跳转至

Regression analysis of semiparametric Cox-Aalen transformation models with partly interval-censored data

作者: Xi Ning, Yanqing Sun, Yinghao Pan, Peter B. Gilbert
来源: Electronic Journal of Statistics
主题: 非参数 / 半参数
相关性: 5/10
机构绿灯: University of Washington（US News 前 50，免分进入精读）
链接: https://doi.org/10.1214/24-ejs2341

一、领域脉络与小综述

这个方向是什么： 这个子方向要解决的根本统计问题是：在生存分析中，当事件发生时间同时存在精确观测与区间删失（即部分区间删失，Partly Interval-Censored, PIC）时，如何对一个既包含乘性（Cox型）又包含加性（Aalen型）协变量效应、且允许效应随时间变化的半参数变换模型进行可靠的参数估计与假设检验。当前该方向的成熟度处于“有特定子模型的渐近理论，但缺乏统一大类的计算-推断框架”阶段。

发展脉络： - 奠基工作：半参数变换模型与Cox-Aalen模型的提出。Scheike & Zhang (2002) 与 Lin et al. (1994) 等工作分别确立了加性-乘性混合结构与时变效应的建模基础；Zeng & Lin (2006, 2007) 建立了半参数变换模型在右删失数据下的渐近有效性理论。这些工作留下了“仅适用于右删失或左删失，未触及区间删失”的口子。 - 主要进展（区间删失计算与推断）： 针对区间删失数据，Goggins et al. (1998) 与 Pan & Chappell (1999) 探讨了半参数模型下的似然推断与EM算法，但面临计算不稳定与收敛慢的问题；Sun (2006) 的专著系统梳理了区间删失的统计方法，但主要针对较简单的模型设定。 - 主要进展（部分区间删失 PIC）： Kim (2003) 与 Sun et al. (2004) 开始关注 PIC 数据结构，但多局限于 Cox 比例风险模型或单纯加性模型等特定子类；Zeng et al. (2017) 在 PIC 下研究了半参数变换模型，但未纳入加性效应与时变效应。 - 当前 frontier 与本文位置：当前 frontier 在于如何将“加性-乘性混合结构”与“PIC 数据结构”统一在同一半参数框架下，并解决由此带来的计算与推断双重困难。本文填补了这一交叉空白，将 PIC 数据的推断从特定子模型拓展至 Cox-Aalen 变换模型这一大类。

子线索聚类： 1. 模型结构线索：从纯 Cox 比例风险（乘性常数效应）→ 纯 Aalen 加性模型（加性时变效应）→ Cox-Aalen 混合模型（Scheike & Zhang, 2002）→ 半参数变换模型大类（Zeng & Lin, 2007）。这一簇在丰富协变量效应的结构灵活性。 2. 删失机制线索：右删失（经典）→ 纯区间删失（Case 1/2 k）→ 部分区间删失 PIC（Kim, 2003; Sun et al., 2004）。这一簇在处理观测机制的缺失模式。 3. 计算方法线索：直接 Newton-Raphson 求解 → EM 算法（Goggins et al., 1998）→ Expectation-Solving (ES) 算法（本文提出）。这一簇在解决半参数似然/估计方程在区间删失下的数值求解瓶颈。

这个方向在追问的核心问题： 1. 识别与估计：在 PIC 下，包含无穷维累积风险函数与时变系数的半参数模型，其参数是否可识别？估计方程的解是否相合？ 2. 计算收敛：无穷维参数的更新与有限维参数的更新如何解耦？直接迭代易发散，如何构造既保证数值稳定又收敛快的算法？ 3. 渐近分布与重抽样：由于 PIC 下数据信息的非对称性，估计量的渐近正态性中无穷维参数的干扰如何剥离？加权 Bootstrap 是否有效？ 4. 模型检验：如何构造检验来判断某个协变量效应是常数（乘性）还是随时间变化（加性）？

⚠️ 作者的 framing： - 作者的说法：作者将缺口 frame 为“现有 PIC 文献仅关注特定模型（如 Cox 或纯变换模型），缺乏能同时容纳乘性、加性、时变效应的统一框架”，从而让本文的 Cox-Aalen 变换模型成为“显然的下一步拓展”。 - 淡化或回避的竞争路线：Intro 中未提及基于 Machine Learning / Debiased ML 的生存分析推断路线（如 DML for survival data），也未讨论是否可通过分段常数近似将无穷维参数离散化后直接做高维 M-estimation，而是坚持经典的 profile 估计方程路线。 - 缺失的引用：Intro 未引用近年来在 interval-censored data 下做 efficient semiparametric inference 的更广框架（如基于 modern semiparametric efficiency bound / influence function 的统一视角），这值得研究者去查证：是确实不存在，还是作者刻意聚焦于经典似然/估计方程流派。

张力： 未见明显对立引用。不同被引工作主要是在“模型设定”与“删失类型”这两个维度上各自推进，结论（相合性与渐近正态性）在不同设定下平行成立，未出现条件略不同而得相反结论的冲突。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号与指标：
  • \(n\)：样本量（独立同分布个体数）。
  • \(d\)：有限维参数 \(\boldsymbol{\beta}\) 的维数（乘性常数效应的协变量维数）。
  • \(q\)：时变加性效应的协变量维数。
  • \(p\)：变换模型中变换参数 \(r\) 的维数（通常 \(r\) 为 1 维，如 \(r=0\) 对应 Cox 模型，\(r=1\) 对应 Proportional Odds 模型）。

  • \(t\)：时间变量，取值于 \([0, \tau]\)（\(\tau\) 为研究终点）。

  • 参数与潜在量：

  • \(\boldsymbol{\beta} \in \mathbb{R}^d\)：要估的有限维参数（乘性效应系数）。
  • \(r\)：变换参数，标量，决定风险变换的形式。
  • \(B(t) \in \mathbb{R}^q\)：无穷维未知参数（时变加性效应的累积函数），是 \(t\) 的单调递增函数，\(B(0)=0\)。
  • \(T\)：潜在事件发生时间，不可完全观测。
  • \(C\)：右删失时间，不可观测。

  • \(L, R\)：区间删失的左右端点，可观测。

  • 模型（数据生成机制）： 半参数 Cox-Aalen 变换模型定义事件时间的累积风险函数为：

    \[H(t | \mathbf{Z}, \mathbf{X}) = G_r \left( \int_0^t e^{\boldsymbol{\beta}^\top \mathbf{Z}(s)} d B(s) + \int_0^t \boldsymbol{\alpha}^\top(s) \mathbf{X}(s) ds \right)\]
    其中 \(G_r(x) = \log(1 + r x)/r\)（当 \(r>0\)），\(G_0(x) = x\)。

  • \(\mathbf{Z}(t) \in \mathbb{R}^d\)：乘性协变量（可时变）。
  • \(\mathbf{X}(t) \in \mathbb{R}^q\)：加性协变量（可时变）。
  • \(B(t)\) 是累积时变系数，\(dB(t)/dt\) 即为 \(\boldsymbol{\alpha}(t)\)。

  • 当 \(r=0\) 且 \(\boldsymbol{\alpha}(t)=0\)，退化为 Cox 模型；当 \(r=1\) 且 \(\boldsymbol{\beta}=0\)，退化为 Aalen 加性模型；当 \(\boldsymbol{\alpha}(t)=0\)，退化为一般半参数变换模型。

  • 可观测数据： 研究者实际观测到的是 \(n\) 个独立三元组 \(\{ (Y_i, \delta_i, \mathbf{W}_i) \}_{i=1}^n\)，其中 \(\mathbf{W}_i = (\mathbf{Z}_i, \mathbf{X}_i)\) 为协变量过程。

  • \(Y_i = \min(T_i, C_i)\)：若事件被精确观测，\(\delta_i = 1\)。
  • 若事件未被精确观测，则落入区间 \((L_i, R_i]\)，此时 \(Y_i\) 表现为 \((L_i, R_i]\)，\(\delta_i = 0\)。
  • 还存在左删失（\(L_i=0\)）与右删失（\(R_i=\infty\)）的特例。
  • 核心识别困难：对于 \(\delta_i=0\) 的个体，我们只知道 \(T_i \in (L_i, R_i]\)，不知道 \(T_i\) 的确切值，因此无法直接代入累积风险函数 \(H(t)\) 计算；\(B(t)\) 作为无穷维参数，其非参数估计的收敛速率慢于 \(n^{-1/2}\)，会污染 \(\boldsymbol{\beta}\) 的渐近分布。

第二步：讲最小内核

剥掉所有时变协变量与多维参数的“加壳”，考虑最简特例： - 特例设定：\(r=0\)（即 \(G_0(x)=x\)，线性变换），\(\mathbf{X}(t)=0\)（无加性效应），\(\mathbf{Z}\) 为 1 维常数协变量。此时模型退化为最简单的 Cox 模型：\(H(t|Z) = e^{\beta Z} B(t)\)。 - 数据：只有部分区间删失，即对每个个体要么观测到精确时间 \(Y\)（\(\delta=1\)），要么观测到区间 \((L, R]\)（\(\delta=0\)）。 - 最小内核问题：在 PIC 下，如何估计 1 维参数 \(\beta\) 与单调递增函数 \(B(t)\)？ - 计算难点：若用 EM 算法，E 步需计算 \(T \in (L, R]\) 的条件期望权重，M 步需更新 \(B(t)\)。由于 \(B(t)\) 是无穷维，M 步的 Newton-Raphson 极易因维度灾难发散。 - 本文破局想法（ES 算法）：将 M 步的“同时更新 \(\beta\) 与 \(B(t)\)”拆解为两步：先固定 \(\beta\)，用 profile 方法求解 \(B(t)\) 的估计方程（此时退化为 1 维单调函数更新，数值极稳定）；再固定 \(B(t)\)，更新 \(\beta\)（此时退化为 1 维参数 Newton 步）。E 步与 S 步交替，避免了无穷维矩阵求逆，保证了收敛。 - 推断难点：\(B(t)\) 的非参数估计速率仅为 \(n^{-1/2}\) 级别（有偏），如何让 \(\hat{\beta}\) 的渐近方差不受 \(B(t)\) 估计误差的污染？ - 破局想法：通过构造特定的估计方程（使得 \(\hat{\beta}\) 的方程在 \(\hat{B}\) 处的 Fréchet 导数正交于 \(B\) 的方向），即 profile estimating equation 的正交性，使得无穷维参数的一阶误差不进入 \(\hat{\beta}\) 的渐近展开，从而 \(\hat{\beta}\) 依然达到 \(n^{-1/2}\) 收敛速率与渐近正态性。

三、这篇论文做了什么

三句话： ①研究了部分区间删失数据下半参数 Cox-Aalen 变换模型的参数估计与假设检验问题； ②核心工具是构造 profile 估计方程并提出 Expectation-Solving (ES) 算法解耦计算，辅以加权 Bootstrap 与上确界检验； ③主要结论是在温和正则条件下，有限维参数估计量相合且渐近正态，无穷维参数估计量相合，加权 Bootstrap 有效，上确界检验的渐近分布可逼近。

关键设定与假设： - 设定：如第二节所述的 PIC 数据结构与 Cox-Aalen 变换模型。作者将似然函数写为两部分：精确观测部分的似然（密度函数）与区间删失部分的似然（概率函数），并据此构造估计方程。 - 假设（逐条统计含义）： - 条件 A1-A3（有界与支撑）：协变量有界，\(B(t)\) 在 \([0, \tau]\) 上有界且连续，\(P(Y \geq \tau) > 0\)。统计含义：保证似然函数不退化，确保参数在闭集上可识别。 - 条件 A4（信息矩阵正定）：\(\boldsymbol{\beta}\) 与 \(r\) 的 Fisher 信息矩阵在真值处正定。统计含义：保证局部参数可识别，且渐近方差非无穷。 - 条件 A5（删失机制条件独立性）：\((L, R)\) 的分布依赖于可观测协变量，但独立于潜在事件时间 \(T\)。统计含义：这是非参数识别的核心假设，类似经典生存分析中的独立删失假设。 - 相比已有文献的放宽/强化：相比 Zeng et al. (2017) 仅处理纯变换模型（无加性项 \(B(t)\)），本文引入了无穷维 \(B(t)\)，条件 A4 的正定性要求更强（需排除乘性与加性效应的共线性）；相比 Sun et al. (2004) 处理 PIC 下的 Cox 模型，本文的变换参数 \(r\) 使得似然函数的非线性更强，对 A1-A3 的光滑性要求更高。

主要结果： - 定理 1（相合性）：在假设 A1-A5 下，估计方程的解 \((\hat{\boldsymbol{\beta}}, \hat{r}, \hat{B})\) 依概率收敛到真值。直觉：估计方程的期望在真值处为零，且解空间紧致，由 M-estimation 的经典相合理论保证。 - 定理 2（渐近正态性）：\(\sqrt{n}(\hat{\boldsymbol{\beta}} - \boldsymbol{\beta}_0, \hat{r} - r_0)\) 收敛到正态分布，渐近方差由信息矩阵的逆给出；\(\hat{B}(t) - B_0(t)\) 收敛到零均值 Gauss 过程，收敛速率为 \(n^{-1/2}\)。直觉与必要条件：profile 估计方程的正交性使得无穷维误差不污染有限维参数；必要条件是 A4（信息矩阵正定）与 \(B(t)\) 的光滑性（保证 Fréchet 导数存在）。 - 定理 3（加权 Bootstrap）：对每个个体赋予独立同分布的正权重 \(\xi_i\)（如从 Exp(1) 抽取），基于加权估计方程求解得到的 Bootstrap 估计量，其渐近分布与原估计量相同。直觉：权重 \(\xi_i\) 的引入等价于改变了样本的经验测度，由于估计方程是线性的，加权后的极限分布与原分布仅差一个常数方差因子，可被调整。 - 定理 4（上确界检验）：检验假设 \(H_0: \boldsymbol{\alpha}(t) = \boldsymbol{\alpha}_0\)（即加性效应为常数）。构造检验统计量 \(\sup_t | \hat{\boldsymbol{\alpha}}(t) - \boldsymbol{\alpha}_0 |\)，在 \(H_0\) 下其渐近分布可通过加权 Bootstrap 逼近。直觉：\(\hat{\boldsymbol{\alpha}}(t) = d\hat{B}(t)/dt\) 是非参数估计，收敛到 Gauss 过程，取上确界构成 Kolmogorov-Smirnov 型检验。

证明路线与技术技巧： - 整体路线： 1. 构造估计方程：基于精确观测与区间删失的似然贡献，对 \(\boldsymbol{\beta}, r\) 构造有限维估计方程，对 \(B(t)\) 构造无穷维估计方程（含积分与点值条件）。 2. ES 算法求解：E 步计算区间删失个体的条件概率权重；S 步先固定有限维参数，用 profile 思想解无穷维方程（转化为单调函数寻根），再固定无穷维参数，解有限维方程。 3. 相合性证明：验证估计方程满足经典 M-estimation 的凸性/零点唯一性条件，利用 Glivenko-Cantelli 类定理控制经验过程的均匀收敛。 4. 渐近正态性证明：对估计方程在真值处做 Taylor 展开（有限维对有限维、有限维对无穷维、无穷维对无穷维），利用 profile 正交性消去无穷维误差的一阶项，剩余项由 Donsker 类定理控制，收敛到 Gauss 过程。 5. Bootstrap 有效性：将加权经验过程视作原经验过程与权重过程的乘积，利用独立乘积的弱收敛定理与连续映射定理完成。 - 关键跳跃点： - Profile 正交性的建立：最吃功夫的引理在于证明 \(\hat{\boldsymbol{\beta}}\) 的估计方程对 \(B(t)\) 的 Fréchet 导数在 \(\hat{B}\) 处为零。这要求模型结构本身满足特定对称性（似然函数对 \(B\) 的梯度与对 \(\boldsymbol{\beta}\) 的梯度在样本空间上内积为零），是本文能将 \(n^{-1/2}\) 速率从无穷维污染中剥离的核心。 - 无穷维参数的更新收敛：在 S 步中，\(B(t)\) 的更新涉及单调递增约束。作者未用无约束的 Newton 步，而是利用了 \(B(t)\) 的累积风险函数结构，将其转化为对时间轴的加权积分，保证了单调性不被破坏。 - 技术技巧点名： - Profile estimating equation：用在渐近正态性证明中，剥离无穷维参数对有限维参数的污染。 - Empirical process (Glivenko-Cantelli & Donsker theorem)：用在控制估计方程经验过程的均匀收敛与弱收敛，保证相合性与渐近展开的余项可控。 - Functional Taylor expansion (Fréchet derivative)：用在将无穷维参数的扰动展开到一阶，建立正交性条件。 - Weighted Bootstrap (multiplier bootstrap)：用在逼近检验统计量的渐近分布，避免了直接计算 Gauss 过程极值分布的解析困难。 - Isotonic regression / Monotone function optimization：用在 S 步中更新 \(B(t)\)，保证累积风险的单调递增约束。

真实例子与应用： - 数据：ACTG 181 随机 HIV/AIDS 临床试验数据（文献中经典的区间删失数据集）。 - 场景：研究两种抗逆转录病毒疗法对 CD4 计数下降至阈值以下的时间的影响。由于 CD4 计数只在临床访视时测量，事件时间存在大量区间删失；同时有部分患者在访视间期报告了确切症状发生时间（精确观测），构成 PIC 结构。 - 怎么用上去：将 CD4 下降时间作为响应变量，疗法分配与基线 CD4 作为协变量 \(\mathbf{Z}\)（乘性），年龄等作为 \(\mathbf{X}\)（加性），拟合 Cox-Aalen 变换模型。用 ES 算法估计 \(\boldsymbol{\beta}, r, B(t)\)。 - 得到什么结果：疗法效应 \(\hat{\boldsymbol{\beta}}\) 显著不为零（表明疗法有效）；上确界检验拒绝了“年龄效应为常数”的假设（表明年龄对风险有随时间变化的加性效应）；模型选择指标支持 \(r \approx 1\)（Proportional Odds 结构比 Cox 结构更拟合该数据）。 - 想说明什么：验证 ES 算法在真实 PIC 数据上的数值可行性；展示上确界检验能发现时变效应（这是纯 Cox 模型做不到的）；说明变换参数 \(r\) 的估计能指导模型选择。

🔎 结论是否比证明窄： - 作者在定理 2 的陈述中，对 \(\hat{B}(t)\) 的渐近正态性声称其收敛到零均值 Gauss 过程，但证明中实际依赖了 \(B(t)\) 的光滑性假设（A3 中的导数有界条件）来保证 Fréchet 导数存在。若 \(B(t)\) 仅为单调但不光滑（如分段常数），结论的证明路线断裂，但作者未在定理陈述中明确排除这一情形，仅在假设中隐含。这是一个“条件 X 下严格证明，但泛泛 claim 为一般性”的潜在缝隙。

四、开放问题（点到为止）

  1. 要估什么：在 PIC 下，若 \(B(t)\) 不满足光滑性假设（如存在跳跃点，对应风险率的突变），\(\hat{\boldsymbol{\beta}}\) 是否仍能保持 \(n^{-1/2}\) 速率与渐近正态性？扎根点：定理 2 的证明依赖 Fréchet 导数（假设 A3），但实际临床数据中风险率常有突变。
  2. 要证什么：ES 算法的全局收敛性是否可严格证明（而非仅数值观察）？扎根点：第 4 节算法描述中仅 claim "guarantees stability and rapid convergence"，但未给出收敛速率的定理，仅引用了经典 EM 的局部收敛结果。
  3. 要算什么：当协变量维度 \(d+q\) 较大（如 \(>10\)）时，ES 算法中 profile 步的计算复杂度是否仍可行？扎根点：模拟实验仅做了 \(d=1, q=1\) 的低维情形，未触及高维设定；若引入高维惩罚（如 L1），估计方程的正交性是否被破坏？
  4. 要估什么：在 PIC 下，是否存在达到半参数有效界的估计量？扎根点：本文的估计方程基于似然/条件期望构造，但未讨论其是否对应 efficient influence function；Zeng & Lin (2007) 在右删失下证明了变换模型的有效性，但 PIC 下的有效界是否相同，本文未触及。

提醒：要确认第 4 条是不是真 gap，去读同子领域近期约 5 篇的 intro——若都指向“PIC 下 semiparametric efficiency bound 未知”，则是共识（真 gap）；若已有文献算出 bound 但本文未引，则是作者刻意回避。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论