[论文解读] Spatial Confounding: A review of concepts, challenges, and current approaches

Isaque Vieira Machado Pim, Luiz Max Fagundes de Carvalho+1 more|arXiv (Cornell University)|Feb 19, 2026

Spatial and Panel Data Analysis被引用 0

一句话总结

本文综述了应对空间混淆的定义、模型和方法，比较了区域性与地统计学方法，并为方法选择提供实证指南。还讨论了因果推断视角与未来方向。

ABSTRACT

Spatial confounding is a persistent challenge in spatial statistics, influencing the validity of statistical inference in models that analyze spatially-structured data. The concept has been interpreted in various ways but is broadly defined as bias in estimates arising from unmeasured spatial variation. In this paper we review definitions, classical spatial models, and recent methodological advances, including approaches from spatial statistics and causal inference. We provide an unified view of the many available approaches for areal as well as geostatistical data and discuss their relative merits both theoretically and empirically with a head-to-head comparison on real datasets. Finally, we leverage the results of the empirical comparisons to discuss directions for future research.

研究动机与目标

• 澄清什么是空间混淆及其对具有空间数据的回归的影响。
• 回顾历史与当代在区域性与地统计设置下缓解空间混淆的方法。
• 在真实数据集上提供统一、并排的竞争方法的实证比较。
• 讨论理论与实践中的权衡，包括可识别性、I 型错误与覆盖率的影响。
• 强调未来在空间混淆及相关因果推断方面的研究方向。

提出的方法

• 综述经典与现代空间混淆方法，包括空间滤波、受限空间回归（RSR）与变换高斯马尔可夫随机场（TGMRF）。
• 解释正交化方法及其计算含义，如 RHZ、Moran 运算符与 SPOCK 投影。
• 讨论混淆尺度与多尺度分解以理解偏差来源。
• 结合因果推断视角（倾向评分、距离调整匹配、双重机器学习）用于空间混淆。
• 在真实数据集上进行大规模实证比较，评估偏差–方差权衡与实际性能。

实验结果

研究问题

• RQ1 在区域性与地统计数据中，空间混淆的定义与表现有哪些差异？
• RQ2 不同方法取向（SF、RSR、TGMRF、因果启发方法）在偏差、方差、覆盖率与计算方面的表现如何？
• RQ3 在何种条件下基于正交化的方法在减轻偏差方面会失败或成功？
• RQ4 在给定数据特征（尺度、空间范围、协变量平滑度）时，向从业者给出的方法选择建议？
• RQ5 因果推断概念如何与空间混淆调整整合以提升推断？

主要发现

• RSR 方法可以减小来自空间平滑的偏差，但可能增加 I 型错误并导致不切实际的不确定区间。
• 正交投影方法（如 RHZ、基于 Moran 的滤波器）解决混淆问题，但在某些场景下被证明具有次优的推断性质。
• TGMRF 提供边际分布与相关性之间的正交耦合，以缓解混淆，且比严格的 RSR 约束具有更好的 I 型错误控制。
• 混淆尺度表明偏差依赖于暴露与未观测混淆变量的相对空间尺度，影响缓解效果。
• 最近的批评指出不应普遍使用 RSR，强调可能的覆盖不足并呼吁如通过参数重新表述或低秩近似等去混淊的替代表述。
• 本文提供面向情景的实用建议与广泛的实证研究，帮助选择方法。