集群分配会放大遗漏变量偏差吗

你想评估一种新课程是否提高成绩。课程由整所学校统一采用，但数据记录到每名学生。此时，一个没被观察到的学校因素——比如学校资源——可能既影响是否采用课程，也影响成绩。研究者通常会问：这个隐藏因素要多强，才足以推翻“课程有效”的结论？

问题在于，如果直接拿学生数据计算，学生之间大量与学校无关的成绩差异也可能被算进去。Anton Strezhnev 的这篇 arXiv 预印本指出，这会让常用的敏感性分析显得过于悲观。它不是证明集群分配会放大真实偏差，而是发现：分析层级选得不合适，会扭曲我们衡量偏差风险的尺子。

估计没变，稳健性为何变了？

先解释两个概念。

遗漏变量偏差，是指某个没进入模型的因素同时影响处理和结果，回归于是把它的一部分作用错算给处理。敏感性分析并不声称找到了这个因素。它反问的是：假想的未观测混杂必须多强，才能让估计结果消失或反转？

Cinelli and Hazlett（2020）提出的线性回归方法，用两个偏 $R^2$ 描述这种强度。偏 $R^2$ 衡量的是：控制其他变量后，某个因素还能解释多少剩余差异。这里一个参数描述混杂因素与处理的额外关联，另一个描述它与结果的额外关联。

这套方法还给出“robustness value”——稳健性值。它表示：如果一个混杂因素与处理、结果的关联同样强，那么这种关联至少要达到什么程度，才能把估计效应压到零。

Strezhnev 研究的是集群处理分配：处理不是逐人决定，而是整所学校、医院、县或村庄一起接受。同一集群里的成员共享处理状态。

论文证明，在适当加权下，用个体数据做回归，与先把数据汇总到集群层面再回归，可以得到数值相同的处理效应估计。遗漏变量偏差的大小也相同。但若把原有敏感性分析直接套在个体回归上，两种分析却会给出不同的稳健性结论。

换句话说，答案没变，判断答案有多容易被推翻的尺子却变了。

被错算的是组内差异

原因出在结果一侧的偏 $R^2$。

假设处理按学校分配，未观测混杂也是学校层面的因素。那么它可以解释学校之间的成绩差异，却不可能解释同一学校内学生之间的全部差异。后者可能很大，但与学校层面的混杂无关。

个体层面的结果—混杂偏 $R^2$ 同时混入了组间和组内变异。处理一侧则没有同样的问题，因为同校学生共享处理状态。于是两个参数表面上取值相同，实际并不代表混杂因素在两侧“同样强”。

这也影响另一项常用诊断：极端情景分析。未经修正的方法会设想，一个集群层面的混杂因素能够解释结果的全部剩余变异。但只要结果在集群内部仍有差异，这种情景就不可能发生。它最多只能解释集群之间的那部分。

论文因此判断，未经修正的个体层面分析通常过于保守，也就是低估研究结论的稳健程度。这里的“低估稳健性”不能改写成“处理效应估计偏得更多”：论文明确区分了效应估计与衡量其脆弱程度的指标。

一把尺子，把两个层级重新对齐

作者提出的修正依赖 Pearson’s partial-$\eta$。可以把它理解为：在控制处理和已有协变量后，结果的剩余差异中，有多大比例来自集群之间，而不是集群内部。

这个量可以通过辅助回归计算。用它重新缩放个体回归中的结果侧参数，就能修正 robustness value 和极端情景分析。论文给出的理论结果是：修正后，个体层面敏感性分析会与适当加权的集群聚合分析恢复精确等价。除非结果完全没有组内差异，否则修正后的稳健性值会高于未经修正的数值。

这一步的直觉很简单：先从尺子里剔除集群级混杂根本不可能解释的差异，再比较处理侧和结果侧的混杂强度。

论文还重新分析了一项县级海平面上升暴露与个人气候政策态度的研究。原研究用个人问卷做回归，但暴露指标在县级变化。原始结果中，海平面上升暴露的估计系数为 $0.095$；常规极端情景分析给出的处理侧门槛为 $0.6\%$。作者指出，这些常规指标纳入了与县级混杂无关的县内差异；修正方向是提高所需混杂强度。不过，供稿文本中的若干关键修正数值缺失，无法可靠复述具体增幅。

基准变量也要放对层级

敏感性分析常拿一个已经观测到的变量当参照。例如问：“如果还有一个未观测因素，强度与党派认同相当，能否推翻结果？”这叫基准比较。

如果基准变量本身在集群层面测量，个体回归和集群回归可以得到一致的比较。但个人年龄、收入或党派认同既有县与县之间的差异，也有同一县内部的差异。直接拿原始个人变量作基准，仍会把两类变化混在一起，结果可能偏严，也可能偏松，方向取决于变量与结果在集群内部如何共同变化。

作者建议采用 Mundlak（1978）的处理思路：把个人协变量的集群均值也放进回归。例如，不只放入每个人的党派认同，还加入该县受访者的平均党派认同。对集群级混杂真正相关的是后者。这样可以把组间关联与组内关联拆开，避免用个人差异冒充县级混杂能力。

为什么值得关注

这项工作的价值不在于宣称集群分配天然消除了混杂。观察研究仍然可能漏掉重要的学校、医院或地区因素。它提醒研究者：当处理发生在集群层面时，敏感性分析也必须尊重这种数据结构。

这会影响论文中那句很常见的话：“未观测混杂只需达到某个强度，就能推翻结论。”如果强度指标包含了混杂因素不可能解释的组内变化，这句话会显得比实际更悲观。修正后的问题更诚实：一个真正处于处理分配层级的隐藏因素，究竟要解释多少集群之间的剩余差异，才能改变结论？

局限与未知

• 本文全部方法、结论与重分析结果来自 Strezhnev 的同一篇 arXiv 预印本，材料未提供独立复现或外部评议。所谓“恢复等价”是作者的理论结果，尚不能写成已获多方验证。
• 供稿中的部分公式符号和重分析数字未完整抓取，因此无法判断修正幅度在更多数据结构中的具体大小，也不能给出普遍门槛。
• 论文讨论的是处理与潜在混杂位于集群层面的设定。它没有笼统证明集群分配会放大遗漏变量偏差；它指出的是，未经修正的敏感性指标可能因分析层级而失真。