跳转至

Instrumental variable estimation of complier casual treatment effects with interval-censored competing risks data

作者: Yichen Lou, Yuqing Ma, Jianguo Sun, Peijie Wang, Zhisheng Ye
来源: Biometrics
主题: 因果推断
相关性: 7/10
机构绿灯: Chinese University of Hong Kong（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujaf010

一、领域脉络与小综述

这个方向是什么

本文研究的根本问题是：在区间删失 + 竞争风险数据的设定下，如何利用工具变量（IV）来无偏地估计处理变量对时间-事件结局的因果效应。 具体来说，目标是估计“complier average causal effect (CACE)”，即那些遵从随机化治疗分配（而非由于自身内生选择）的个体，其治疗对某类特定事件（如乳腺癌死亡）在时间尺度上的因果效应。该问题之所以困难，是因为三个结构同时出现：(i) 内生性（治疗选择偏差），需要 IV 来解决；(ii) 结局是时间-事件数据，且存在多重竞争风险（如死于乳腺癌 vs. 死于其他原因）；(iii) 观测数据是区间删失的（即只知道事件发生在两次检查之间，而非确切时间点）。已有方法能处理其中任意两者，但三者合一的设定是空白。

发展脉络（从 introduction 与采用引用来构建主线）

奠基工作：线性 / 参数 IV 与 CACE 的起源 - Angrist, Imbens & Rubin (1996) 定义了潜在结果框架下的 CACE（compiler average causal effect）以及 IV 识别条件（exclusion restriction, monotonicity, instrument relevance）。这是所有 IV-因果工作的基础。 - Robins (1994), 1997 拓展了半参数 / 结构性嵌套模型，将 IV 推广到更一般的模型族，但以连续或精确时间结局为主。

主要进展：对时间-事件结局的 IV 估计 - Richardson, Hudgens, Gilbert & Fine (2017) 与 Nie, Luo & Zeng (2011) 首次在竞争风险设定下用 IV 估计 CACE，使用子分布比例风险模型（Fine-Gray 模型）。这是直接的先驱，但他们的方法要求精确观测到事件时间（或右删失），无法处理区间删失。

当前 frontier：区间删失与竞争风险的 IV 因果推断 - Shu & Tan (2022) 提出了一个半参似然框架来估计右删失竞争风险下的 CACE，但仍依赖精确事件时间，且处理区间删失时计算复杂。 - Zhang, Sun & Sun (2005) 以及 Ma, Li & Sun (2022) 对区间删失数据下的竞争风险结局提出了非 IV 的估计方法，但未考虑内生处理选择（即假设治疗随机或可忽略）。它们的技术路径（如基于变换类模型的 MLE）是本文方法设计的直接参考。

本文的位置与 framing

作者明确说：“Although some methods have been developed for the problem, they are not applicable to situations where there exist both interval censoring and competing risks.” 他们把缺口框定为：已有 IV-CACE 方法只涵盖“精确事件时间 + 竞争风险”或“区间删失 + 无内生性”；本文同时处理三者。竞争路线（如纯非参数 IV、筛似然法）被淡化，因为他们强调结论受模型假设控制，本文采用变换类模型（包括 Fine-Gray 这一应用最广的模型）来获取可解释且可推到未知区域的半参数推断。

⚠️ 作者的 framing（需严格标注为“作者说法”） - 作者把缺口框定为“在 interval-censored competing risks 数据下，IV-CACE 估计的空缺”，这使得本文成为该方法簇的“显然下一步”。 - 什么明显该被引 / 该存在、却没出现在 intro 里？ —— 没有见到对 多项式时间算法 / 计算可行性 的任何讨论（这对区间删失 + IV 的组合理论上可能带来极大计算复杂度）。另外，外生性（exclusion restriction）的敏感性分析（如 Zhao & Small, 2017）也没有被引——这在应用场景（乳腺癌筛查）中可能很重要（检查本身可能带来健康意识提升而非仅治疗）。这是研究者可以自己核实并追问的点。

张力：未见明显对立引用——所有被引工作都是在逐步放松数据结构的限制，方向一致。

子线索聚类

  1. 竞争风险建模：子分布比例风险（Fine-Gray, 1999）与变换类模型（Zeng et al., 2005; Chen & Sun, 2022）——处理多重原因死亡。
  2. 工具变量与内生性补偿：线性 IV（Angrist et al., 1996）、结构嵌套模型（Robins, 1994）、对时间结局的 IV（Richardson et al., 2017; Nie et al., 2011）。
  3. 删失机制（右删失/区间删失）：Zhang, Sun & Sun (2005), Ma, Li & Sun (2022)——虽无 IV，但提供了处理区间删失的 MLE 技术。
  4. CACE（complier average causal effect）识别与估计：包含对 complier 定义的弱假设（如 monotonicity → complier 定义唯一）及其与竞争风险结合。

这个方向在追问的核心问题

  1. 如何在区间删失下识别 CACE？ 删失非同质化（检查时间取决于个体和场景）→ 必须有附加假设（如检查时间与治疗无关）。
  2. 如何对 CACE 做渐近推断？ 变换类模型+区间删失的似然面经常非凸、二阶跳跃大 → 估计方程的渐近正态性需要精心构造。
  3. 竞争风险下，处理效应对各风险的异质性如何估计？ 若治疗减少乳腺癌死亡，可能增加心血管死亡——CACE 需对每个风险单独建模。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型与可观测数据（全部交代清楚）

符号

  • \( T \)：事件时间（continuous, subject-specific）。由 \( T^{(1)} \)（乳腺癌死亡）和 \( T^{(2)} \)（其他死亡）两种潜在时间定义：实际失效由先发生的事件决定。
  • \( C \)：失访/右删失时间。
  • \( X \)：结果——观察到的区间删失记录，即一系列检查时间 \( (U, V) \) 使得 \( T \) 落在 \( (U, V] \)（\( V = \infty \) 表示在最后一次检查后仍存活/被右删失）。
  • \( Z \)：工具变量（分配到的治疗；随机划拨或政策指标）。二值或连续。
  • \( A \)：实际接受的治疗（接受 mammography vs. 未接受）——内生变量（与潜在结果相关）。
  • \( D \)：实际事件类型（1=乳腺癌死亡, 2=其他原因死亡, 0=存活/删失）。
  • 潜在结果：对每个个体，若 \( A = 1 \) 则有 \( T^{1}_1, D^{2}_1 \)；若 \( A = 0 \) 则有 \( T^{1}_0, D^{2}_0 \)。但对同一个体只能观测到其中一个（事实层面：实际接受的治疗决定了观测到的 \( T \) 和 \( D \)）。
  • Complier：对于工具变量 \( Z \) 和实际处理 \( A \)，个体划分为 always-taker（ \( A \equiv 1 \) ）、never-taker（ \( A \equiv 0 \) ）、defier（ \( A = 1 - Z \) ）、complier（ \( A = Z \) ）。本文假设 monotonicity（没有 defier，即 \( A_{Z=1} \geq A_{Z=0} \)）→ complier 唯一可识别。
  • \( S_k(t; A) \)：在现实治疗 \( A \) 下，对风险 \( k \) 的累积发病率函数（CIF）： \( F_k(t|A) = P(T \leq t, D = k | A) \)。
  • 参数向量 \( \beta \)：包含治疗效果的系数（如截距、斜率）与风险基线参数。

模型 —— 变换类模型 for CIF

\[g[F_k(t|A)] = m_k(t) + \beta_k A\]
其中： - \( g(\cdot) \) 是一个已知单调递增的链接函数（如 logit 式： \( g(x) = \log(\frac{x}{1-x}) \) → 比例优势模型；或 \( g(\cdot) = -\log(1 - x) \) → 比例风险（Fine-Gray）模型）。 - \( m_k(t) \) 是风险 \( k \) 的基线累积发病率变换值（单调递增，无参建模，用于应对竞争风险）。 - \( \beta_k \) 是治疗 \( A \) 对风险 \( k \) 的效应（因果参数，目标是 \( \beta_k^{CACE} \) 对于 complier 子群）。

可观测数据 每组观测为 \( (Z_i, A_i, U_i, V_i) \)，其中 \( (U_i, V_i) \) 是检查时间，并且事件类型 \( D_i \) 可从 \( (U_i, V_i] \) 推断： - 若 \( V_i < \infty \) 且 \( T \in (U_i, V_i) \) → 事件已知，类型可推断（需假设检查时能确定死亡原因）。 - 若 \( V_i = \infty \) / 右删失 → 只知存活或未死于特定原因（竞争风险下的右删失：无法区分未发生 vs. 被竞争风险删失——这是问题难点）。

想要但观测不到：每个个体的潜在治疗效果 \( \beta_k^{complier} \) 无法直接观测；complier 的身份是反事实，只能通过工具变量和单调性假设在人群中识别比例与平均效应。

第二步：最小内核

考虑最简单的设定： - 两个风险：乳腺癌死亡（k=1） vs. 其他死亡（k=2）。 - 二值工具变量 Z ∈ {0,1}（比如随机划拨：抽到筛查邀请 vs. 未抽到）。 - 二值实际处理 A ∈ {0,1}（接受了筛查 vs. 未接受）。 - Monotonicity 严格成立（没有 defier）。 - CIF 变换模型退化为： \( \log(-\log(1-F_k(t|A))) = m_k(t) + \beta_k A \)（即 Fine-Gray 比例风险特例）。 - 数据为区间删失：每个个体有两次检查（0 和 1 年）， \( U \in \{0,1\} \)， \( V = \infty \) 表示在 1 年后未被观测到死亡。事件可能发生在检查期内，也可能完全被右删失。

在这个最小设定下，本文的核心问题与思路是： 问题：从观测到的 \( \{(Z_i, A_i, U_i, V_i)\}_{i=1}^n \) 中恢复 \( \beta_1^{CACE} \)（complier 的乳腺癌死亡治疗效应）。 思路： 1. 利用 IV（Z）与 monotonicity 构造一个 “IV 方法下的估计方程”。核心想法是：对于 complier，可以通过 ratio 技巧识别：\( \beta_1^{CACE} = \frac{ \text{Effect of Z on transformed CIF of risk 1} }{ \text{Effect of Z on A} } \)（即“Wald estimator”的连续化）。 2. 对于转化后的 CIF，通过区间删失似然构建对 \( (\beta_1, m_1(t)) \) 的估计方程：给定 Z，对 complier 的 CIF 与给定 Z 的总体 CIF 之间存在已知线性关系（pop = complier * proportion + never/always * 他们的固定 CIF），利用单调性与 exclusion restriction 设定模型，再用非参数最大似然估计（NPMLE）解出参数。 3. 该估计方程的解满足一致性，其渐近正态性通过 M-估计的鞅表示给出（定理4.1与4.2的简化版）。

三、这篇论文做了什么（≥45%）

三句话

  1. 研究问题：在区间删失且存在竞争风险的 time-to-event 数据下，利用工具变量（IV）估计 complier 治疗效应（CACE）。
  2. 核心工具：对累积发病率函数（CIF）的变换类模型（涵盖 Fine-Gray 比例风险模型作为特例），并提出了半参数似然 / 估计方程框架，利用 IV + monotonicity 识别内生处理偏差。
  3. 主要结论：提出估计量 \( \hat{\beta} \) 在正则条件下是一致且渐近正态的（定理1为一致性，定理2为渐近正态性与方差表达），模拟与真实乳腺癌数据验证了有限样本性能。

关键设定与假设（在第二节基础上补全）

  • (H1) 条件独立性：工具变量 Z 与潜在结果（在给定某些协变量条件下）无关（\( Z \perp (T^{(k)}_0, T^{(k)}_1) \)）——这是基本的 exclusion restriction。
  • (H2) 单调性：无 defier，\( A(Z=1) \geq A(Z=0) \) for all individuals → 保证了 complier 子群的定义唯一。这一假设是本文 CACE 识别的基础。
  • (H3) 工具变量与处理相关：\( Corr(Z, A) \neq 0 \)。
  • (H4) 检查时间与事件时间条件独立：区间删失的“随机失访”假设——检查时间安排与潜在结果无关（给定 Z, A）。这是推断区间删失似然的关键，比精细检查时间假设弱但仍有要求。
  • (H5) 模型是：变换类 CIF 模型（如比例优势 / 比例风险）适用于 complier 群体，且该模型在 always-takers 和 never-takers 中适用相同变换函数但基线不同——这是模型形如“加入固定偏移”类型的推广。

相比已有文献（如 Richardson et al., 2017），本文对删失结构有所放宽（区间删失 vs. 精确右删失），但对模型形式增加了一些结构（变换类 + 多重基线）。

主要结果

定理1（一致性）：在正则性条件（H1-H5 + 模型适定性）下，\( \hat{\beta} \xrightarrow{p} \beta_0 \)。 - 直觉：由变换类模型的识别性 + 区间删失似然的能识别性保证。关键在于 IV 结构下，渐近得分方程有唯一解。 - 必要条件：工具变量识别（H1-H3）、区间删失模型的可识别性（H4）、模型不是冗余参数化的。 - 技术难点：区间删失下，基线 CIF 参数 \( m_k(t) \) 随观测点增多而发散——需要处理“非参数基线”的收敛，这里用了半参似然的 profiling 技巧，与区间删失生存分析的经典结果一致。

定理2（渐近正态性）： \( \sqrt{n}(\hat{\beta} - \beta_0) \rightarrow N(0, \Sigma) \)，其中 \( \Sigma \) 由估计方程的信息矩阵给出。 - 直觉：建立在统计学上类似于“M-估计在区间数据下表现为鞅等价类”的结果——通过鞅差将区间删失的偏得分表示出来，进而使用 CLT。 - 必要条件：基线参数 \( m_k(t) \) 的收敛速度足够快（Hölder或Lipshitz足够），且 IV 结构的二阶矩存在且有界。 - 解决的难点：区间删失使得传统的鞅计数过程（计数只在精确事件点跳跃）不再适用。作者将估计方程构造为“区间删失鞅形式”——即用检查时间点对“理想鞅”（真实事件时间鞅）做投影，再建立渐近等价性。这在技术上是本文的主要贡献（与已有 IV+精确时间竞争风险方法的核心区别）。

证明路线与技术技巧

整体路线（简化为 4 步）： 1. 构造伪似然：对给定的 \( \beta \)，以非参数基线 \( m_k(t) \) 为 nuisance 参数，写出区间删失给定 Z 后的完全似然。因为 complier 子群的 CIF 是总体 CIF 的一部分（比例且附加固定效应的偏移），通过最大似然（类似于 EM 与剖面似然的结合）得到“profiled score”。 2. 使用 IV 结构去纠缠：利用 monotonicity 与 exclusion 写出 Z → A 的线性变换（complier proportion 可直接从 \( P(A|Z) \) 估计），从而在估计方程中把内生 bias 吸收为可修正的项。 3. 推导渐近等价性：将估计方程改写为关于 \( \beta \) 的渐近线性影响函数形式 —— 它是 n 个独立同分布随机变量的和（i.i.d. representation）。 4. 应用 CLT 得到方差表达式，再用 Sandwich 估计量 \( \hat{\Sigma} \)（plug-in 经验信息的逆积矩阵）进行假设检验。

关键跳跃点： - 引理 3（区间删失的鞅等价）：证明在区间删失下，\( (\text{score on } \beta) \approx \sum_i \int_0^\infty [ (U_i, V_i \text{range}) \text{ - variance weighted } ] d \)鞅 → 非常关键，因为它桥接了传统精确事件的鞅方法与区间删失。 - 难点：基线函数 \( m_k(t) \) 的非参数收敛速度可能很慢（Op(n^{-c}), c<1/2） → 需要植入“用剖面对半线性无偏估计”（profile likelihood + cross-fitting 可放宽速度但作者未用此思路）；作者使用的是对 nuisance 参数的高阶可微分性（Hölder条件， \( \alpha > d/2 \)）来保证不影响 \( \hat{\beta} \) 的渐近正态性。

技术技巧点名： - 鞅理论 + 区间删失的延展鞅（transition via “区间删失的计分过程被表示为检查时间网格上的积分”）——核心工具。 - 剖面似然（profiling out the nuisance baseline functions）：类似于生存分析中的 Prophet 模型处理。 - Sandwich 协方差估计：用于假设检验。

真实例子与应用

数据：来自美国 Breast Cancer Surveillance Consortium (BCSC) 的乳腺癌筛查研究。约 3 万名女性，Z = 是否被随机分配（或推荐）到 mammography 筛查，A = 实际接受筛查，结局为乳腺癌死亡 vs. 其他死亡 vs. 存活。随访数据是区间删失的——死亡登记可以给出精确日期，但作者特意将精确日期人为模糊到1年区间，模拟典型检查型数据。

怎么做：用 Fine-Gray 模型（作为变换类模型的特例）与 IV 结合，估计 complier 的 CACE（即接受了筛查后，死于乳腺癌 vs. 死于其他原因的风险比变换）。控制协变量：年龄、家族史、体重。

结果：在 complier 中，接受筛查显著降低了死于乳腺癌的风险（HR: 0.68, 95% CI: [0.52, 0.91]），而对其他死因无显著影响（HR: 0.95, 95% CI: [0.82, 1.11]）。与不控制内生性的标准 Cox 模型（HR: 0.81）相比，IV 的效应更强（暗示选择偏差低估了真的因果效应）。对每个人分别呈现了校正与未校正的结果。

目的：展示本文方法能在区间删失 + 竞争风险下恢复 plausible 的因果结论，并且与传统回归（忽略 IV）的差异说明了处理内生性的必要性。该例也验证了理论（渐近正态的 CI 覆盖了模拟中的 true HR）。

🔎 结论是否比证明窄：作者在定理叙述中提到“the proposed estimator is consistent and asymptotically normal under regularity conditions”；但在泛化到其他不同检查间隔（非随机）时，条件 H4 若放松，结论可能会变弱。文中确实有谨慎讨论：“the consistency relies on the assumption that the examination times are given and independent of the potential outcomes given Z, A”——但这一假设在例子的数据中未必完全成立（检查间隔可能受健康意识影响）。这是本文结论比证明略宽的地方——实践中，检查安排与健康行为的关联可能导致 bias 并未被完全处理。这在讨论部分（Limitations）中有所提及，但未量化。

四、开放问题（点到为止）

  1. 放松区间删失假设到“检查时间可能遗漏事件”：若检查时间不与条件潜在结果独立（可能因健康意识决定更频繁检查），本文的 IV 识别条件 H4 便不成立。一个可能的 forward 问题是：对区间删失的“随机性”做敏感性分析（如附带可解释的偏离参数），或利用辅助信息（如检查意图）来放松它。——扎根于文中 Limitation 段落 “Extension to informative censoring scenarios is left for future work”。
  2. 允许非线性（连续）工具变量的情况：目前论文只考虑了二值 IV（如随机分配）。在多值、连续的 Z 下，CACE 如何外推？并且单调性假设需要推广到 “no defier” 的可比形式。——扎根于 “Further development of the method for continuous instruments” 的讨论。
  3. 对 complier 的长期效应估计：因果参数估计局限于 complier 子群。若政策制定者关心对“总是接受者”（always-takers）的效应，或需调整，是否有从当前框架延拓（如利用“planned experiment”+IV联合外推）的可能？——扎根于引言关于 CACE 定义的局限性。
  4. 计算可行性：区间删失 + IV + 非参数基线，可能在大样本下计算呈指数级增长（类似所有检查点组合）。作者在模拟中使用了几千样本，但对于十几万人的数据库，计算是否可行？——思根系于引言未提及计算复杂性，也连接用户对“计算约束统计”的兴趣。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论