摘要：健康作為重要的人力資本，不僅是人們擁有美好生活的基礎，更是一項基本的生活需求，對個人、家庭和社會的發展都具有十分重要的意義。因果推斷方法作為研究個體健康影響機制的重要手段，有助于促進健康相關政策制定的科學化、合理化，為個體健康提供更為可靠的社會保障，對提高居民健康水平具有十分重要的社會意義。從個體健康研究中的常見問題、因果推斷理論框架、實證研究中的因果推斷三個方面對現有文獻進行分析和評價。作為涵蓋范圍最廣泛的研究領域，個體健康水平受到社會資本、收入、教育、保險、遷移、退休、工作等多類因素的影響，同時，實證研究中主要存在測量偏誤、遺漏變量、互為因果、共同原因和選擇偏差五類問題，解決這些問題常用的因果推斷方法主要包括隨機控制實驗、傾向得分匹配、工具變量法、雙重差分法、斷點回歸設計以及個體固定效應模型。研究闡述了這些因果推斷模型的適用條件及優缺點，并對各類模型在個體健康實證研究中的應用作了簡要的總結和分析。研究還有助于學者在個體健康研究領域中選擇合適的因果推斷方法，或進一步綜合應用已有的方法。隨著大數據技術的發展和對因果推斷方法的深入了解，未來應加強機器學習和因果推斷方法的結合，豐富已有的因果推斷工具，保障研究結果的穩健性。

　　關鍵詞：個體健康;內生性;混雜因素;因果推斷

　　一、引言

　　健康不僅是人類的普遍愿望和基本需求，而且作為人力資本的重要組成部分，對個體、家庭和社會都會產生重要的影響。從個體角度來看，健康可以促進教育水平的提高和社會資本的形成，從而影響就業狀態、就業類型，進而影響就業收入和社會階層地位[1];從家庭角度來看，健康可以增加家庭的收入，減少醫療費用的支出，促進家庭幸福[2];從社會經濟角度來看，健康有利于促進勞動力供給，延長就業者的工作年限，促進勞動生產率，從而促進經濟增長[3]。

　　正是由于健康的重要性，對健康的研究一直是學術界研究的熱點，以“allintitle:health”作為搜索條件用谷歌學術進行搜索，搜索結果達到142萬余條，再加上以各種疾病研究為論文標題的文獻就更多。我們在WebofScience數據庫中在標題、摘要、關鍵詞中搜索“causal&health”，然后再分別檢索各個因果推斷方法和健康(例如：“PropensityScore&health”)，共得到了七萬余條檢索記錄，盡管其中可能有重復文獻，但即使剔除這些文獻仍有大量檢索記錄，不難看出，因果推斷方法在健康領域得到了廣泛的應用。

　　該領域的研究早在20世紀90年代就進入了大眾視野，2010年前后得到了更多的關注，如今更是蓬勃發展，研究范圍也逐步從公共環境衛生、臨床醫學、生物學等領域，開始擴大至經濟學、社會學的范疇，而影響個體健康的相關因素除了作為控制異質性的個人人口學特征以外，還包括了教育、工作、收入和社會資本等個人因素，以及諸如遷移、退休和保險等政策性因素。本文的研究就是從經濟學、社會學、人口學等領域入手，以期從多角度考慮各領域因素對個體健康的影響研究。盡管健康很重要，研究的成果又非常豐富，但是由于其內在復雜性，健康研究仍然存在很多問題，主要表現在以下幾個方面：

　　一是被解釋變量—健康的測量誤差，很多研究采用自評健康作為研究對象，對健康狀態的回答主要根據個體主觀判斷，而個體由于認知能力的差別，往往做不到完全理性，因此回答的結果和自己真實的健康狀況通常有一定的差別;二是遺漏變量的存在會對結果造成干擾，使得解釋變量的估計結果不準確，例如在研究教育對健康的影響時，由于無法準確衡量身體稟賦這一不可觀測變量，回歸時往往遺漏該變量，從而過高估計了教育對健康的影響。

　　三是解釋變量和被解釋變量之間可能互為因果，比如工作時間過長會可能會導致健康狀況下降，反之良好的健康狀況又會讓勞動者有更多的精力投身于工作[4];四是存在同時影響解釋變量和結果的第三方變量，比如教育水平越高相應的收入水平也越高，健康狀況可能也越好，而收入對健康也有直接的影響，所以教育就是影響收入和健康的共同原因;五是樣本自選擇偏差，以遷移對健康的影響為例，遷移的個體往往比不遷移個體更健康，但是這個結果并不一定是遷移政策造成的，可能是遷移的個體的健康狀況往往更好，因為個人健康狀況的好壞決定著其流動機會和流動決策。

　　為了解決上述健康研究中存在的問題，學者們采用了相應的因果推斷方法作為分析工具。例如在研究退休對健康的因果效應時，可以工具變量的方法最大限度地減少對測量誤差的擔憂[5];與之類似，庫魯克利斯(Kourouklis)等人在研究收入對健康的影響時，使用工具變量方法更好地處理了因為遺漏變量所帶來的潛在偏差[6];阿塔萊(Atalay)和朱(Zhu)為解決雙向因果關系和測量誤差，使用固定效應模型研究了妻子退休對丈夫心理健康的影響[7];龍(Long)等人利用傾向得分匹配與雙重差分相結合的方法對遷移和健康之間的因果關系展開了深入研究，解決了選擇偏差和互為因果帶來的問題[8]。這些方法已經被廣泛應用于個體健康研究，用來解決研究過程中產生的一系列問題。

　　當然對同一類問題的研究根據數據特征和研究背景的不同，可以采用多種因果推斷的方法。個體健康研究文獻中，由于采用的研究方法存在缺陷，許多文獻所指出的影響因素與健康之間的關系是相關而非因果關系，而影響因素與健康之間的因果關系對政策的制定和實施至關重要，因此如何確定影響因素與健康之間的因果關系就顯得尤為重要。盡管現在有很多學者采用了因果推斷的方法來研究影響因素和健康之間的因果關系，也有一些學者從公共健康的角度對相關研究進行歸納[9]，但是鮮有從健康的社會經濟決定方面對個體健康研究中的因果推斷問題進行歸納、總結。

　　本文的目的在于通過識別個體健康研究中的常見問題，評價常用的因果推斷方法及其在個體健康研究中的應用。由于現有個體健康研究的文獻過多，因此我們盡量選擇最新的文獻進行分析，盡可能涵蓋多個方面，但研究文獻中未包括臨床醫學方面的研究。研究結果表明，個體健康研究中存在諸如測量偏誤、遺漏變量、互為因果、共同原因和選擇偏差等問題，為解決這些問題學者們采用了隨機控制實驗、傾向得分匹配、工具變量、雙重差分、斷點回歸設計、固定效應模型等方法，對包括社會資本、收入、教育、保險、遷移、退休和工作等多類健康影響因素對健康的因果效應進行了深入研究。

　　二、個體健康研究的常見問題

　　個體健康研究中常見的問題主要來源于被解釋變量、解釋變量、解釋變量和被解釋變量關系、混雜因素以及研究樣本的選擇五個方面。在進行健康研究時，作為被解釋變量的健康除了可以采用發病率指數[10,11]、身體質量指數BMI[12]和特定疾病診斷[13]等客觀指標外，還會采用自評健康(Self-ReportedHealth，簡寫為SRH)[14]和心理健康[15]等主觀指標。當使用像SRH這樣有序的主觀測量作為客觀健康的代理時，研究者必須假設SRH是對個體健康狀態的真實反映。無論我們是根據性別、種族、年齡還是社會經濟地位來定義群體，當不同的群體以不同的方式自我報告他們的健康狀況時，都有可能會造成較大的測度誤差[16]。

　　SRH的測度誤差可能會對研究結果產生不利的影響，一方面是影響結果的可靠性，另一方面對自評健康的過高評價可能導致風險健康行為[17]。盡管對報告偏差和解釋存在擔憂，但是由于其易于收集的特點，SRH仍然是研究人員最常用的健康衡量標準，一些研究結果也表明SRH不僅與客觀健康指標具有較強的相關性，而且確實可以預測未來的客觀健康狀況[16]。

　　雖然學術界對SRH是不是可靠的健康指標并沒有達成一致，我們還是希望SRH越可靠越好，一個可選擇的方案是對自我健康狀況進行多次評估。以中國健康與養老追蹤調查(CHARLS)數據為例，CHARLS問卷有兩次關于自評健康狀況的調查，第一次受訪者未經任何準備直接被詢問健康狀況，回答可能過于主觀，第二次則是在被詢問有關慢性病等客觀指標的相關問題之后，一部分受訪者的自評健康水平發生了變化，所以受訪者第二次的自評答案更加真實可靠。

　　個體健康研究中解釋變量方面存在的問題主要是由遺漏變量所造成的。由于遺漏變量使得殘差項與解釋變量相關，導致解釋變量的回歸系數是有偏的。但是在進行計量分析時，我們很難做到不遺漏變量，一方面我們很難判斷哪些變量要加入控制變量集，即使我們知道某個變量應該加入控制變量中，實際上也可能無法測度(如天賦和能力)，另一方面是可能存在未知的控制變量。以保險和健康的關系為例，董(Dong)指出，保險與健康之間存在一些不可觀察的變量，主要包括：①個人的健康意識。

　　個人的健康意識越強，越可能擁有健康的生活方式，也越可能參加醫療保險以預防和治療疾病;②個人的風險偏好。風險規避者往往傾向于參加醫療保險，同時更注重采取預防保健措施和避免危害健康的行為，這些無法度量的變量使得研究者很難建立起醫療保險與健康狀況之間真正的因果關系[18]。被解釋變量與解釋變量之間可能會存在雙向因果關系。如果兩個變量互為因果，任何一方都可以作為對方的解釋變量，那么任何一個單方面的回歸都可能帶來內生性問題。

　　許多健康的影響因素和健康之間存在雙向因果關系，例如收入與健康之間的關系、工作時長與健康之間的關系等。以收入與健康之間的關系為例加以說明，很多學者認為較高的收入會帶來較高的健康水平，較好的健康也會使得收入增加，但這并不能說明二者之間的因果關系，要分析收入對健康的因果影響，一定要保證收入變量是外生的，但在實證研究中卻很難做到，一方面，可以有力預測收入的因素往往也直接影響健康，如教育水平、失業和工作經驗;另一方面，存在不可觀測的因素，如遺傳、風險偏好和社會背景等，可能與收入和健康有關[19]。

　　為此諸多文獻已經轉向使用各種類型的收入沖擊來估計收入對健康變動的影響，例如有學者通過利用彩票中獎金額的隨機變化來估計家庭收入對自我報告的健康狀況的因果影響，確實發現了收入和健康之間的因果關系[20]。與收入對健康的影響類似，健康對收入的影響也可能由于存在諸如教育、能力、工作經驗等混雜因素而嚴重偏離，那么什么樣的變量既與健康密切相關，又是外生的呢?有些學者嘗試用和遺傳有關的變量作為工具變量來分析健康對收入的影響，采用孟德爾隨機化研究分析表明健康和收入之間確實存在因果關系[1]。

　　個體健康研究中還有一個常見問題是存在混雜因素同時影響解釋變量(也叫處理或暴露)和結果，因此也被稱為處理和結果的共同原因，混雜因素可能會導致解釋變量對健康的有偏估計。例如前面分析收入對健康的因果關系時，教育往往就是一個混雜因素，人力資本理論認為教育會對收入產生顯著的正向影響，受教育水平越高的個體相應的收入水平也越高;很多實證分析也表明教育和健康之間有顯著的因果關系[21,22]，所以教育水平會同時影響收入和健康的變動。而減少混雜的策略則是側重于打破混雜因素與結果的關聯(如回歸調整);打破混雜因素與處理的關聯(例如，基于傾向分數的匹配、調整或加權);或者同時打破與處理和結果的關聯(例如，雙重穩健方法)[9]。樣本的自選擇偏差在個體健康研究中也頗為常見。

　　在自選擇問題中，被解釋變量在每個子樣本中都可觀測，但此時個體的選擇行為存在非隨機性。例如是否選擇遷移，是否選擇購買醫療保險，或者決定是否繼續接受高等教育等行為都是內生的，因為不可觀測的因素(如個人意識偏好，天賦智力等)會影響人們的決定，這是自我選擇的結果。格拉夫娃(Grafova)等人重點關注了鄰里環境的自我選擇對健康影響的估計產生向下偏差的問題，具體來說，健康每況愈下的老人更有可能會選擇改變他們的生活方式，改善生活環境，以便為自己的健康投資，這就可能會導致鄰里環境對健康影響的結果偏差[23]。

　　學者們采用了很多方法來解決個體健康研究中存在的上述問題，這些方法有些是因果推斷的方法，有些是常用的計量經濟學方法[24,25]。我們歸納了個體健康研究中的諸多文獻，包括準自然實驗[26]以及混雜控制[9]等方面，還有一些雖然研究對象不是個體健康，但是有關內生性的文獻[27]，得到個體健康研究中常見問題及解決辦法的綜合圖。

　　上述分析表明，個體健康研究中存在的問題往往并不是單一的，可能涉及上述問題中的多個，各類問題綜合作用的結果使得探究個體健康研究中的因果關系變得尤為困難。對個體健康研究中出現的同一問題，可以采用不同的因果推斷方法，那么如何根據研究主題、背景和數據等條件選擇合適的因果推斷方法，也是研究者亟待解決的問題。因此有必要對個體健康研究中常用的因果推斷方法進行歸納、總結，對未來研究提供有益的幫助。

　　三、因果推斷方法

　　因果推斷方法在經濟學、社會科學、統計學、流行病學和計算機科學中均得到了廣泛應用，很多學者致力于探討變量之間的因果關系并估計因果效應，以期根據因果關系給出合理的政策建議。在本節中，作者主要介紹了潛在結果模型和因果效應，以便為后續分析個體健康研究中的因果推斷建立更好的理論基礎。

　　四、個體健康研究中的準自然實驗評估方法與應用

　　近年來，準自然實驗在社會科學研究中具有越來越重要的地位[26]。相較于隨機實驗而言，其在實驗倫理上具有極為重要的優勢，如在研究吸煙對健康影響的過程中，實驗者在明知吸煙行為的成癮性與危害性的條件下，強行從樣本中選取個體要求其接受處理(即吸煙)是不道德的;但可以選取準自然實驗的方式，從社會中選取吸煙者群體與不吸煙者群體，研究其健康差異，但要考慮到兩個群體間是否具有樣本自選擇問題，如是否較低健康水平的群體更傾向于不吸煙以維護自身健康。準自然實驗的常用評估方法及其在健康領域的經典研究總結如下。

　　1.傾向得分匹配早在1983年羅森鮑姆(Rosenbaum)和魯賓(Rubin)就提出了傾向得分匹配(PropensityScoreMethods，PSM)方法，作為一種近似實驗的方法，PSM常被用于克服橫截面人群研究中樣本的非隨機性質[44]，尤其是在臨床生物醫學領域應用更為廣泛[45]。

　　它的基本原理是，對于接受處理的個體，找到可觀測相同特征的未被處理的個體，通過逆概率加權[46–49]、偏差矯正匹配[50]等方法，比較他們的觀測結果差異，達到估計處理效應的目的。使用PSM有一個前提的關鍵限制，即“強可忽略性處理分配”，該方法假定，控制協變量之后，具有相同特征的個體對政策具有相同的反應。換句話說，不可觀測因素不影響個體是否接受政策干預的決策，只有在估計傾向得分的回歸方程中包含的可觀測變量才能影響被暴露于政策的概率。如果存在樣本選擇偏差，一般可以采用PSM方法來估計因果效應，該方法廣泛應用于研究遷移[51]、退休[52]、收入[53]、低保參與[25]、工作場所的健康促進措施[54]等多方面因素對健康的影響。

　　PSM估計因果效應分為三個步驟：首先用所有匹配的協變量估計處理變量的傾向得分，估計方法為二元或多元Logit回歸;然后根據得分進行匹配;最后根據研究目的計算平均處理效應，或者對剔除未匹配樣本后的新數據集進行回歸分析。我們以遷移和低保參與對健康的影響為例加以說明。王(Wang)和胡(Hu)以遷移作為處理變量，采用二元Logit回歸計算傾向得分，然后利用局部線性回歸匹配方法進行傾向得分匹配，同時使用近鄰匹配和半徑匹配作為穩健性檢驗，最終的平均處理效應表明遷移者的健康狀況要優于未遷移者[51]。

　　霍(Huo)等人采用PSM方法，研究了低保參與和青少年心理健康之間的因果關系，處理變量是享受低保的狀態：進入、離開和保持，研究分為三個階段，首先，使用青少年的個人和家庭等特征以及心理健康得分，采用多元Logit模型來預測獲得相應福利狀態的概率，即傾向得分;然后使用半徑匹配方法將每一個在特定處理組的青少年與未接受低保但有相同傾向分數的人進行匹配;最后是使用PSM過程中產生的權重回歸調整模型來估計各種低保參與狀態對心理健康的可能影響，這樣的處理過程很好地解決了選擇偏差問題[25]。但是由于PSM沒有處理未觀察到的混雜因素，該方法有可能導致有偏差的效果估計。與此同時，如果在使用匹配方法時把樣本局限在共同支撐域范圍，匹配方法得到的結論僅適用于共同支撐域范圍里的樣本，而不適用于所有樣本。如果共同支撐域樣本比較小，那么我們得到的結論普遍性就相對較差。

　　五、未來研究的方向

　　21世紀以來，以“實驗”思想為基礎的定量實證分析方法已經成為健康領域定量研究的前沿熱點。不管是建立有針對性設計的“隨機控制實驗”，還是對基于政策變動或外生事件所產生的“準自然實驗”進行的研究，其共同目標都是對健康相關政策的有效性和科學性做出準確的評估，這一類典型的因果推斷研究方法也進一步證實了諸多影響因素與個體健康之間的因果關系而非簡單的相關關系。

　　從WebofScience的檢索結果和我們的研究分析中可以看出，因果推斷方法在現今及未來較長的時間內，仍然是主流的健康政策評估方法，這一點也得到了眾多學者的肯定。盡管因果推斷方法在個體健康研究中得到了廣泛的應用，但是該方法在實際應用階段仍然存在一定的局限性，主要表現在兩個方面：

　　一方面是由樣本數據的質量和數量帶來的可靠性和外部有效性問題，無論是隨機控制實驗，還是準自然實驗，都需要滿足一定的前提條件，例如樣本的隨機分配、平行趨勢假設、共同支撐假設等，但是現有的數據未必能滿足這些條件，即使變量之間存在因果關系，也未必能得到驗證，或者盡管我們可以在樣本范圍內得到明確的因果關系，也通過了異質性和穩健性檢驗，由于樣本數量較小，估計結果的外部有效性也會令人質疑;另一方面是分析過程中存在的問題，在實證研究中，我們通常是假設某一因素和健康之間存在因果關系，然后使用因果推斷的方法進行驗證，這些因果關系可能來源于學者們已有的研究經驗，然而可能還存在一些我們經驗之外的因果關系，也就是說，因果推斷方法更側重于驗證因果關系。

　　因此，未來研究中我們首先要著重關注數據的質量和數量，為將來的研究奠定堅實的數據基礎，然后采用機器學習與因果推斷相結合的方法，解決傳統因果推斷中存在的問題。現有的研究一般基于調查數據，樣本量往往只有幾千或者幾萬，十幾萬的數據集都比較少見，但是一個政策可能會涉及幾千萬，甚至上億人，通過少量樣本推斷出的因果效應在整個受眾群體上未必是成立的，也就是說很難滿足外部有效性。

　　隨著信息技術和大數據技術的發展，居民健康相關的信息正以前所未有的速度產生和儲存，這些信息可能來自醫療、社會保險、就業和收入、稅收、社交數據等，還有政府和機構組織的各種調查和普查數據，每類數據只包含健康及健康影響因素的某一局部方面，例如稅務局掌控著每個納稅人的納稅記錄，是研究個人所得稅改革對健康影響的理想的解釋變量來源，但是納稅人的健康數據由醫療部門管理，這兩者沒有交集，因此不能合并為一個可供研究的數據集，只能通過問卷調查進行分析，使研究的可靠性大大降低。由于這些數據分別被不同的機構儲存，各機構之間的信息相互獨立，沒有形成有效的數據共享機制，使得不同的人只能看到健康及其影響因素的某個側面，難以對健康及健康相關因素進行全局把握。

　　為此，政府應該在保障居民個人信息安全性、私密性的前提下，合理整合居民健康及影響因素的相關數據，形成健康大數據，為科學研究提供數據支持，通過研究影響健康的諸多因素和健康之間的因果效應，為政府出臺科學的健康政策提供依據。如果有健康大數據作為數據支持，那么很多機器學習的分析方法就可以應用于個體健康研究中的因果推斷。不同于傳統因果推斷方法需要基于反事實的潛在結果來定義因果關系，機器學習以數據為基礎，通過精準的預測或干預，將“非隨機化”的觀測樣本盡可能向“隨機化”實驗靠攏，由此可以從傳統數據中發現不易察覺的因果關系[106]。

　　其次，機器學習還具有優秀的樣本和變量選擇能力，例如：①在處理組和對照組之間建立平衡，包括三種方法，傾向得分匹配方法平衡處理組和對照組之間的分布混雜;逆概率加權，即直接優化觀察值的權重，從而導致處理組和對照組的協變量的平均值相同[107];直接生成處理組和對照組，并使其協變量自動平衡，算法包括“遺傳匹配”算法[108]、和整數規劃優化算法[109,110];②評估所謂的干擾模型(如傾向得分，或結果的條件期望)，用機器學習方法可以分別估計傾向得分[111]或潛在結果[112]，還可以采用雙穩健方法把條件結果期望的估計與傾向得分的估計相結合[113]，以及將條件結果期望的估計與協變量平衡相結合的方法[114];③在具有大量協變量的情況下使用機器學習進行變量選擇，貝洛尼(Belloni)等人提出了一種提供原則性變量選擇的解決方案—“雙重套索”，同時考慮了協變量結果和協變量處理分配關聯[115]。除此之外，還可以利用機器學習交叉驗證的思想，將數據集分為訓練集和測試集，在訓練集中使用傳統因果推斷方法識別因果效應，然后在測試集中進行多次重復測試，進一步驗證識別結果的外部有效應。

　　六、結論

　　本文以個體健康研究為主題，通過對已有文獻的分析和總結，發現個體健康研究中存在著測量偏誤、遺漏變量、互為因果、共同原因和選擇偏差等諸多問題，隨機控制實驗、傾向得分匹配、工具變量、雙重差分、斷點回歸設計、固定效應模型等因果推斷方法，在社會資本、收入、教育、保險、遷移、退休、工作等因素對個體健康的因果效應研究中均得到了廣泛的應用，每一種方法都有其優缺點，在實證研究中應根據研究主題和應用條件進行合理選擇，有時需要綜合應用多種因果推斷方法。

　　我們的研究為健康政策制定者提供了更加科學合理的決策依據，對于提高居民健康水平具有十分重要的社會意義，還有助于研究者在個體健康研究領域中選擇合適的因果推斷方法，或綜合應用已有的方法。隨著大數據技術的發展，在未來的研究中，應加強機器學習和因果推斷方法的結合，豐富已有的因果推斷工具，保障研究結果的穩健性。

　　參考文獻：

　　[1]HARRISONS,DAVIESAR,DICKSONM.Thecausaleffectsofhealthconditionsandriskfactorsonsocialandsocioeconomicoutcomes:MendelianrandomizationinUKBiobank[J].InternationalJournalofEpidemiology,OxfordUniversityPress,2020,49(5):1661–1681.

　　[2]LAMUAN,OLSENJA.Yes,healthisimportant,butasmuchforitsimportanceviasociallife:Thedirectandindirecteffectsofhealthonsubjectivewell-beinginchronicallyillindividuals[J].HealthEconomics(UnitedKingdom),JohnWileyandSonsLtd,2018,27(1):209–222

　　作者：任國強1，王于丹1，周云波2