近年来，因果推断方法的发展深刻改变了经济学经验研究的范式。越来越多的研究通过随机实验或自然实验识别变量之间的因果关系，使实证研究更加注重研究设计与识别策略。这一变化被Angrist和Pischke称为经济学经验研究中的“可信性革命”。

在这一研究范式下，学者不仅关注某一政策或行为是否产生因果效应，还希望进一步回答一个更重要的问题：这种效应是通过什么机制产生的。例如，当研究发现教育能够提高收入时，人们往往进一步关心：教育究竟是通过提升技能、改变职业选择，还是通过社会网络等渠道影响收入。

如何在实证研究中系统分析这些“作用机制”，成为经验研究中的一个重要问题。因果中介分析（Causal Mediation Analysis）正是在这一背景下发展起来的重要方法。赵西亮在《因果中介分析的理论进展及其应用》一文中系统介绍了该方法的理论基础、识别条件与估计方法，并通过中国数据展示了其应用价值。

本文在此基础上，对该方法的核心思想进行简要梳理。

一、从因果效应到因果机制

在现代经济学经验研究中，工具变量（IV）、双重差分法（DID）以及断点回归设计（RDD）等方法已经成为识别因果效应的主要工具。这些方法通过利用随机实验或自然实验所提供的外生性，能够较为可靠地识别变量之间的因果关系。

然而，仅仅识别两个变量之间的因果效应往往是不够的。政策评估不仅需要知道某一政策是否有效，还需要理解政策产生效果的具体机制。例如，在研究班级规模对学习成绩的影响时，即使通过断点回归等方法发现小班教学能够显著提高学生成绩，研究者仍然希望进一步了解：这种效果究竟是因为教师能够更关注学生，还是因为学生之间互动更频繁，或者是课堂环境改善所导致。

因此，在经验研究中，理解因果机制具有重要意义。通常情况下，研究者会根据理论或经验提出一些可能的机制变量（即中介变量），并检验解释变量是否影响这些变量。如果影响显著，就认为该渠道可能是一个作用机制。然而，这种做法往往只能说明某一机制可能存在，却无法回答一个关键问题：该机制在总体因果效应中究竟占多大比例。中介分析（mediation analysis）正是用于回答这一问题的工具。

二、传统中介分析方法及其局限

中介分析最早起源于心理学领域，Baron 和 Kenny（1986）提出了经典的“三步回归法”，并在社会科学中得到广泛应用。

这一方法通常包括三个回归步骤：第一步，将结果变量对解释变量进行回归，估计总效应。第二步，将中介变量对解释变量进行回归，检验解释变量是否影响中介变量。第三步，将结果变量同时对解释变量和中介变量进行回归，从而估计直接效应。

在这一框架下，解释变量对结果变量的总效应可以分解为两部分：直接效应，解释变量在第三步回归中的系数。间接效应（中介效应），解释变量通过中介变量对结果变量产生的影响。间接效应通常可以通过两种方式计算：乘积法，第二步回归系数与第三步中介变量系数的乘积。作差法，总效应减去直接效应。

虽然这一方法简单直观，但在实际应用中也存在明显局限。首先，传统中介分析依赖线性结构方程模型，一旦模型设定错误，估计结果就可能产生偏差。其次，该方法通常假设模型参数是常数，忽略了个体之间可能存在的异质性。最后，传统方法通常不允许解释变量与中介变量之间存在交互作用。更重要的是，当解释变量或中介变量存在内生性时，传统三步法得到的估计结果往往无法进行因果解释。因此，在经济学实证研究中，传统中介分析方法并没有得到广泛应用。

三、因果中介分析的基本思想

为了解决传统中介分析的局限，近年来统计学与因果推断领域发展出了新的方法——因果中介分析。该方法将因果推断中的潜在结果框架引入中介分析，从而能够更加严格地定义和识别中介效应。

因果中介分析采用一种“定义—识别—估计”的研究范式。首先明确研究者关注的目标参数，然后通过合理的识别假设将不可观测的因果效应转化为可观测的统计参数，最后利用数据进行估计。

在这一框架下，研究者关注两个核心概念：自然间接效应（Natural Indirect Effect，NIE），在保持干预状态不变的情况下，仅由于中介变量从控制状态的自然取值变为干预状态的自然取值而导致的结果变化。换言之，它衡量的是干预通过中介变量对结果产生的影响，也就是我们通常所说的机制效应。自然直接效应（Natural Direct Effect，NDE），在保持中介变量取值不变的情况下，由于干预变量变化而导致的结果变化，它反映的是不通过中介变量产生的直接影响。

在因果中介分析框架下，总效应可以被分解为自然间接效应和自然直接效应的和。因此，研究者不仅可以识别某一政策或行为的总体影响，还可以进一步衡量不同机制在总体效应中的贡献程度。

四、因果中介效应的识别

因果识别是因果推断中的核心部分，其目的是将无法直接观察的潜在结果转化为可观测的统计参数。对于因果效应来说，因果识别是指通过引入合理的识别假设，将潜在的因果效应（例如，干预对结果的影响）转化为可被观察和估计的统计量。

在赵西亮的因果中介分析方法中，因果识别通过两个主要步骤来实现：定义目标参数和引入识别假设。

1.目标参数的定义

因果中介分析关注的主要目标参数是自然间接效应（Natural Indirect Effect，NIE）和自然直接效应（Natural Direct Effect，NDE）。这些效应是反映解释变量通过中介变量或直接作用对结果产生影响的大小。在潜在结果框架中，每个个体的潜在结果（或反事实结果）是在不同干预状态下得到的。如果干预变量是二值变量（例如治疗与对照），每个个体会有两个潜在结果，分别对应干预状态下的结果（Yi(1)）和对照状态下的结果（Yi(0)）。以此为基础，定义两个重要的目标参数：

自然间接效应（NIE）：衡量干预通过中介变量产生的效果，即保持干预状态不变，仅由于中介变量的自然变化对结果产生的影响。

自然直接效应（NDE）：衡量干预直接对结果变量的影响，即在保持中介变量自然取值的情况下，干预对结果产生的效应。

2.识别假设

为了能够估计这些因果效应，需要引入适当的识别假设。赵西亮提出的序贯可忽略性假设是这一部分的核心识别条件。该假设包含两部分内容：序贯可忽略性假设（Imai等，2010b），假设1a：在控制协变量X后，干预变量D是外生的，即干预状态与控制变量之间没有未被控制的混杂因素。假设1b：在控制协变量X和干预变量D后，中介变量M也近似于外生的，即中介变量在给定干预状态的情况下是独立于未观测因素的。这个假设保证了，干预变量对结果变量和中介变量的因果影响可以被可靠地估计。

3.交叉世界潜在结果的挑战

由于潜在结果无法同时观察，交叉世界潜在结果（例如，干预状态下的结果与控制状态下的中介变量）是无法在实际研究中观测到的。因此，因果识别面临一定的挑战。赵西亮在论文中提出，通过引入序贯可忽略性假设，可以识别这些无法直接观察的反事实结果。以下是如何识别其中一些关键潜在结果的公式：

（1）识别自然间接效应（NIE）：识别NDE和NIE需要通过计算交叉世界潜在结果的期望值。以自然间接效应为例，交叉世界潜在结果Y[1, M(0)]（即在干预状态下，假设中介变量保持控制状态）可以通过如下公式计算：

（2）识别自然直接效应（NDE）：类似地，自然直接效应也可以通过类似的方式进行识别：

4.因果识别的实际挑战

尽管序贯可忽略性假设在理论上能够保证因果识别，但实际应用中依然可能存在挑战。比如，在某些情况下，即使控制了干预变量，仍可能存在未观测的混杂因素，导致干预和中介变量的内生性问题。

为了应对这些挑战，赵西亮进一步介绍了几种在内生性存在时解决因果识别问题的方法：工具变量法（IV），当中介变量存在内生性时，可以使用外生工具变量，即那些只影响中介变量而不直接影响结果变量的变量，工具变量的外生性可以帮助识别中介效应。双重差分法（DID），在处理多期面板数据时，可以通过引入平行趋势假设来控制异质性，识别中介效应。这种方法要求在干预发生之前和之后对照组和实验组的趋势保持一致。

五、当中介变量存在内生性时

在实际研究中，中介变量往往可能受到未观测因素的影响，从而产生内生性问题。如果这一问题存在，上述序贯可忽略性假设就不再成立。

为了解决这一问题，可以借助经济学中常见的识别策略，例如：工具变量法、双重差分法、断点回归设计。例如，如果能够找到一个变量只影响中介变量而不直接影响结果变量，那么该变量就可以作为中介变量的工具变量，从而识别中介效应。此外，当干预变量和中介变量同时存在内生性时，还可以通过多个工具变量进行识别。

六、应用案例：教育如何通过职业影响收入

为了展示因果中介分析方法的应用，论文利用2018年中国居民收入调查（CHIP）城镇居民数据，分析教育对收入的影响机制。

研究重点关注一个重要机制：职业选择。教育水平较高的个体往往更容易进入收入更高的职业，例如专业技术岗位或管理岗位。因此，教育可能通过改变职业选择，从而影响收入水平。研究结果表明：大学教育显著提高收入水平，其中约 45% 的教育回报可以通过职业渠道解释。相比之下，对于仅完成高中教育的个体，职业渠道对收入的解释程度仅约 11%。

为了进一步处理教育和职业可能存在的内生性问题，研究还采用了工具变量方法，并使用配偶教育和父母职业分别作为教育和职业的工具变量。结果显示，估计结果依然保持稳健。这一发现表明，教育不仅能够直接提高个体收入，还可以通过改变职业选择这一重要渠道发挥作用。

七、总结

因果中介分析为理解因果机制提供了更加系统和严谨的工具。与传统中介分析相比，该方法具有以下优势：第一，它基于潜在结果框架定义因果效应，不依赖具体模型设定。第二，通过明确的识别假设实现因果识别，从而提高结果的可信性。第三，可以量化不同机制在总体因果效应中的贡献程度。

在经济学经验研究中，机制分析往往只停留在理论推测或简单回归检验，而因果中介分析能够更完整地分析解释变量、中介变量与结果变量之间的因果关系，并评估不同渠道的重要性。因此，该方法有望成为未来经济学机制分析的重要工具之一。

文献引用

赵西亮. 因果中介分析的理论进展及其应用 [J]. 数量经济技术经济研究, 2025, 42 (02): 195-216.