退休与认知功能的异质性关联：基于19国机器学习分析揭示的个体化差异

《International Journal of Epidemiology》：Heterogeneity in the association between retirement and cognitive function: a machine learning analysis across 19 countries

　　本研究针对退休对认知功能影响存在争议的现状，利用来自19个国家的 harmonized 数据，采用工具变量因果森林(IV forests)机器学习方法，分析了退休与情景记忆(episodic memory)的异质性关联。研究发现退休平均可提升1.348个单词回忆数，且获益程度存在显著异质性，女性、高社会经济地位、退休前健康状况良好及有体育锻炼习惯者获益更大。研究为养老金政策纳入弹性退休选项提供了实证依据。

　　

随着全球人口老龄化加剧，老年人的认知健康已成为日益严峻的公共卫生挑战。认知衰退，特别是情景记忆(episodic memory)的下降，往往是神经退行性病变的早期表现，可能最终发展为痴呆症。与此同时，许多发达国家为了提高财政可持续性，正在逐步提高法定退休年龄(state pension age, SPA)。这一政策变化通过改变个人的预算约束和工作-休闲时间分配，可能对认知老化过程产生深远影响。然而，关于退休对认知功能的影响，现有研究结论却莫衷一是：有些研究表明退休有害认知，有些显示无关联，甚至还有研究发现退休有益。这种不一致性可能源于模型设定偏误和效应异质性——即退休的影响可能因个人特征和国家背景而异。为了厘清这种复杂关系，一项发表在《International Journal of Epidemiology》上的研究，采用前沿的机器学习方法，对来自19个国家的数据进行了深入分析。

为了回答退休如何影响认知功能以及这种影响是否存在异质性这一核心问题，研究人员开展了一项大规模跨国纵向研究。研究团队利用了来自“全球老龄化数据门户”(Gateway to Global Aging Data)的三个著名老龄化追踪调查的 harmonized（协调统一）数据：美国健康与退休研究(Health and Retirement Study, HRS)、英国老龄化纵向研究(English Longitudinal Study on Ageing, ELSA)以及欧洲健康、老龄化和退休调查(Survey of Health, Ageing and Retirement in Europe, SHARE)。研究设计涵盖了三个时间波次：协变量信息（除年龄外）采集于2014年（HRS和ELSA）或2015年（SHARE）；退休状态和年龄信息采集于2016年（HRS和ELSA）或2017年（SHARE）；认知功能结果测量于2018年（HRS和ELSA）或2019年（SHARE）。这种时序设计旨在避免退休行为对协变量的影响，并考虑到退休影响认知功能可能存在的时间滞后效应。

研究的关键技术方法主要包括：利用国家特定的状态养老金年龄(SPA)作为退休的工具变量(Instrumental Variable, IV)，以解决退休决策的内生性问题；采用工具变量因果森林(Instrumental Variable Causal Forests, IV forests)这一非参数机器学习算法来估计退休对认知功能的条件平均处理效应(Conditional Average Treatment Effect, CATE)，该方法比传统的参数方法对模型设定误判更具稳健性；认知功能的评估采用 Consortium to Establish a Registry for Alzheimer's Disease (CERAD) 电池协议中的单词即时与延迟回忆测试（总分0-20分）来衡量情景记忆；研究最终分析了来自19个国家、退休倾向得分在0.1至0.9之间的7432名基线时仍在工作的50-80岁参与者。

研究结果

描述性统计

最终分析样本包含7432名个体，其中2165人（29.1%）在第二波调查时退休。在第三波调查中，仍在工作者平均能回忆11.1个单词，而退休者平均能回忆10.8个单词。

退休与认知功能的平均关联

初步的普通最小二乘法(OLS)和非工具变量因果森林(non-IV forests)分析均未发现退休与认知功能存在显著关联。然而，两阶段最小二乘法(2SLS)分析显示，退休与单词回忆数呈正相关（系数：0.962, 95% CI: 0.287-1.637）。工具变量有效性检验（F统计量=163.037, P<.0001；Sargan统计量=1.177, P=.28）支持工具变量的使用。IV forests分析进一步证实了这一正向关联，估计退休者比工作者平均多回忆1.348个单词（95% CI: 0.313-2.384），这一效应量相当于结果分布标准差的0.42倍，具有公共卫生意义上的重要性。

个体特征和国家间的异质性

IV forests估计的条件局部平均处理效应(CLATO)分布显示出明显的异质性，而非IV forests的估计则集中在零附近。根据CLATO将个体分为五组（Q1获益最小至Q5获益最大）后，分析发现：

• •
  社会人口学特征：与Q1组相比，Q5组（退休认知获益最大）的个体更可能年龄较大、女性、本国出生、受教育程度更高、拥有更多资产和收入、从事专业或文书职业以及兼职工作。相反，Q1组更可能从事服务销售、体力劳动等对体力要求高的工作或为自雇者。
• •
  健康与行为：Q5组个体在退休前自评健康状况更好、生活满意度更高、视力听力更好、抑郁症状更少，且多种慢性病（如高血压、糖尿病、心脏病、关节炎等）、日常活动能力(ADL/IADL)受限、疼痛问题以及肥胖的患病率更低。退休前有规律体育锻炼的个体也更可能出现在Q5组。
• •
  国家差异：来自丹麦和希腊的个体更可能属于高CLATO组（退休获益大），而来自爱沙尼亚和法国的个体则更可能属于低CLATO组（退休获益小）。
• •
  年龄与资产/收入：CLATO估计值随年龄增长至65岁左右后趋于平稳。资产和收入处于平均水平或以下的个体，其CLATO值变异较大，而高资产/收入个体通常保持较高的CLATO值。

敏感性分析

研究进行了多项敏感性分析，包括限制样本年龄范围（55-75岁）、排除部分退休者、仅分析全职雇员、排除样本量最大的美国数据等，结果均与主要发现一致，证明了研究结论的稳健性。

研究结论与讨论

本研究通过应用IV forests机器学习方法，揭示了退休与认知功能之间存在显著的异质性关联。总体而言，退休对认知功能有积极影响，但这种影响的大小强烈依赖于个体特征和国家背景。

研究结果与Grossman健康需求模型的理论预测相符。该模型认为，退休后个人时间增加但预算可能减少，对健康（包括认知）的投资取决于时间和资源的组合。高社会经济地位者拥有更多资源用于健康投资，从而能从退休中获得更大的认知益处。同样，退休前健康状况更好的人，其“健康资本”存量更高，也有更多有效时间进行健康投资，这与研究发现一致。

退休前职业特征也显著影响退休后的认知结局。从复杂、脑力要求高的职业（如专业人士）退休的人，认知获益更大，这可能是因为退休解除了工作压力，同时保留了认知储备。而从体力要求高、控制感低的工作退休的人，认知获益较小，这可能与工作中认知刺激不足有关。

研究的政策意义十分明确。发现的异质性表明，“一刀切”的退休政策可能无法满足所有人群的需求。因此，政策制定者应考虑在养老金体系中纳入灵活的提前退休选项，允许个人根据自身情况做出退休决策。未来甚至可以考虑开发基于机器学习的预测工具，帮助个体评估其特定特征下的最优退休时机。

当然，研究也存在一些局限性。例如，主要关注了退休后约两年的短期效应，长期影响尚需进一步研究；异质性分析是探索性的，变量间可能存在混杂；尽管纳入了60个协变量，但仍可能有一些未测量的影响因素；研究结果主要基于西方发达国家，其普适性有待在快速老龄化的亚洲国家等进行验证。尽管如此，这项研究为理解退休与认知健康的复杂关系提供了新的、更细致的视角，强调了在老龄化时代采取个性化政策干预的重要性。