跳转至

The role of institutional trust in shaping the relationship between vaccine concerns and ongoing COVID-19 vaccination in a US national cohort

作者: Jenna Sanborn, Angela Parcesepe, Rachael Piltch-Loeb, Kate Penrose, Yanhan Shen et al.
来源: American Journal of Epidemiology
主题: 流行病学
相关性: 3/10
机构绿灯: University of North Carolina at Chapel Hill（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/aje/kwag012

一、领域脉络与小综述

这个方向是什么： 这个子方向探讨的是行为流行病学中的效应修饰与交互作用，特别是社会心理因素（如机构信任）如何改变健康信念（如疫苗担忧）与健康行为（如疫苗接种）之间的统计关联。其根本科学问题在于：信念转化为行为的路径是否依赖于外部情境（信任）？在统计上，这要求从单纯的“主效应建模”走向“多尺度交互作用建模”（乘性尺度与加性尺度），并明确区分交互作用的因果含义与统计含义。当前该方向在方法上已高度成熟（log-binomial / Poisson回归加RERI指标是标准配置），但在因果推断的严格识别上仍处于发展期。

发展脉络： 1. 奠基工作：Rothman (1976) 提出了加性尺度交互作用的公共卫生框架，指出在流行病学中，加性交互比乘性交互更符合“共同因果路径”的生物学/社会学解释，并定义了RERI（Relative Excess Risk Due to Interaction）。这是整个方向的基石。 2. 主要进展：Assmann et al. (1996) 和 Knol et al. (2011) 等工作解决了RERI的估计与推断问题——如何在二值/连续暴露下用标准回归（如log-binomial或Poisson with robust variance）稳定地估计RERI及其置信区间，使得加性交互从理论概念变成了可计算的实证指标。 3. 当前 frontier：近期的前沿集中在因果交互的识别理论（VanderWeele 2009, 2014），将RERI与反事实框架结合，明确了在何种假设下（如单调性、一致性），加性交互可以解释为“协同因果路径”。同时，应用研究开始大量使用RERI来探索社会因素（如种族、信任）与健康行为的交互。 4. 本文的位置：本文属于应用前沿，将RERI框架移植到COVID-19持续接种的情境中，探索“机构信任”对“疫苗担忧→接种行为”的效应修饰，属于在成熟方法下对新科学问题的实证填补。

子线索聚类： - 线索A：交互作用的统计估计与推断（Assmann 1996; Knol 2011）：这一簇解决的是“如何用回归模型算出RERI及其标准误”，核心是log-binomial/Poisson模型的收敛问题与协变量调整下的边际效应计算。 - 线索B：交互作用的因果解释与识别（VanderWeele 2009, 2014）：这一簇解决的是“RERI在反事实框架下意味着什么”，核心是四阶反事实潜在结果的识别，以及单调性假设对RERI符号的解释。 - 线索C：信任与疫苗行为的实证建模（Lazarus et al. 2021; Baum et al. 2009）：这一簇解决的是“信任是否影响接种”，但大多只看主效应，极少在加性尺度上检验信任与担忧的交互。

这个方向在追问的核心问题： 1. 交互作用的尺度选择：乘性交互与加性交互何者更符合公共卫生干预的决策逻辑？（当前共识：加性交互更符合“人群归因”逻辑，但乘性交互在统计上更易从标准回归获得）。 2. 因果交互的识别：RERI要被解释为“因果协同”，需要哪些反事实假设？（当前瓶颈：单调性假设在社会科学中难以成立）。 3. 情境效应的机制：社会信任是“缓冲”还是“放大”风险信念的效应？（当前瓶颈：实证研究多只报告乘性交互，忽略了加性交互的“路径重叠”解释）。

⚠️ 作者的 framing（这是作者的说法）： - 作者将缺口 frame 为：“little is known about the extent to which institutional trust buffers or amplifies the behavioral effects of vaccine-related uncertainty”——即现有文献只看主效应，不看交互。 - 作者借此让自己的论文成为“显然的下一步”：引入RERI来检验加性交互，揭示“路径重叠”。 - 被淡化的竞争路线：作者完全回避了因果中介分析——信任可能不仅是效应修饰因子，而是担忧与行为之间的中介（担忧→信任→行为）。如果信任是中介，RERI的效应修饰解释就会与中介效应混杂，作者未讨论这一竞争解释。 - 明显该被引却未出现的文献：VanderWeele关于因果交互与反事实识别的系统性工作（如VanderWeele & Knol, 2014, Epidemiology上的交互作用教程）未被引用。这导致本文的RERI解释停留在“统计学重叠路径”，而非“因果协同/拮抗”，这是一个值得研究者去查的缺口——如果补上VanderWeele的框架，本文的因果解释是否还站得住？

张力： 未见明显对立引用。但存在隐含张力：线索B（VanderWeele的因果交互框架）要求严格的反事实假设才能给RERI赋予因果解释，而线索A（本文的实证应用）直接用RERI的统计显著性来声称“overlapping pathways”，两者之间存在“识别假设未被检验”的张力。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

  • \(Y\)：结果变量（二值），\(Y=1\) 表示“继续接种了加强针”，\(Y=0\) 表示“未继续接种”。
  • \(X_1\)：暴露/信念变量（二值），\(X_1=0\) 表示“不担忧疫苗”，\(X_1=1\) 表示“担忧疫苗”。
  • \(X_2\)：修饰/情境变量（二值），\(X_2=1\) 表示“信任公共卫生机构”，\(X_2=0\) 表示“不信任”。
  • \(C\)：协变量向量（年龄、性别、政治倾向等），可观测，用于调整混杂。
  • 潜在结果：\(Y_{x_1, x_2}\) 表示若强制设定 \(X_1=x_1, X_2=x_2\) 时的潜在接种行为（不可观测，需假设识别）。
  • 可观测数据：\((Y_i, X_{1i}, X_{2i}, C_i)\)，\(i=1, \dots, n=4253\)，来自CHASING COVID队列的横截面随访。

模型： 数据生成机制假设为条件独立（ignorability）：给定 \(C\) 下，\((X_1, X_2)\) 与 \(Y\) 的潜在结果独立。模型采用log-binomial回归：

\[\log P(Y=1 \mid X_1, X_2, C) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 X_1 X_2 + \beta_4^T C\]

第二步：最小内核——RERI的加性交互含义

剥掉所有协变量 \(C\) 和连续变量设定，最小内核是：在二值暴露 \(X_1, X_2\) 下，乘性交互与加性交互的分歧，以及RERI如何捕捉“路径重叠”。

在上述log-binomial模型中（忽略 \(C\)），四个条件风险为： - \(P(Y=1 \mid X_1=0, X_2=0) = e^{\beta_0}\) （不担忧 + 不信任） - \(P(Y=1 \mid X_1=0, X_2=1) = e^{\beta_0 + \beta_2}\) （不担忧 + 信任） - \(P(Y=1 \mid X_1=1, X_2=0) = e^{\beta_0 + \beta_1}\) （担忧 + 不信任） - \(P(Y=1 \mid X_1=1, X_2=1) = e^{\beta_0 + \beta_1 + \beta_2 + \beta_3}\) （担忧 + 信任）

乘性交互看的是风险比之比：\(RR_{11} / (RR_{10} \times RR_{01}) = e^{\beta_3}\)。若 \(\beta_3 < 0\)，乘性交互为拮抗。

加性交互看的是风险差之差，即RERI：

\[RERI = RD_{11} - (RD_{10} + RD_{01}) = P(Y=1 \mid 1,1) - P(Y=1 \mid 0,0) - [P(Y=1 \mid 1,0) - P(Y=1 \mid 0,0)] - [P(Y=1 \mid 0,1) - P(Y=1 \mid 0,0)]\]

代入log-binomial模型，RERI可写为：

\[RERI = e^{\beta_0 + \beta_1 + \beta_2 + \beta_3} - e^{\beta_0 + \beta_1} - e^{\beta_0 + \beta_2} + e^{\beta_0}\]

核心直觉：本文发现 \(RERI = -0.68 < 0\)（拮抗）。这意味着什么？ - 在加性尺度上，“不担忧”（\(X_1=0\)）带来的接种提升，在“不信任”（\(X_2=0\)）人群中很大（\(aRR=2.38\)），但在“信任”（\(X_2=1\)）人群中很小（\(aRR=1.34\)）。 - 拮抗的RERI意味着：“信任”与“不担忧”在促进接种上存在路径重叠——信任本身已经把接种率拉高了，此时再“不担忧”能带来的边际提升就很小了。这就是作者所说的“overlapping pathways”。

数学上的关键点：乘性交互 \(\beta_3 < 0\) 并不保证加性交互 \(RERI < 0\)（取决于基线风险 \(\beta_0\) 和主效应 \(\beta_1, \beta_2\) 的大小）。本文两者都为负，但作者的核心论点扎根于加性交互的拮抗，而非乘性交互。

三、这篇论文做了什么

三句话： ①研究了“机构信任是否修饰疫苗担忧与继续接种COVID-19加强针之间的关联”； ②核心工具是调整后的log-binomial回归，同时在乘性尺度（风险比之比）和加性尺度（RERI）评估效应修饰； ③主要结论是：对公共卫生机构的信任在加性尺度上与疫苗担忧存在拮抗交互（RERI=-0.68），表明信任与不担忧在促进接种上有路径重叠；对医疗提供者的信任仅有微弱的正向加性交互（RERI=0.16, P=0.08）。

关键设定与假设： - 样本：4253名已完成初级疫苗接种的成人，来自CHASING COVID全国队列的随访数据。 - 暴露定义：\(X_1\)（疫苗担忧）为二值，基于对疫苗安全/副作用的担忧问卷；\(X_2\)（机构信任）为二值，分为“公共卫生机构信任”与“医疗提供者信任”两个维度分别建模。 - 结果定义：\(Y\) 为是否在初级系列完成后又接种了至少一剂加强针。 - 核心假设1（Ignorability / 无混杂）：给定协变量 \(C\)（年龄、性别、种族、教育、政治倾向、地区等），暴露 \((X_1, X_2)\) 与结果 \(Y\) 独立。这是log-binomial回归调整的识别基础，但作者未提供dag或敏感性分析来验证此假设。 - 核心假设2（模型正确指定）：log-binomial模型的无交互线性项正确刻画了条件风险的log尺度结构。若真实模型有非线性或更多交互项，RERI的估计可能有偏。 - 与已有文献的对比：相比只看乘性交互的文献，本文强制要求报告加性交互（RERI），这与Knol et al. (2011) 的建议一致；但相比VanderWeele的因果交互框架，本文未引入反事实潜在结果与单调性假设，因果解释较弱。

主要结果： - 公共卫生机构信任的修饰效应： - 不担忧疫苗者 vs 担忧疫苗者的接种风险比： - 在不信任人群中：\(aRR = 2.38\) [1.90, 2.97] - 在信任人群中：\(aRR = 1.34\) [1.22, 1.46] - 乘性交互：信任削弱了担忧的效应（\(aRR\) 从2.38降至1.34），乘性尺度上为拮抗。 - 加性交互：\(RERI = -0.68\)，\(P < 0.01\)。加性尺度上为拮抗，解释为“路径重叠”——信任已经拉高了接种率，不担忧的边际贡献在信任人群中变小。 - 医疗提供者信任的修饰效应： - 不担忧 vs 担忧的 \(aRR\)：不信任人群 2.38 vs 信任人群 1.34（数值相近，但提供者信任的分层略有不同）。 - 加性交互：\(RERI = 0.16\)，\(P = 0.08\)（边缘显著）。加性尺度上为微弱的协同，表明提供者信任与不担忧的路径重叠较少，甚至有轻微的叠加效应。

证明路线与技术技巧（本文为应用型，无理论证明，但方法实现有技术细节）： - 整体路线： 1. 描述性统计：展示 \(X_1, X_2, Y\) 的联合分布与边缘分布。 2. 拟合调整后的log-binomial回归：\(\log P(Y=1 \mid X_1, X_2, C) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 X_1 X_2 + \beta_4^T C\)。 3. 从拟合的 \(\hat{\beta}\) 中计算乘性交互 \(e^{\hat{\beta}_3}\)。 4. 计算 \(RERI = e^{\hat{\beta}_0 + \hat{\beta}_1 + \hat{\beta}_2 + \hat{\beta}_3} - e^{\hat{\beta}_0 + \hat{\beta}_1} - e^{\hat{\beta}_0 + \hat{\beta}_2} + e^{\hat{\beta}_0}\)（注意：这里 \(\beta_0\) 需要取协变量取特定参考值时的基线风险，或使用边际标准化方法）。 5. 用Delta方法或Bootstrap计算RERI的置信区间与P值。 - 关键跳跃点：log-binomial回归在二值数据下常面临收敛问题（因为概率必须 \(\leq 1\)，而线性预测指数可能 \(>0\) 导致预测概率 \(>1\)）。作者未在正文中明确说明如何解决收敛，但标准做法是改用Poisson回归加稳健方差，或使用COPY方法。这是研究者应去核验的细节。 - 技术技巧点名： - RERI的协变量调整计算：在调整 \(C\) 后，RERI并非简单地从 \(\beta\) 系数代入公式，而是需要将条件风险边际化到人群水平，或在参考协变量水平下计算。本文采用的是在参考协变量水平下计算（所有 \(C\) 取0或参考类），这是Assmann (1996) 推荐的做法。 - Delta方法：用于从 \(\hat{\beta}\) 的协方差矩阵推导RERI的标准误。

真实例子与应用： - 数据：CHASING COVID Cohort（2020年启动的美国全国纵向队列），本文使用的是其在2022年3-4月的随访轮次，样本为4253名已完成初级系列的成人。 - 怎么用上去：将问卷中的疫苗担忧（5项量表二值化）与机构信任（二值化）作为 \(X_1, X_2\)，将后续是否接种加强针作为 \(Y\)，拟合上述log-binomial模型。 - 得到什么结果：公共卫生信任的RERI=-0.68（拮抗），提供者信任的RERI=0.16（微弱协同）。 - 想说明什么：验证“信任是情境修饰因子”的理论假设，并展示加性交互能揭示乘性交互无法看到的“路径重叠”机制——这对公共卫生干预有直接启示：在低信任人群中，消除担忧的干预收益更大；在高信任人群中，消除担忧的边际收益较小。

🔎 结论是否比证明窄： - 作者在Abstract中声称“antagonism on the additive scale indicated overlapping pathways”——这是因果机制解释，但RERI<0在统计上只证明了加性交互为拮抗，并未证明这是“overlapping pathways”（这需要反事实框架下的单调性假设与因果路径分解）。作者的因果解释比其统计证明宽。 - 作者声称“institutional trust as an important contextual determinant shaping how vaccine-related beliefs are enacted”——这隐含了因果方向性（信任修饰信念的效应），但横截面数据无法排除反向因果（接种行为影响信任）或混杂（政治倾向同时影响信任与担忧），作者的因果语言比其观测数据的识别能力宽。

四、开放问题（点到为止，扎根具体语句）

  1. 因果交互的严格识别：本文的RERI解释为“overlapping pathways”，但未引入VanderWeele的反事实框架。要证：在何种单调性假设下，\(RERI < 0\) 可被解释为“因果路径重叠而非竞争”？扎根点：Abstract中“overlapping pathways”的声称，与Methods中缺乏反事实识别假设的落差。

  2. 信任作为中介而非修饰因子：信任可能同时是担忧→接种的中介（担忧降低信任，进而降低接种）与修饰因子。要估：在加性尺度上，信任的自然中介效应与自然交互效应如何分解？扎根点：Abstract中“buffers or amplifies”的修饰语言，回避了中介与修饰的区分。

  3. log-binomial收敛与模型指定：4253样本下，包含多个协变量的log-binomial是否收敛？若改用Poisson robust variance或边际标准化，RERI的数值与显著性是否改变？扎根点：Methods中未交代log-binomial的收敛处理细节。

  4. 缺失的因果图：要画：包含政治倾向、地区、既往接种经历等协变量的DAG，以展示ignorability假设需要阻断哪些后门路径。扎根点：作者假设了条件独立，但未提供DAG或敏感性分析来核验此假设（Introduction中“well-established determinants”的列举不足以替代DAG）。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论