文章提出了因果测地学框架，用于研究从观测分布到干预分布之间的连续路径。该框架通过构建测地线（最短路径）来定义平滑的随机干预序列，连接纯观测数据和确定性干预。特别关注基于Wasserstein距离和Hellinger距离的测地路径，分析了不同路径在识别条件和估计效率上的权衡。研究还探讨了边际结构模型在路径参数化中的应用，为因果效应估计提供了新的方法论视角。
传统因果推断主要关注确定性干预，但在实际应用中，这种干预方式往往过于刚性且不切实际。文章提出因果测地学框架，通过构建概率分布的连续演化路径，在观测世界与干预世界之间建立平滑过渡。该方法将每个干预分布视为统计流形上的点，利用几何性质研究对应的因果效应。
定义路径函数ρ_t(a|x)，其中t∈[0,1]参数化从观测分布π(a|x)到目标干预δ_a*的转变。当t=0时为纯观测状态，t=1时对应确定性干预。测地路径作为最短路径，在Wasserstein空间表现为最优传输映射的线性插值：
\[ ν_t = ((1-t)id + tT)_\#P \]
当目标为点质量干预时，Wasserstein路径具有显式解：
\[ ν_t(a|x) = \frac{1}{1-t}π\left(\frac{a-ta_*}{1-t}\Big|x\right) \]
该形式对应将个体从其自然值A线性移动到(1-t)A+ta_*，相比指数倾斜干预具有更直观的参数解释。
文章推导了Wasserstein增量效应的有效影响函数，其方差由两部分构成：逆概率加权残差和干预分布下的回归函数方差。通过建立极小极大下界，证明Wasserstein测地路径能控制估计误差的增长速率。在满足全局正性的条件下，相应估计量具有√n收敛速率，且不需要混合L2-上确界范数约束。
将路径参数t纳入边际结构模型框架，通过拟合t接近零时的低方差估计并外推至t=1，实现更精确的因果效应估计。模型形式为：
\[ m(a_*,t,β) = μ + t\sum_{j=1}^k β_jφ_j(a) \]
这种参数化方法揭示了估计精度与路径位置之间的权衡关系。