误差几何与因果稳健性

“误差不是噪音，而是几何边界；稳健性不是运气,而是几何不变量。”

🎯 核心思想

在上一篇中，我们学习了时空几何如何作为因果约束的最小无损压缩。现在面对一个实际问题：

当因果结构存在不确定性（测量误差、量子涨落、有限样本）时，我们的结论还稳健吗？

传统方法：“点估计 + 误差棒”

GLS的新视角：

$$\boxed{\text{误差 = 参数空间中的几何区域（可信区域）}}$$

$$\boxed{\text{稳健性 = 结论在整个可信区域上成立}}$$

比喻：

传统方法就像给朋友描述路线：

• “从这里直走500米，左转”

如果你的GPS有±50米误差呢？可能走到完全不同的地方！

几何方法：

• “在以我为中心、半径50米的圆内，无论你在哪个点，左转后都能到目标”

这才是真正的稳健！

📖 从点估计到区域估计

传统统计推断的局限

经典流程：

1. 收集数据 $\{X_1,\dots ,X_n\}$
2. 估计参数 ${\hat{\theta }}_n$
3. 计算标准误 $\text{SE}({\hat{\theta }}_n)$
4. 给出置信区间 $[{\hat{\theta }}_n-2\text{SE},{\hat{\theta }}_n+2\text{SE}]$

问题：

• 置信区间是一维的（对于标量参数）
• 多维参数时，单独的置信区间忽略相关性
• 因果结论往往依赖参数的复杂组合

例子（线性回归）：

$$Y_i={\beta }_0+{\beta }_1{X}_i+{ϵ}_i$$

我们关心的可能是条件效应：

$$\psi (\beta )={\beta }_1+{\beta }_0/\bar{X}$$

仅凭 ${\beta }_0,{\beta }_1$ 各自的置信区间，无法准确推断 $\psi (\beta )$ 的置信区间！

几何视角：置信椭球

新方法：把误差视为参数空间 $\Theta$ 中的几何区域

Fisher信息度量：

在每个参数点 $\theta$ 定义局部度量：

$$g_{\theta }(u,v):=u^{\top }I(\theta )v$$

其中 $I(\theta )$ 是Fisher信息矩阵。

直觉：

• $I(\theta )$ 的特征值大 → 该方向上参数“容易辨识“
• $I(\theta )$ 的特征值小 → 该方向上参数“难以辨识“

置信椭球：

$${\mathcal{R}}_n(\alpha ):=\left\{\theta \in \Theta :n(\theta -{\hat{\theta }}_n{)}^{\top }I({\hat{\theta }}_n)(\theta -{\hat{\theta }}_n)\le {\chi }_{d,1-\alpha }^2\right\}$$

graph TB
    subgraph "参数空间Θ"
        CENTER["点估计<br/>θ̂ₙ"]
        ELLIPSE["置信椭球<br/>ℛₙ(α)"]
        TRUE["真值θ₀"]

        CENTER -.->|"半轴方向由I⁻¹决定"| ELLIPSE
        ELLIPSE -->|"以1-α概率包含"| TRUE
    end

    INFO["Fisher信息I(θ)"] -->|"决定形状"| ELLIPSE

    style ELLIPSE fill:#fff4e1
    style TRUE fill:#ffe1e1

关键性质：

渐近覆盖定理：

$$P_{{\theta }_0}({\theta }_0\in {\mathcal{R}}_n(\alpha ))\to 1-\alpha ,n\to \infty$$

即：真参数以 $1-\alpha$ 概率落在椭球内！

🎨 可信区域的几何运算

线性函数的投影

设我们关心的因果效应是参数的线性函数：

$$\psi (\theta )=c^{\top }\theta$$

问题：$\psi$ 在可信区域 ${\mathcal{R}}_n(\alpha )$ 上的取值范围？

几何解答：

$${\Psi }_n(\alpha ):=\{\psi (\theta ):\theta \in {\mathcal{R}}_n(\alpha )\}$$

这是椭球在方向 $c$ 上的投影！

解析解：

$${\psi }_{\max }=c^{\top }{\hat{\theta }}_n+\sqrt{\frac{{\chi }_{d,1-\alpha }^2}{n}{c}^{\top }I({\hat{\theta }}_n{)}^{-1}c}$$

$${\psi }_{\min }=c^{\top }{\hat{\theta }}_n-\sqrt{\frac{{\chi }_{d,1-\alpha }^2}{n}{c}^{\top }I({\hat{\theta }}_n{)}^{-1}c}$$

比喻：

想象椭球是一个西瓜，$c$ 是切刀的方向：

• 切开后，截面（投影）是一个椭圆
• 椭圆的长轴和短轴由西瓜的形状和刀的角度共同决定

graph LR
    ELLIPSOID["3D置信椭球<br/>ℛₙ(α)"] -->|"沿方向c投影"| INTERVAL["1D置信区间<br/>[ψ_min, ψ_max]"]

    DIRECTION["投影方向c"] -.->|"决定"| INTERVAL

    style ELLIPSOID fill:#e1f5ff
    style INTERVAL fill:#ffe1e1

非线性函数的局部线性化

若因果效应是非线性函数 $\psi :\Theta \to {\mathbb{R}}^k$，怎么办？

Delta方法（一阶近似）：

在 ${\hat{\theta }}_n$ 附近：

$$\psi (\theta )\approx \psi ({\hat{\theta }}_n)+D\psi ({\hat{\theta }}_n)\cdot (\theta -{\hat{\theta }}_n)$$

其中 $D\psi$ 是Jacobian矩阵。

投影椭球：

$${\mathcal{S}}_n(\alpha ):=\left\{y\in {\mathbb{R}}^k:n(y-\psi ({\hat{\theta }}_n){)}^{\top }{\Sigma }^{-1}(y-\psi ({\hat{\theta }}_n))\le {\chi }_{k,1-\alpha }^2\right\}$$

其中

$$\Sigma :=D\psi ({\hat{\theta }}_n)\cdot I({\hat{\theta }}_n{)}^{-1}\cdot D\psi ({\hat{\theta }}_n{)}^{\top }$$

物理意义：非线性效应的不确定性椭球！

🔍 因果推断中的可识别集

什么是可识别集？

在许多因果问题中，即使有无穷多数据，我们也无法唯一确定某些参数。

定义（可识别集）：

$$\mathcal{I}:=\{\theta \in \Theta :\theta \text{ 与观测分布及因果假设相容}\}$$

例子1（遗漏变量偏误）：

真实模型：$Y={\beta }_{1}X+{\beta }_{2}Z+ϵ$

但 $Z$ 不可观测！

可识别集：

$$\mathcal{I}=\{({\beta }_1,{\beta }_2):{\beta }_1^{\text{obs}}={\beta }_1+{\beta }_2{\gamma }_{ZX}\}$$

其中 ${\beta }_1^{\text{obs}}$ 是观测回归系数，${\gamma }_{ZX}$ 是 $Z$ 对 $X$ 的回归系数。

几何：这是一条直线，而非单点！

例子2（工具变量弱识别）：

当工具变量“弱“时，结构参数的可识别集可能是无界的或非常“扁平“的区域。

可信区域与可识别集的交集

GLS核心洞察：

因果结论应基于：

$$\boxed{{\mathcal{R}}_n(\alpha )\cap {\mathcal{I}}_n}$$

而不是仅仅基于点估计 ${\hat{\theta }}_n$！

其中 ${\mathcal{I}}_n$ 是可识别集的数据驱动估计。

graph TB
    subgraph "参数空间Θ"
        TRUST["可信区域<br/>ℛₙ(α)<br/>(统计不确定性)"]
        IDENT["可识别集<br/>ℐₙ<br/>(因果约束)"]
        INTER["交集<br/>ℛₙ∩ℐₙ"]

        TRUST -.->|"交集"| INTER
        IDENT -.->|"交集"| INTER
    end

    INTER --> ROBUST["稳健因果结论<br/>(在整个交集上成立)"]

    style TRUST fill:#e1f5ff
    style IDENT fill:#ffe1e1
    style INTER fill:#fff4e1,stroke:#ff6b6b,stroke-width:3px

定义（几何稳健性）：

设 $\psi :\Theta \to \mathbb{R}$ 是因果效应。若存在区间 $[L,U]$ 使得

$$\{\psi (\theta ):\theta \in {\mathcal{R}}_n(\alpha )\cap {\mathcal{I}}_n\}\subset [L,U]$$

则称“因果结论 $\psi (\theta )\in [L,U]$ 在水平 $\alpha$ 下是几何稳健的“。

特别地：若 $L>0$（或 $U<0$），则可以稳健地断言效应的方向！

线性可识别集的凸优化

常见情形：可识别集可表示为线性不等式：

$$\mathcal{I}=\{\theta :A\theta \le b\}$$

则 ${\mathcal{R}}_n(\alpha )\cap \mathcal{I}$ 是椭球与多面体的交集（凸集）。

因果效应的极值：

对于线性效应 $\psi (\theta )=c^{\top }\theta$：

$${\psi }_{\max }^{\ast }:=\sup \{c^{\top }\theta :\theta \in {\mathcal{R}}_n(\alpha ),A\theta \le b\}$$

$${\psi }_{\min }^{\ast }:=\inf \{c^{\top }\theta :\theta \in {\mathcal{R}}_n(\alpha ),A\theta \le b\}$$

这是一个二次规划问题（Quadratic Programming），可高效求解！

几何稳健判据定理：

若 ${\psi }_{\min }^{\ast }\ge \delta >0$，则可以稳健地断言：

$$\text{因果效应为正，且至少为 }\delta$$

且该结论对所有 $\theta \in {\mathcal{R}}_n(\alpha )\cap \mathcal{I}$ 成立！

🌐 多实验汇总：区域的交并运算

问题场景

现实中，我们常有多个数据源：

• 实验1：随机对照试验（RCT），样本 $n_1=500$
• 实验2：观测研究，样本 $n_2=5000$
• 实验3：另一地区的RCT，样本 $n_3=300$

传统元分析：

计算各研究的点估计 ${\hat{\theta }}_1,{\hat{\theta }}_2,{\hat{\theta }}_3$，然后加权平均。

问题：

• 如何判断研究间是否真正一致？
• 如何系统识别冲突？
• 点估计差异可能源于采样误差，而非真实效应差异！

几何元分析

思路：每个研究给出一个可信区域 ${\mathcal{R}}_k({\alpha }_k)$，$k=1,2,3$

共识区域（交集）：

$${\mathcal{R}}_{\text{cons}}:=\bigcap _{k=1}^K{\mathcal{R}}_k({\alpha }_k)$$

物理意义：所有研究同时支持的参数范围

可容许区域（并集）：

$${\mathcal{R}}_{\text{perm}}:=\bigcup _{k=1}^K{\mathcal{R}}_k({\alpha }_k)$$

物理意义：至少被某一研究支持的参数范围

冲突区域（对称差）：

$${\mathcal{R}}_{\text{conflict}}:={\mathcal{R}}_{\text{perm}}\setminus {\mathcal{R}}_{\text{cons}}$$

物理意义：只被部分研究支持、存在争议的参数范围

graph TB
    subgraph "三个研究的可信区域"
        R1["研究1<br/>ℛ₁(α₁)"]
        R2["研究2<br/>ℛ₂(α₂)"]
        R3["研究3<br/>ℛ₃(α₃)"]
    end

    R1 -.->|"交集"| CONS["共识区域<br/>ℛ_cons"]
    R2 -.->|"交集"| CONS
    R3 -.->|"交集"| CONS

    R1 -.->|"并集"| PERM["可容许区域<br/>ℛ_perm"]
    R2 -.->|"并集"| PERM
    R3 -.->|"并集"| PERM

    PERM -.-> CONFLICT["冲突区域<br/>ℛ_conflict = ℛ_perm \ ℛ_cons"]
    CONS -.-> CONFLICT

    style CONS fill:#e1ffe1,stroke:#00aa00,stroke-width:3px
    style CONFLICT fill:#ffe1e1,stroke:#ff0000,stroke-width:2px

一致性判断

强一致性：${\mathcal{R}}_{\text{cons}}\ne \varnothing$（共识区域非空）

弱一致性：${\mathcal{R}}_{\text{conflict}}$ 的“体积“相对较小

显著冲突：${\mathcal{R}}_{\text{cons}}=\varnothing$（共识区域为空！）

这时可以明确断言：研究间存在根本矛盾，而非模糊地说“结果有些不同“。

因果效应的共识区间

对于感兴趣的效应 $\psi (\theta )$：

$${\Psi }_{\text{cons}}:=\{\psi (\theta ):\theta \in {\mathcal{R}}_{\text{cons}}\}$$

稳健结论：只有当 $\psi (\theta )\in {\Psi }_{\text{cons}}$ 时，才能说该效应值被所有研究支持。

例子：

• ${\Psi }_{\text{cons}}=[0.2,0.5]$：所有研究一致支持效应在0.2到0.5之间
• ${\Psi }_{\text{cons}}=[-0.1,0.3]$：包含0，无法稳健断言方向！
• ${\Psi }_{\text{cons}}=\varnothing$：研究间冲突，无共识

⚙️ 实验设计：塑造未来的可信区域

新视角

传统实验设计目标：最小化方差

GLS几何视角：

$$\boxed{\text{实验设计 = 塑造未来可信区域的几何形状}}$$

关键洞察：通过选择实验方案（样本分配、协变量设计等），我们可以主动塑造 Fisher信息矩阵 $I(\theta ;\xi )$，从而塑造可信椭球的形状！

Fisher信息与区域体积

可信椭球的体积：

$$\text{Vol}({\mathcal{R}}_n(\alpha ;\xi ))=C_{d,\alpha }\cdot \det (I_n({\theta }_0;\xi ){)}^{-1/2}$$

其中：

• $\xi$ 是设计变量（如样本分配方案）
• $C_{d,\alpha }$ 是常数

D-最优设计：

$${\xi }^{\ast }=\arg \underset{\xi }{\max }\det I_n({\theta }_0;\xi )$$

几何意义：最小化可信椭球的体积，使参数估计“整体上最紧“！

graph LR
    DESIGN["实验设计ξ"] -->|"决定"| FISHER["Fisher信息<br/>I(θ;ξ)"]
    FISHER -->|"决定形状"| ELLIPSE["可信椭球<br/>ℛₙ(α;ξ)"]

    OPT["最优化<br/>max det I"] -.->|"收缩"| ELLIPSE

    style ELLIPSE fill:#fff4e1
    style OPT fill:#e1ffe1

定向可辨率：c-最优设计

若我们只关心特定因果效应 $\psi (\theta )=c^{\top }\theta$，不需要整体最优！

c-最优设计：

$${\xi }^{\ast }=\arg \underset{\xi }{\min }{c}^{\top }{I}_n({\theta }_0;\xi {)}^{-1}c$$

几何意义：

• 不追求整体椭球体积最小
• 专门压缩在方向 $c$ 上的半轴
• 集中资源提升该特定因果效应的分辨率

比喻：

• D-最优 = 全面发展（各科成绩都要好）
• c-最优 = 专业化（只需数学好，用于申请数学系）

例子：线性回归中的样本分配

模型：

$$Y_i={\beta }_0+{\beta }_1{X}_i+{ϵ}_i,{ϵ}_i\sim \mathcal{N}(0,{\sigma }^2)$$

设计问题：在 $X\in \{x_1,x_2\}$ 两个水平上，如何分配 $n$ 个样本？

设分配比例为 $\xi =(p,1-p)$，即 $np$ 个样本在 $x_1$，$n(1-p)$ 个样本在 $x_2$。

Fisher信息矩阵：

$$I(\beta ;\xi )=\frac{n}{{\sigma }^2}\left(\begin{array}{cc}1& \bar{x}(\xi )\\ \bar{x}(\xi )& \overline{x^2}(\xi )\end{array}\right)$$

其中 $\bar{x}(\xi )=p{x}_1+(1-p)x_2$。

D-最优设计（最小化行列式的逆）：

$$\det I(\beta ;\xi )\propto \overline{x^2}(\xi )-\bar{x}(\xi {)}^2=\text{Var}(X)$$

最大化方差 $\Rightarrow$ 两端均分：$p^{\ast }=1/2$

c-最优设计（只关心斜率 ${\beta }_1$）：

$$c=(0,1{)}^{\top },c^{\top }{I}^{-1}c\propto \frac{1}{\text{Var}(X)}$$

同样得到 $p^{\ast }=1/2$（两端均分最大化 $X$ 的方差）

🔗 与GLS理论的联系

与因果钻石的联系

在GLS理论中，因果钻石 $D(p,q)$ 的边界 $\partial D=E^{+}\cup E^{-}$ 编码完整信息。

类比：

• 因果钻石 ↔ 可信区域 ${\mathcal{R}}_n(\alpha )$
• 边界 $\partial D$ ↔ 椭球边界
• 体域重建 ↔ 从边界推断内部参数

都体现了边界编码完整信息的思想！

与时间刻度的联系

统一时间刻度 $\kappa (\omega )$ 的不确定性可以几何化：

$$\kappa (\omega )\in {\mathcal{R}}_{\kappa }:=[{\kappa }_{\min }(\omega ),{\kappa }_{\max }(\omega )]$$

稳健因果结论：只有当基于 ${\mathcal{R}}_{\kappa }$ 内所有 $\kappa$ 值的结论一致时，才是稳健的！

与Null-Modular双覆盖的联系

调制函数 $g_{\sigma }(\lambda ,x_{\perp })$ 的估计误差可以用置信区域表示：

$$g_{\sigma }\in {\mathcal{R}}_g$$

稳健性：模哈密顿量 $K_D$ 在整个 ${\mathcal{R}}_g$ 上的取值范围：

$$K_D[{\mathcal{R}}_g]=\left\{2\pi \sum _{\sigma }{\int }_{E^{\sigma }}{g}_{\sigma }{T}_{\sigma \sigma }:g_{\sigma }\in {\mathcal{R}}_g\right\}$$

🌟 核心公式总结

Fisher信息度量

$$\boxed{g_{\theta }(u,v):=u^{\top }I(\theta )v}$$

置信椭球（可信区域）

$$\boxed{{\mathcal{R}}_n(\alpha ):=\left\{\theta :n(\theta -{\hat{\theta }}_n{)}^{\top }I({\hat{\theta }}_n)(\theta -{\hat{\theta }}_n)\le {\chi }_{d,1-\alpha }^2\right\}}$$

线性效应的投影区间

$$\boxed{{\Psi }_n(\alpha )=\left[c^{\top }{\hat{\theta }}_n-\sqrt{\frac{{\chi }_{d,1-\alpha }^2}{n}{c}^{\top }{I}^{-1}c},c^{\top }{\hat{\theta }}_n+\sqrt{\frac{{\chi }_{d,1-\alpha }^2}{n}{c}^{\top }{I}^{-1}c}\right]}$$

几何稳健性

$$\boxed{{\mathcal{C}}_n(\alpha ):=\{\psi (\theta ):\theta \in {\mathcal{R}}_n(\alpha )\cap {\mathcal{I}}_n\}}$$

多实验共识区域

$$\boxed{{\mathcal{R}}_{\text{cons}}:=\bigcap _{k=1}^K{\mathcal{R}}_k({\alpha }_k)}$$

D-最优设计

$$\boxed{{\xi }^{\ast }=\arg \underset{\xi }{\max }\det I_n({\theta }_0;\xi )}$$

💭 思考题

问题1：为什么椭球而不是球？

提示：考虑参数间的相关性

答案：

如果参数完全独立（$I(\theta )$ 对角），则置信区域是球（各方向不确定性相同）。

但实际中，参数往往相关：

• 截距 ${\beta }_0$ 和斜率 ${\beta }_1$ 通常负相关（跷跷板效应）
• Fisher信息矩阵 $I(\theta )$ 非对角
• 置信区域是椭球（不同方向不确定性不同）

几何直觉：

• 椭球的长轴 → 参数“难辨识“的方向
• 椭球的短轴 → 参数“易辨识“的方向

问题2：共识区域为空意味着什么？

提示：想想量子测不准原理

答案：

$${\mathcal{R}}_{\text{cons}}=\bigcap _{k=1}^K{\mathcal{R}}_k=\varnothing$$

物理意义：

1. 显著冲突：研究间存在根本矛盾，无法同时满足所有约束
2. 模型失配：某些研究的假设可能错误
3. 异质性：不同研究测量的可能是不同的参数（如不同人群的效应）

量子类比：

就像同时精确测量位置和动量 → 测不准原理禁止！

多个研究的可信区域交集为空 → 参数空间的“几何不相容性“！

问题3：如何在量子引力中定义误差几何？

提示：回想因果钻石的量子涨落

答案：

在量子引力中，时空几何本身有量子涨落！

经典GLS：

$${\mathcal{R}}_{\text{classical}}=\{g_{\mu \nu }:\text{满足因果约束}\}$$

量子GLS（路径积分）：

$${\mathcal{R}}_{\text{quantum}}=\int \mathcal{D}{g}_{\mu \nu }{e}^{iS[g]}\delta (\text{因果约束})$$

几何不确定性：

• 普朗克尺度 ${\ell }_P$ 下，时空有“泡沫“涨落
• 可信区域变成函数空间中的测度
• 稳健性 → 在量子涨落下的拓扑不变性

例子：

Bekenstein-Hawking熵的修正项：

$$S=\frac{A}{4G}+\alpha \log \left(\frac{A}{{\ell }_P^2}\right)+\cdots$$

$\alpha$ 的可信区域 ${\mathcal{R}}_{\alpha }$ 决定了量子引力修正的稳健预言！

🎯 核心洞察

1. 误差即几何边界

   传统：误差 = 附属信息

   GLS：误差 = 参数空间中的几何区域（可信区域）

2. 稳健性即几何不变性

   传统：稳健性 = “结果差不多”

   GLS：稳健性 = 结论在整个可信区域上成立

3. 因果推断 = 可信区域 ∩ 可识别集

   $$\text{稳健因果结论}⟷{\mathcal{R}}_n(\alpha )\cap {\mathcal{I}}_n$$

4. 元分析 = 区域的交并运算

   • 共识 = 交集 $\bigcap {\mathcal{R}}_k$
   • 冲突 = 对称差 $\bigcup {\mathcal{R}}_k\setminus \bigcap {\mathcal{R}}_k$

5. 实验设计 = 塑造几何形状

   通过 Fisher 信息 $I(\theta ;\xi )$ 主动塑造可信椭球

📚 与其他篇章的联系

与因果几何化（第8篇）

• 第8篇：时空几何 = 因果约束的压缩
• 本篇：参数几何 = 统计约束的压缩

统一视角：

$$\text{几何}=\text{约束的最优编码}+\text{误差边界}$$

与边界理论（第6篇）

• 边界编码体域信息 ↔ 椭球边界编码参数不确定性
• Brown-York能量的不确定性 ↔ Fisher信息决定的椭球形状

与统一时间（第5篇）

时间刻度 $\kappa (\omega )$ 的不确定性：

$$\kappa \in [{\kappa }_{\min },{\kappa }_{\max }]$$

稳健因果箭头：只有当所有 $\kappa \in [{\kappa }_{\min },{\kappa }_{\max }]$ 都给出相同因果方向时，箭头才稳健！

📖 延伸阅读

经典统计：

• van der Vaart (1998): Asymptotic Statistics（渐近理论）
• Bickel & Doksum (2015): Mathematical Statistics（置信区域）

因果推断：

• Manski (2003): Partial Identification（可识别集）
• Imbens & Rubin (2015): Causal Inference（稳健性分析）

实验设计：

• Pukelsheim (2006): Optimal Design of Experiments（Fisher信息与设计）

GLS理论源文档：

• error-geometry-causal-robustness.md（本篇来源）

下一篇预告：10-因果-时间-熵统一定理完整证明

我们将看到因果、时间、熵三者如何通过严格数学证明统一！

返回：因果结构篇总览

上一篇：08-因果几何化