Causal Inference Under Threshold Manipulation: Bayesian Mixture Modeling and Heterogeneous Treatment Effects¶

会议: AAAI 2026
arXiv: 2509.19814
代码: 暂无
领域: 因果推断 / 贝叶斯统计 / 营销分析
关键词: 阈值操纵, 贝叶斯混合模型, 异质因果效应, 断点回归, 消费行为

一句话总结¶

提出 BMTM/HBMTM 贝叶斯混合模型框架，在消费者策略性操纵消费额以达到奖励阈值的场景下，通过将观测分布拆解为 bunching 与 non-bunching 两个子分布，准确估计阈值因果效应及跨子群的异质性处理效应。

研究背景与动机¶

领域现状：信用卡激励计划、忠诚度计划等营销策略普遍通过设定消费阈值来激励增量消费。断点回归设计（RDD）是此类因果推断的标准方法，因其识别假设被认为弱且合理而广受认可。
现有痛点：当消费者意识到阈值的存在并策略性地调整消费以获取奖励时，RDD 的核心假设——局部随机化（continuity condition）——被违反。经济学文献中的 bunching 估计方法假设阈值前存在密度为零的"sharp bunching"区域，但这在营销场景中很少成立——消费者对阈值的控制不精确，bunching 现象往往是弥散的。
核心矛盾：Standard RDD 在操纵存在时失效，existing bunching 方法要求过强的 sharp bunching 假设，均无法适用于真实营销场景中的模糊操纵行为。另外，实际营销决策需要的是子群级别的异质因果效应，不是全局平均效应。
本文要解决什么：在阈值操纵条件下进行因果效应估计，且能稳定估计不同消费者子群之间的异质因果效应（即使子群样本量小）。
切入角度：将问题重新表述为密度混合分解——观测到的消费分布 = π×bunching分布 + (1-π)×non-bunching分布，用贝叶斯推断来区分两类消费者。
核心idea一句话：通过贝叶斯混合模型将消费者消费分布分解为受阈值影响和不受影响的两类，使得即使存在操纵也能识别因果效应。

方法详解¶

整体框架¶

步骤	数据	估计内容	分布模型
Step 1	阈值邻域外 \(\mathcal{D}_{K^c}\)	Non-bunching 分布 \(g(\cdot\\|\theta)\)	Singh-Maddala 分布
Step 2	阈值邻域内 \(\mathcal{D}_K\)	混合模型 \(\pi f(\cdot\\|\gamma) + (1-\pi) g(\cdot\\|\theta)\)	Skew-normal + 固定的 \(g\)

ATT（因果效应）定义为 bunching 分布与 non-bunching 分布在阈值邻域内的条件均值之差：\(\Delta = \mathbb{E}_f[Y\|Y \in N_K] - \mathbb{E}_g[Y\|Y \in N_K]\)

关键设计¶

BMTM（Bayesian Modeling of Threshold Manipulation via Mixtures）

做什么：对整体样本进行因果效应估计
核心思路：第一步用调整似然（adjusted likelihood）在 \(\mathcal{D}_{K^c}\) 上估计 non-bunching 分布，第二步固定其参数 \(\hat{\theta}\)（后验均值），在 \(\mathcal{D}_K\) 上拟合混合模型，同时推断 bunching 分布参数 \(\gamma\) 和混合比例 \(\pi\)
设计动机：两步法避免了 bunching 和 non-bunching 分布支撑不同导致的联合估计困难。Singh-Maddala 分布灵活拟合右偏重尾的消费数据

HBMTM（Hierarchical BMTM）

做什么：估计 G 个子群各自的异质因果效应 \(\Delta_g\)
核心思路：引入随机效应结构 \(\theta_g \sim H_\theta(\alpha_\theta)\)，\(\gamma_g \sim H_\gamma(\alpha_\gamma)\)，\(\text{logit}(\pi_g) \sim \mathcal{N}(\mu_\pi, \sigma_\pi^2)\)，各子群参数通过共同超参数连接
设计动机：当子群样本量 \(n_g\) 小时，分层结构实现跨群信息借用（borrowing strength），收缩效应自适应样本量——\(n_g\) 大时收缩弱，\(n_g\) 小时收缩强

理论保证

Theorem 1 证明了后验收缩速率 \(O(n^{-1/2})\)，即后验分布随样本量增大收缩到真值。这为分层模型中的信息借用提供了理论基础

损失函数 / 训练策略¶

后验推断通过 Stan（HMC/NUTS）实现，使用 CmdStanPy。四条 MCMC 链，每链 3000 样本（弃 3000 burn-in），共 12000 有效后验样本。基于后验样本计算 \(\Delta(\Psi)\) 的点估计（后验均值）和 90% 最高密度区间（HDI）。

实验关键数据¶

主实验¶

100 个子群，4 个簇（样本量分别为 50, 100, 200, 300），100 次蒙特卡罗模拟平均：

场景	方法	MAE↓	CP (理想0.90)	AL↓	IS↓
A (中等bunching+低异质)	RDD	3.31	—	—	—
A	BMTM	0.78	0.91	4.03	4.65
A	HBMTM	0.33	0.84	1.20	1.85
B (弱bunching+高异质)	RDD	3.50	—	—	—
B	BMTM	1.79	0.94	9.05	9.88
B	HBMTM	0.37	0.88	1.62	2.15

HBMTM 的 MAE 比 RDD 降低约 10 倍。

消融实验¶

真实营销数据应用（消费阈值 30,000 / 50,000 / 70,000 日元，G=21 个子群）：

子群类型	阈值	因果效应 Δ	解释
前月消费低于阈值	K₁=3万	正（显著）	消费者增加消费以达到阈值获取奖励
前月消费略高于阈值	K₁=3万	弱正	轻微增量效应
前月消费远超阈值	K₁=3万	负	锚定效应——低阈值拉低高消费者支出
所有阈值	K₁/K₂/K₃	同趋势	跨三个阈值一致观察到上述模式

关键发现¶

Scenario B（弱信号+高异质）中，BMTM 严重退化（MAE 0.78→1.79），而 HBMTM 几乎不受影响（0.33→0.37），证明分层结构的鲁棒性
HBMTM 的区间估计更精确（AL 从 9.05 缩短到 1.62，IS 从 9.88 降到 2.15）
实际营销数据揭示了锚定效应：对高消费人群，设定一个较低的阈值反而可能降低消费水平
不同子群的 Singh-Maddala 分布形状差异显著，验证了异质性建模的必要性

亮点与洞察¶

问题定义的精准性：将「消费者操纵阈值」问题从 RDD 框架转换为混合分布分解问题，概念清晰且假设更弱
首创性：据作者所知，这是首个在阈值操纵条件下估计异质因果效应的方法
实际发现的价值：锚定效应的发现对营销策略设计有直接指导意义——不当设置的低阈值可能适得其反
理论+实验兼顾：既有后验收缩的理论证明（Theorem 1），又有充分的模拟和真实数据验证
分布选择的合理性：Singh-Maddala 拟合消费数据的灵活性 + skew-normal 捕捉偏峰 bunching 的能力

局限性 / 可改进方向¶

方法依赖参数化假设（Singh-Maddala + skew-normal），面对复杂数据分布可能不够灵活，可扩展为非参数贝叶斯模型（如 Dirichlet Process Mixture）
阈值邻域 \(N_K\) 的选取需要先验知识或试验，文中固定为 ±10,000 日元
多阈值场景假设各阈值独立，但实际中消费者可能同时考虑多个阈值进行策略调整
MCMC 推断速度较慢，大规模应用需要变分推断等近似方法
仅验证了单一营销数据集，跨领域泛化性有待检验

评分¶

新颖性: ⭐⭐⭐⭐ — 问题定义和方法设计都很精准，首创性强
实验充分度: ⭐⭐⭐⭐ — 模拟+真实数据，覆盖多种场景
写作质量: ⭐⭐⭐⭐ — 理论推导清晰，概念图直观
对我的价值: ⭐⭐⭐ — 偏统计方法论，非直接相关但分层贝叶斯和混合模型思想可借鉴