Instrumental variable approach to estimating individual causal effects in N-of-1 trials: application to ISTOP study¶

作者: Kexin Qu, Christopher H Schmid, Tao Liu
来源: Biostatistics
主题: 因果推断
相关性: 9/10
链接: https://doi.org/10.1093/biostatistics/kxaf042

一、核心问题与贡献¶

①研究了在存在不依从性、二值处理/结局（非折叠性）和序列相关的 N-of-1 试验中如何估计个体因果效应的问题。②核心方法是以随机化分配为工具变量（IV），构建基于潜在结构模型的两阶段参数贝叶斯 IV 模型系统。③主要贡献是通过潜在结构模型与贝叶斯后验泛函推断规避了 odds ratio 的非折叠性与非一致性问题，并在模拟与实证中证明其相较于 ITT/PP/AT 方法大幅降低了偏差并提升了覆盖率。

二、基础设定¶

核心概念与符号：
$Z_t$：$t$ 期的随机化分配（IV）
$D_t$：$t$ 期的实际接受处理（二值）
$Y_t$：$t$ 期的观测结局（二值）
$U_t$：潜在混杂/个体异质性
潜在路径：$\vec{D}(\vec{z})$ 与 $\vec{Y}(\vec{z}, \vec{d})$，刻画纵向截面上的反事实轨迹
两种个体因果 estimand：(i) 连续暴露效应（基于 $\vec{D}$ 的反事实）；(ii) 观测行为效应（基于实际 $\vec{d}$ 的反事实）
关键假设：
IV 核心假设：Relevance ($Z_t \not\perp D_t$)、Independence ($Z_t \perp U_t$)、Exclusion Restriction ($Z_t \to Y_t$ 仅通过 $D_t$)。含义：随机化分配仅通过影响实际处理来影响结局，且独立于潜在混杂。与标准横截面 IV 相比，此处假设需在纵向自相关结构下联合成立。
Monotonicity：$D_t(1) \ge D_t(0)$。含义：不存在违抗者，保证 complier 群体的因果效应可识别。
潜在结构模型参数假设：对 $U_t$ 的分布与连接函数（如 Probit/Logit）设定。含义：用于建模混杂机制以规避非折叠性。与已有文献相比，强化了参数分布假设以换取在二值结局下的非参数识别。
问题背景：现有 N-of-1 试验分析多忽略不依从性或使用 ITT/PP/AT 估计量导致严重偏差；二值结局下边际 OR 的非折叠性导致条件 OR 估计不一致。与 Daza et al. (2012) 的 N-of-1 因果框架相比，本文处理了不依从性（引入 IV）；与传统 IV 文献相比，本文解决了纵向单一个体重复测量下的自相关与非折叠性难题。

三、主要定理 / 核心结果¶

核心发现的量化描述：模拟显示，在中等至严重不依从下，贝叶斯 IV 方法的绝对偏差较 ITT/PP/AT 降低 50% 以上；95% 可信区间覆盖率从传统方法的不足 50% 提升至接近 nominal level（90%-95%）。
与 baseline 的对比：ITT 估计量存在稀释偏差；PP 和 AT 估计量因选择偏差（混杂）导致估计不一致；贝叶斯 IV 通过校正混杂与不依从，在偏差和覆盖率上均显著优于三者。
结论的稳健性：对不同程度的自相关参数和不依从率，方法仍保持低偏差与合理覆盖率；对先验分布的敏感性较低（当 N-of-1 期数 $T$ 足够大时，数据似然占主导）。

四、证明框架 / 方法设计¶

识别策略与估计量设计：
识别：利用 $Z_t$ 作为 IV，通过潜在结果路径框架，将个体因果效应分解为连续暴露效应与观测行为效应。
估计量：两阶段参数贝叶斯模型。第一阶段：$P(D_t | Z_t, U_t)$；第二阶段：$P(Y_t | D_t, U_t)$。联合似然结合 $U_t$ 的先验（如 AR(1) 过程建模自相关）。通过 MCMC 抽取后验，计算因果效应泛函（如 CACE）的后验分布。
核心假设的可信度分析：
Exclusion Restriction 在 N-of-1 盲法试验中通常成立，因患者不知晓分配状态，分配仅通过依从性影响行为。
Independence 假设由随机化机制保证。
潜在结构模型的参数假设（如 Probit 连接函数）存在误设风险，这是参数贝叶斯方法的固有局限，若实际数据生成机制偏离该参数族，可能导致偏差。
稳健性检验策略：模拟中改变自相关结构（强/弱/无）与不依从率；实证中比较不同先验设定下的后验估计稳定性。
计算/实现细节：基于 MCMC (Markov Chain Monte Carlo) 抽样，计算复杂度随期数 $T$ 和潜在变量维度线性增长；通过 Gibbs sampler 或 HMC (Stan) 实现高效采样。

五、与研究者兴趣的关联¶

连接子方向：纵向因果推断中的 N-of-1 设计与 IV 识别、半参数/非折叠性理论。
可借鉴的核心思路或技术工具：
利用潜在结构模型与贝叶斯后验泛函推断规避非折叠性导致的非一致性问题，这为高维/半参数 IV 中的非折叠性处理提供了新视角（即绕过直接估计边际 OR，转而通过联合潜在模型积分出因果泛函）。
在纵向单一个体路径下定义因果 estimand（连续暴露 vs 观测行为），此路径依赖的潜在结果框架可迁移到 longitudinal mediation 或 dynamic treatment regime 中处理时变混杂。
值得精读的关键参考文献：
Daza et al. (2012) "Causal inference for N-of-1 trials"：奠基性 N-of-1 因果框架，对比本文如何扩展至不依从性。
Burgess et al. (有关 IV 与 non-collapsibility 的文献，如 "Marginal vs conditional IV estimates")：深入理解非折叠性在 IV 估计中的影响及贝叶斯规避策略的理论边界。

六、延伸思考与练习¶

假设扰动：若放宽 Monotonicity 假设（允许存在 defiers），识别策略如何变化？是否需要引入额外矩条件或转向半参数界？
开放问题：如何将此参数贝叶斯 IV 框架扩展到半参数或非参数设定，以放松对潜在结构模型的参数分布假设（如 Probit/Logit 误设），同时保持 N-of-1 有限样本下的有效推断？
理解检测题：在二值处理和二值结局的 IV 模型中，为什么传统的两阶段最小二乘法（2SLS）或边际 OR 估计量会因非折叠性导致不一致？本文的贝叶斯潜在结构模型是如何在计算与识别层面绕过这一理论障碍的？

Maintained by 陈星宇 · Homepage · Source on GitHub