玻尔百科我们如何知道一种新疗法是否真正有效？这个简单的问题背后隐藏着一个深远的挑战：我们永远无法同时观察到同一个人在接受和不接受治疗时会发生什么。这是因果推断的基本问题。为了解决这个问题，科学家们依赖一个假设框架，其中最基础的就是稳定单位处理值假设 (SUTVA)。尽管 SUTVA至关重要，但在现实世界中它常常被违背，如果被忽视，会导致错误的结论。本文旨在揭开这个重要概念的神秘面纱。在接下来的章节中，我们将首先剖析 SUTVA 的“原理与机制”，定义其两个关键组成部分——无干扰和无隐藏版本的处理，并将其与随机化等其他概念区分开来。随后，在“应用与跨学科联系”部分，我们将遍览医学、生态学和人工智能等不同领域，了解 SUTVA 的违背是如何体现的，以及认识到这些违背如何带来更深刻的科学见解。
提出“这种新药有效吗？”这样的问题似乎足够简单。但在这个日常问题的背后，潜藏着一个深刻的哲学和科学挑战。其核心是，我们正在问一个“如果……会怎样”的问题。如果一个病人服用了这种药，与那个同一个病人在同一时间没有服药相比，会发生什么？这是因果推断的基本问题：我们永远只能观察到这两种现实中的一种。我们永远无法同时看到同一个人的两条路径。
为了解决这个问题，科学家们发展出一种非常优雅的语言：潜在结果框架。对于任何人，我们想象存在一对结果：一个是在他们接受治疗时会发生的结果，我们称之为 ，另一个是如果他们接受对照（如安慰剂）时会发生的结果，我们称之为 。真正的、个体的因果效应就是这两者之差，。由于我们无法为任何单一个体测量这个值，我们尝试估计整个群体的平均效应，即平均处理效应 (ATE)，或 。
但是，在我们开始估算这个量之前，我们必须与自然达成一个关键的约定。我们必须假设 和 这两个简单的概念本身是有意义的。这个约定，这套因果推断游戏的基本规则，被称为稳定单位处理值假设，或 SUTVA。它是如此基础，以至于常常在没有明确说明的情况下就被假定，但整个因果推断的大厦都建立在它之上。SUTVA 由两个看似简单却强大的思想构成。
SUTVA 的第一部分是无干扰假设。它指出，你的潜在结果仅取决于你接受的处理，而不取决于其他任何人接受的处理。它假设每个人都是一个独立的岛屿。如果我们将个体 的潜在结果写成群体中所有人处理分配 的函数，我们会写成 。“无干扰”假设允许我们做一个巨大的简化：我们可以只写 ，其中 仅为个体 的处理。
这在一些无菌、受控的环境中可能听起来很合理。但一旦我们步入真实、混乱、相互关联的世界，这个假设就会以美丽而有趣的方式被打破。
考虑一个针对传染病的疫苗试验。如果你的邻居接种了疫苗，病毒可感染和传播的人就更少了。你所处的感染风险之海变得安全得多。这就是著名的群体免疫现象。但请注意这对我们的假设意味着什么：你的结果（你是否生病）现在很大程度上取决于你的邻居是否接受了处理。你在未接种疫苗情况下的潜在结果，即你的 ，在一个高度接种的村庄里与在一个大部分未接种的村庄里是不同的。“岛屿”是相连的。
或者想一个社区层面的戒烟计划。如果你亲密的朋友参与了这个计划并成功戒烟，他们的成功可能会为你提供社会支持和鼓励，让你也戒烟，即使你没有被分配到该计划中。他们的处理溢出并影响了你的结果。在微观世界里，类似的事情也会发生。当培养皿中的一个细胞用 CRISPR 进行基因改造时，它可能会停止分泌其邻居所依赖的一种化学物质，从而在没有直接“处理”邻居的情况下改变了它们的行为。
当存在干扰时，“处理效应”这个简单的概念就变得模糊不清。一个仅仅比较接种疫苗者和未接种疫苗者患病率的简单分析，并不仅仅测量疫苗的直接生物学效应。它测量的是一个复杂的混合体。未接种疫苗的人也从他人的接种中受益（溢出效应），所以他们的感染率比在一个完全没有疫苗的世界里要低。一个简单的思想实验表明，如果一个口罩的直接效应是降低你的风险一定量，而其他人戴口罩的溢出效应又将你的风险降低了另一定量，那么在一个所有人都属于一个组或另一个组的世界里，简单比较戴口罩者和不戴口罩者将测量到这两种效应的总和，而不仅仅是直接的、个体的效应。这是内部效度的崩溃；该研究不再测量它声称要测量的东西。
SUTVA 的第二部分坚持认为，对于任何给定的处理水平，比如“处理1”，该处理只有一个版本。如果我们正在测试一种药丸，我们假设所有被分配到“药丸”组的人都得到相同的配方、相同的剂量，并以相同的方式服用。如果不同的人得到不同的版本，那么潜在结果 就没有明确定义。它指的是高剂量下的结果还是低剂量下的结果？
这个假设将我们潜在结果的理论世界与观测数据的现实世界联系起来。它允许我们陈述一致性假设：如果你实际接受了处理 ，那么我们为你观察到的结果 正是你的潜在结果 。没有这个联系，我们收集的所有数据对于我们的因果问题都将毫无意义。
和“无干扰”规则一样，这个假设在实践中也经常被违背。想象一项研究，使用脂质纳米颗粒递送一种新的 mRNA 疗法。处理组的标签可能是 ，但实际上，医生可能会为病情较重的患者开出更高的剂量，或为年长的患者使用略有不同的纳米颗粒配方。这些都是处理的“隐藏版本”。估算出的“效应”变成了这些不同版本效应的一个无法解释的平均值。
另一个有力的例子来自粪便微生物群移植 (FMT)，这是一种治疗复发性艰难梭菌感染的方法。治疗方法是从健康捐赠者处进行移植，但每个捐赠者的微生物组都是独一无二的。因此，“FMT 治疗”不是一回事，而是许多不同处理的集合。谈论 FMT 的“效应”就是掩盖了这种关键的生物学变异，这明显违背了无隐藏版本规则。
理解 SUTVA 是什么，不是什么，至关重要。SUTVA 是一个定义性假设。它确保我们所问的因果问题——由诸如 和 这样的量所代表——是连贯且明确定义的。它不同于其他假设，比如随机化。
随机化是我们用来回答因果问题的强大工具。在理想的随机对照试验 (RCT) 中，我们用抛硬币（或其计算机等价物）的方式将人们分配到处理组或对照组。这个过程的神奇之处在于，平均而言，它使得两组在各方面都具有可比性——无论是可观察的（如年龄和性别）还是不可观察的（如遗传倾向或动机）。这个属性被称为可交换性。它意味着处理分配 独立于潜在结果 。
随机化使我们能够说，观察到的组间差异是由处理引起的，而不是由任何预先存在的差异造成的。但是随机化并不会创造或保证 SUTVA。如果你在存在群体免疫的情况下进行一个完美的疫苗 RCT，随机化确保了你的接种组和未接种组在开始时是可比的。然而，干扰仍在发生。该试验将为你提供一个在该特定试验及其特定覆盖率下疫苗“效应”的有效估计，但这个效应仍然是直接效应和间接效应的混合。它并不是你最初可能寻求的纯粹的、个体层面的效应 的估计。
那么，当这个整洁的、关于独立单位和一致处理的假设不成立时，我们该怎么办？我们放弃吗？完全不是。这正是科学变得更有创造力的地方。科学家们已经发展出巧妙的方法来继续前进。
一种策略是改变问题。如果我们无法干净地估计纯粹的个体效应，也许我们感兴趣的正是那个混乱的、现实世界中的效应。我们可以将我们的推断目标重新定义为意向性治疗 (ITT) 效应：即被分配到一个治疗方案的效果，包含了其固有的所有溢出和不一致性。这通常是一个非常有用的、与政策相关的问题。
另一个巧妙的方法是改变分析单位。如果一个村庄内的个体相互干扰，但村庄之间相距足够远以至于互不干扰，我们可以简单地转变我们的视角。村庄代替个体成为我们的分析单位。然后我们可以在整群随机试验中将整个村庄随机分配到处理组或对照组。这并不能消除干扰——它将干扰控制在内部，从而使我们能够研究它。
这就引出了最先进的方法：直接对干扰进行建模。我们可以将 SUTVA 放宽到一个更现实的假设，如部分干扰，该假设陈述干扰发生在明确定义的集群（如村庄或家庭）内，但不在集群之间发生。在这种结构下，我们可以设计研究并建立模型，以分别估计直接效应（你自己的处理对你的影响）和间接或溢出效应（你邻居的处理对你的影响）。
SUTVA 不是一个需要盲目接受的教条。它是一个透镜。通过理解它何时成立，以及更重要的，何时被打破，我们对构成我们世界的错综复杂、相互关联的因果网络获得了更深刻、更诚实的认识。探索“什么有效”的追求不是寻找一个单一、简单的数字，而是一场理解这种美丽复杂性的旅程。
在我们迄今为止的旅程中，我们将因果关系视为一个颇为个人化的事务。我们想象了一个世界，其中一个人、一个病人或一块土地的结果仅取决于其所受的处理。为了简单起见，我们假设我们研究的每个“单位”都生活在一个气泡中，与其邻居的选择和命运隔绝。这个简化的透镜就是稳定单位处理值假设，或 SUTVA。它假设单位之间没有干扰，并且每个处理都是单一、明确定义的事物。
但正如你所知，世界并非气泡的集合。它是一个奇妙的，有时甚至是令人抓狂的，相互连接的网络。当我们戳破气泡时会发生什么？当我们承认我的结果可能取决于你的处理时会发生什么？违背 SUTVA 并不是一个可以被掩盖的统计上的麻烦。相反，它往往是通往更深刻、更现实地理解世界如何运作的门户。认识到 SUTVA 何时以及如何被打破，正是一些最激动人心的科学开始的地方。现在，让我们游览其中一些前沿领域，从医学到生态学，再到我们整个星球的建模。
没有什么地方比健康和医学领域更能体现孤立个体的虚构性了。我们是社会性生物，共享空间、资源，当然还有病菌。
想象一个针对呼吸道病毒的大规模疫苗试验。我们可能天真地认为我们正在比较两个干净的组：接种疫苗的人和接种安慰剂的人。但是，疫苗不仅赋予接种者生物学上的保护。它还可以使该人成为病毒的死胡同，从而切断传播链。这种保护自己的行为间接地保护了他的邻居，这是一个我们称之为群体免疫的美好概念。因此，一个未接种疫苗的人的结果——他们生病的风险——不是一个固定的量。它关键性地取决于他们周围有多少人接种了疫苗。他们的潜在结果不是一个私人事务；它是社区选择的函数。这是对 SUTVA“无干扰”规则的经典违背，这种现象必须被仔细建模，才能理解疫苗试验真正测量的是什么,。疫苗的效果不是一个数字，而是许多个，取决于社区的背景。同样的逻辑也适用于非药物干预措施，如全市范围的口罩强制令，其中跨城市通勤可能导致保护（或风险）的“溢出”，从而使一个有强制令的城市和一个没有强制令的城市之间的简单比较产生偏差。
在医院的围墙内，这种相互关联性甚至更加强烈。医院病房是一个微型生态系统。当医生给一个病人使用广谱抗生素来对抗感染时，它不仅仅影响那个病人。这种抗生素可以在病房内产生“选择压力”，有利于耐药细菌的生存和传播。这增加了病房里其他每个病人感染危险的多重耐药菌的风险。病人 A 的结果取决于给予病人 B、C 和 D 的处理。类似地，一项感染控制措施，比如新的口罩协议，既对佩戴者有直接效果，也通过减少空气中病原体的总量，对他们的病房同伴产生间接的溢出效应。在这些情况下，问“处理对个体的影响是什么？”可能会产生误导。更有意义的问题可能是，“全病房范围的政策的总效果是什么？”
但干扰只是故事的一半。SUTVA 还假设一个处理是单一、明确定义的事物。考虑一项比较新腹腔镜技术与传统开放手术的外科试验。方案可能用一个简单的二元变量来标记处理： 代表腹腔镜， 代表开放手术。但“腹腔镜手术”真的是单一的事物吗？当然不是。它是一个复杂的过程，其实施会随着执行它的外科医生的技能、培训和具体技术选择而变化。一个外科医生的“腹腔镜结肠切除术”可能与另一个的截然不同。这些是处理的“隐藏版本”，它们违背了 SUTVA 的第二个组成部分。这个见解是深刻的。它告诉我们，对于复杂的干预措施，定义“处理”本身就是一个至关重要的科学行为。
同样的微妙之处也出现在遗传流行病学的前沿领域。在孟德尔随机化中，基因变异被用作自然实验，以推断生物标志物（如低密度脂蛋白胆固醇）对疾病的因果效应。但不同的基因可以通过完全不同的生物学途径影响低密度脂蛋白胆固醇（例如，HMGCR 与 PCSK9 基因中的变异）。通过一种途径达到的特定水平的低密度脂蛋白胆固醇，其对疾病风险的影响可能与通过另一种途径达到的相同水平不同。这些途径本质上是降低胆固醇这一“处理”的不同版本，这是研究人员必须应对的 SUTVA 的潜在违背。此外，将暴露视为单一数字 的想法本身就可能违背 SUTVA。一个终生的、由基因驱动的低胆固醇水平，与一个短期的、由药物引起的降低，是截然不同的暴露“版本”，即使在 50 岁时测得的水平完全相同。暴露的完整历史很重要。
因果关系网远远超出了我们自己的物种。当我们研究塑造我们环境的复杂相互作用时，SUTVA 的原则同样适用。
想象一个温室实验，旨在研究植物如何影响它们生长的土壤。一位生态学家设置了数百个花盆。一个花盆的“处理”可能是之前在其土壤中种植的植物物种。简单的分析会比较新植物在“同种条件化土壤”与“异种条件化土壤”中的生长情况。但植物并非其花盆中的被动居民。一些植物会向空气中释放挥发性化学物质以抵御竞争者，而这些化学物质可以飘到邻近的花盆。土壤中的微生物和真菌，作为处理的一部分，可以在浇水时从一个花盆溅到另一个花盆。通过这些方式，一个花盆中的处理实际上溢出并污染了它的邻居。这是生态学背景下“无干扰”的教科书式违背，迫使研究人员设计带有物理屏障的实验，或明确地模拟效应的空间传播。
从温室的微观世界，让我们放大到整个地球的尺度。为了理解气候变化，科学家使用称为地球系统模型的巨大而复杂的计算机模拟。为了评估人为强迫的影响，他们可能会运行一组“集合”模拟——一些是针对有人类排放的“事实”世界，另一些是针对没有人类排放的“反事实”世界。如果每个模拟都作为一个完全独立的宇宙运行，那么我们可以将每一个都视为一个单位，SUTVA 的无干扰假设成立。但有时，为了防止模拟偏离得太远，模型被编程为向整个集合的平均状态“微调”。突然之间，虚拟世界 A 的演变取决于虚拟世界 B 的状态。信息在单位之间流动。一个成员的处理分配（事实或反事实）现在影响另一个成员的结果。这不再是一组独立的实验；它是一个耦合系统，SUTVA 被违背了。这个例子引人注目，因为“干扰”不是物理上的，而是纯粹信息性的，嵌入在实验的代码本身中。它显示了 SUTVA 概念的惊人普适性。
随着人工智能系统越来越多地被部署到现实世界中做出高风险决策，理解 SUTVA 成为一个关乎安全和效能的关键问题。
考虑一个“智能”医院系统——一个上下文老虎机算法——旨在根据入院患者的特征，学习两种抗生素中哪一种是最佳选择。AI 为患者分配一种抗生素，观察结果（治愈与否），并更新其策略以在未来做出更好的分配。这听起来很棒，但我们已经看到了其中的缺陷。AI 的行为会产生在医院环境中荡漾开来的后果。通过偏好一种抗生素，AI 可能无意中增加了对该抗生素耐药的细菌的流行率。这改变了 AI 试图解决的根本问题；该抗生素对下一个患者的有效性，因为给予先前患者的处理而变得不同。这造成了一个动态反馈循环，一种时间性干扰。一个忽略这种 SUTVA 违背的简单算法可能会学到次优甚至有害的策略。构建稳健的临床 AI 要求我们从一开始就内置对这些网络和溢出效应的认识。
稳定单位处理值假设，乍一看，似乎是一个技术术语，一种统计上的便利。但正如我们所见，它远不止于此。它是审视世界的一个锐利而有力的透镜。它迫使我们直面现实相互关联的本质。
当一个实验或观察违背 SUTVA 时，这不是失败。它是一个邀请，邀请我们去问更深刻、更有趣的问题。它推动我们超越“这种药的效果是什么？”而去问“它对服用者的直接影响是什么，对他们社区的间接影响又是什么？”它迫使我们从“手术有效吗？”转向“这种手术的哪个版本，在谁的手中，对谁有效？”它挑战我们去看到，世界不是独立数据点的集合，而是一个动态的、相互作用的系统。通过理解我们简单的假设何时被打破，我们迈出了构建一门更丰富、更忠实、最终也更有用的因果科学的第一步。