Pseudo-observation regression for sequentially truncated data¶
作者: Jing Qian, Erik T Parner, Morten Overgaard, Rebecca A Betensky
来源: Biometrics
主题: 因果推断
相关性: 6/10
机构绿灯: New York University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujag084
一、领域脉络与小综述¶
这个方向是什么： 这个子方向处理的是生存分析/事件时间数据中因复杂抽样机制导致的截断问题。根本的统计问题是：当个体的事件时间只有在满足一系列关于其他随机时间的顺序条件时才能被观测到（即顺序截断，sequential truncation），如何对事件时间的无条件分布及其与协变量的回归关系进行有效估计与推断。当前该方向的成熟度处于方法成型期：无条件分布的极大似然估计已有较完整的半参数理论，但回归建模（尤其是依赖协变量的截断机制下）刚刚起步，伪观察方法的引入是对回归建模工具的初步探索。
发展脉络： - 奠基工作：传统左截断右删失框架。Gross & Huber-Carol (1992) 建立了基于Kaplan-Meier型估计的半参数极大似然理论，处理单一截断时间的情况。 - 主要进展：顺序截断的分布估计。Huber-Carol et al. (2006) 将截断推广到多个截断时间的顺序约束，给出了无条件分布的非参数与半参数极大似然估计（NPMLE/SMPMLE）。作者引用此工作时指出，它解决了分布估计问题，但留下了回归建模的口子——如何将协变量引入这个复杂截断设定？ - 当前 frontier：伪观察在复杂截断下的应用。Andersen et al. (2003) 与 Andersen & Perme (2010) 系统化了伪观察理论，将其作为删失数据下回归建模的通用工具（通过jackknife消除删失依赖）。然而，作者在intro中明确指出：当截断依赖协变量时，简单伪观察方法失效（"the simple pseudo-observation method may not be valid when the truncation depends on the covariates"），这构成了当前的技术瓶颈。 - 本文的位置：填补从"分布估计"到"回归建模"的缺口，并在截断依赖协变量的条件下，从"失效的简单伪观察"推进到"修正的伪观察"。
子线索聚类： 1. 截断数据的似然理论线：Gross & Huber-Carol (1992)，Huber-Carol et al. (2006)。这一簇在做非参数/半参数极大似然估计，核心是利用风险集的顺序结构构造似然，解决分布估计。 2. 伪观察回归线：Andersen et al. (2003)，Andersen & Perme (2010)。这一簇在做删失数据下的回归建模，核心是用jackknife重构个体贡献，绕过删失带来的条件期望依赖。 3. 截断依赖协变量的修正线：Binder et al. (2014)，Overgaard et al. (2019)。这一簇在处理截断机制与协变量耦合时的伪观察修正，核心是调整个体对无偏估计的权重贡献，消除依赖偏差。本文是此线索在顺序截断下的延伸。
这个方向在追问的核心问题： 1. 在顺序截断下，如何定义风险集并构造无偏的分布估计量？（已有NPMLE/SMPMLE解决） 2. 顺序截断下，如何将协变量引入回归模型，且不破坏估计的一致性？（本文用伪观察切入） 3. 当截断时间依赖协变量时，简单伪观察为何失效，如何修正？（本文的核心贡献）
⚠️ 作者的 framing： - 作者将缺口frame为：顺序截断下缺乏回归建模工具，且简单伪观察在截断依赖协变量时失效，因此引入修正伪观察是"显然的下一步"。 - 被淡化或回避的竞争路线：作者未讨论直接基于顺序截断似然构造半参数回归模型（如Cox部分似然在顺序截断下的直接推广）的可行性，也未对比逆概率加权（IPW）在顺序截断下的表现。这两条路线在传统截断下有成熟理论，但在顺序截断下的缺失未被提及。 - 明显该被引却未出现的：逆概率加权（IPW）与边际结构模型在复杂截断/删失下的工作（如Hernán et al. 2000的IPCW），以及条件Kaplan-Meier估计在依赖协变量截断下的工作。这些是伪观察方法的天然对照基准，缺失它们使得"修正伪观察"的优势缺乏直接比较依据。
张力： 未见明显对立引用。各被引工作在不同设定下（单一截断 vs 顺序截断，独立截断 vs 依赖截断）给出不同条件下的结论，逻辑上是递进而非矛盾。
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
- \(T\)：感兴趣的事件时间（随机变量，要估的对象）。
- \(X\)：协变量向量（随机变量，可观测）。
- \(L_1, L_2, \dots, L_k\)：顺序截断时间（随机变量，可观测）。个体只有在 \(T\) 满足关于 \(L_1, \dots, L_k\) 的顺序条件时才进入样本。
- \(C\)：右删失时间（随机变量，可观测）。
- \(Y\)：可观测时间 = \(\min(T, C)\)。
- \(\Delta\)：删失指示变量 = \(I(T \le C)\)（1表示未删失，0表示删失）。
- \(A_j\)：顺序截断条件指示 = \(I(T\) 满足第 \(j\) 个截断条件\()\)，\(j=1,\dots,k\)。只有 \(A_1=\dots=A_k=1\) 时个体才被观测到。
- \(n\)：样本量（实际观测到的个体数，即满足所有截断条件的个体数）。
- \(\theta\)：回归参数（estimand，如Cox模型的对数风险比或AFT模型的回归系数）。
- \(\hat{F}(t)\)：基于顺序截断样本的事件时间无条件分布估计量（如NPMLE）。
- \(\hat{\theta}_{-i}\)：去掉第 \(i\) 个个体后重新计算的 \(\theta\) 估计量（jackknife留一估计）。
- 模型：数据生成机制为 \((T, X, L_1, \dots, L_k, C)\) 联合分布，其中 \(T\) 与 \(X\) 的关系由回归模型（Cox或AFT）参数化。截断机制由 \(L_j\) 与 \(T\) 的顺序关系定义。关键假设：\((L_1, \dots, L_k)\) 与 \(C\) 在给定 \(X\) 下独立于 \(T\)（或特定独立性条件，详见第三节）。
- 可观测数据：研究者实际能观测到的是 \(\{(Y_i, \Delta_i, X_i, L_{1i}, \dots, L_{ki}) : A_{1i}=\dots=A_{ki}=1\}\)，即只有满足所有截断条件的个体的数据。不满足条件的个体完全不可观测（连存在与否都不知道），这是截断与删失的根本区别。
第二步：最小内核——单一截断时间且截断依赖协变量的修正伪观察
剥掉顺序截断的复杂性（设 \(k=1\)），剥掉删失（设 \(C=\infty\)），剥掉AFT模型（只看Cox模型），剩下最小内核：
设定：只有单一截断时间 \(L\)，截断条件为 \(T \ge L\)（左截断）。截断时间 \(L\) 依赖协变量 \(X\)。可观测数据为 \(\{(T_i, X_i, L_i) : T_i \ge L_i\}\)。
简单伪观察为何失效： 传统伪观察构造为 \(\hat{\theta}_i^{PO} = n\hat{\theta} - (n-1)\hat{\theta}_{-i}\)。在独立左截断下，\(\hat{F}(t)\)（基于截断样本的KM型估计）是无偏的，伪观察可恢复个体对 \(\theta\) 的无条件贡献。但当 \(L\) 依赖 \(X\) 时，风险集的构成依赖 \(X\)，导致 \(\hat{F}(t)\) 的构造在条件 \(X\) 下有偏，进而 \(\hat{\theta}\) 的jackknife重构无法消除截断带来的条件依赖偏差。具体地，简单伪观察回归实质上估计的是 \(E[\hat{\theta}_i^{PO} | X_i]\)，而非目标 \(E[\theta_i | X_i]\)，两者在截断依赖 \(X\) 时不相等。
修正伪观察如何破局： 修正的核心是调整个体对 \(\hat{F}(t)\) 的贡献权重。在风险集计算中，个体 \(i\) 在时间 \(t\) 的风险集权重不再简单是 \(I(Y_i \ge t)\)，而是乘以一个修正因子 \(w_i(t) = P(T_i \ge t | X_i) / P(T_i \ge t | X_i, T_i \ge L_i)\)。在Cox模型下，\(P(T_i \ge t | X_i) = S(t | X_i)\)（生存函数），\(P(T_i \ge t | X_i, T_i \ge L_i) = S(t | X_i) / S(L_i | X_i)\)，因此 \(w_i(t) = S(L_i | X_i)\)。这个修正因子恰好抵消了截断条件 \(T_i \ge L_i\) 带来的选择偏差，使得修正后的风险集在给定 \(X\) 下恢复无偏性。基于修正风险集构造的 \(\hat{F}^*(t)\)，其jackknife伪观察 \(\hat{\theta}_i^{MPO} = n\hat{\theta}^* - (n-1)\hat{\theta}^*_{-i}\) 在截断依赖 \(X\) 下仍能无偏估计个体对 \(\theta\) 的无条件贡献。
数学本质：最小内核要证的命题是——在依赖协变量的左截断下，修正伪观察回归估计量 \(\hat{\theta}^{MPO}\) 的一致性。证明的关键跳跃在于：修正权重 \(w_i(t)\) 的引入使得 \(\hat{F}^*(t)\) 在条件 \(X\) 下的期望等于真实的无条件分布 \(F(t)\)，从而jackknife重构恢复了 \(E[\theta_i | X_i]\) 的无偏估计。顺序截断（\(k>1\)）的情形只是这个修正权重的递推叠加：\(w_i(t) = S(L_{1i} | X_i) \times \dots \times S(L_{ki} | X_i)\)。
三、这篇论文做了什么¶
三句话： ①研究了顺序截断数据下（截断可能依赖协变量）的回归建模问题。 ②核心工具是修正伪观察，通过调整风险集权重消除截断依赖协变量带来的偏差。 ③主要结论是：在Cox与AFT模型下，简单伪观察在截断依赖协变量时不一致，而修正伪观察恢复一致性，且模拟与阿尔茨海默病队列数据验证了修正方法的必要性。
关键设定与假设： 在第二节最小记号基础上补全： - 顺序截断条件：个体可观测当且仅当 \(T \ge L_1 \ge L_2 \ge \dots \ge L_k\)（或类似顺序约束，具体由数据机制定义）。本文主要考虑 \(T \ge L_1\) 且 \(L_1 \ge L_2\) 的两阶段顺序截断（阿尔茨海默病数据场景）。 - 假设1（截断独立性）：\((L_1, \dots, L_k, C)\) 在给定 \(X\) 下独立于 \(T\)。这是伪观察方法的基本条件，确保截断与删失机制不引入额外信息依赖。相比已有文献（如Andersen et al. 2003要求截断独立于 \((T, X)\)），本文放宽到允许截断依赖 \(X\)，但不能依赖 \(T\) 本身。 - 假设2（风险集可识别性）：修正权重 \(w_i(t) = \prod_{j=1}^k S(L_{ji} | X_i)\) 中的 \(S(\cdot | X)\) 可由回归模型（Cox或AFT）的一致估计量计算。这要求回归模型本身在修正前能提供一致的条件生存函数估计，形成了一个"自引用"循环——修正伪观察需要模型参数的一致估计来计算权重，而权重又是为了获得模型参数的一致估计。本文通过迭代/两步法破解此循环：先用简单伪观察获得初步一致估计（在截断依赖较弱时近似一致），再用其计算修正权重，最后用修正伪观察获得最终一致估计。 - 假设3（参数模型正确指定）：Cox模型 \(h(t|X) = h_0(t)\exp(\beta^T X)\) 或AFT模型 \(\log T = \gamma^T X + \epsilon\)（\(\epsilon\) 服从特定分布）正确指定。这是半参数回归的标准假设，未放宽。
主要结果： 1. 定理1（简单伪观察的不一致性）：在顺序截断且截断依赖 \(X\) 时，基于简单伪观察的Cox回归估计量 \(\hat{\beta}^{PO}\) 不一致。直觉：简单伪观察 \(\hat{\theta}_i^{PO}\) 的期望 \(E[\hat{\theta}_i^{PO} | X_i]\) 不等于目标 \(E[\theta_i | X_i]\)，偏差来源于截断条件对风险集的选择效应。必要条件：截断时间 \(L_j\) 的分布依赖 \(X\)。技术难点：证明不一致性需要精确计算jackknife重构在条件依赖下的期望偏差，本文通过风险集的条件概率展开完成。 2. 定理2（修正伪观察的一致性）：在假设1-3下，基于修正伪观察的Cox回归估计量 \(\hat{\beta}^{MPO}\) 一致。直觉：修正权重 \(w_i(t)\) 恢复了风险集在给定 \(X\) 下的无偏性，使得jackknife重构的期望回到无条件贡献。必要条件：修正权重的一致估计可用（假设2）。技术难点：一致性证明需要论证修正风险集下的 \(\hat{F}^*(t)\) 是条件无偏的，且jackknife重构的渐近性质不受权重估计误差影响（两步法的误差传播控制）。 3. 定理3（AFT模型的对应结果）：将定理1-2推广到AFT模型。AFT模型下修正权重的构造类似，但风险集的定义与Cox不同（基于残差而非时间），证明路线需调整。
证明路线与技术技巧： - 整体路线（以Cox模型修正伪观察一致性为例）： 1. 构造修正风险集：在顺序截断样本中，个体 \(i\) 在时间 \(t\) 的风险集权重定义为 \(w_i(t) = \prod_{j=1}^k \hat{S}(L_{ji} | X_i)\)，其中 \(\hat{S}\) 由初步Cox拟合提供。 2. 构造修正分布估计量：基于修正风险集计算 \(\hat{F}^*(t)\)（顺序截断下的NPMLE/SMPMLE，风险集权重替换为 \(w_i(t)\)）。 3. 构造修正伪观察：\(\hat{\theta}_i^{MPO} = n\hat{\theta}^* - (n-1)\hat{\theta}^*_{-i}\)，其中 \(\hat{\theta}^*\) 是基于 \(\hat{F}^*(t)\) 的Cox部分似然估计量。 4. 证明条件无偏性：展示 \(E[\hat{F}^*(t) | X] = F(t)\)，即修正权重抵消了截断条件 \(I(T \ge L_j)\) 带来的选择偏差。 5. 证明一致性：基于条件无偏性，论证 \(\hat{\theta}^{MPO}\) 的期望收敛到真实 \(\theta\)，且两步法的权重估计误差在渐近下可忽略。 - 关键跳跃点：步骤4中，修正权重 \(w_i(t) = S(L_{ji} | X_i)\) 恰好是截断条件 \(I(T \ge L_{ji})\) 在给定 \(X_i\) 下的概率，因此乘以 \(w_i(t)\) 等价于除以 \(P(T_i \ge L_{ji} | X_i)\)，即逆概率加权（IPW）的思想。这个跳跃将伪观察方法与IPW统一：修正伪观察本质上是IPW修正后的jackknife重构。 - 技术技巧点名： - Jackknife重构：用于构造伪观察 \(\hat{\theta}_i = n\hat{\theta} - (n-1)\hat{\theta}_{-i}\)，核心工具，消除删失/截断的条件依赖。 - 逆概率加权（IPW）：用于修正风险集权重 \(w_i(t)\)，抵消截断选择偏差。 - 两步估计：先用简单伪观察拟合初步模型计算 \(\hat{S}\)，再用 \(\hat{S}\) 构造修正权重，最后用修正伪观察拟合最终模型。控制两步估计的误差传播是证明的关键。 - 条件期望展开：在证明不一致性与一致性时，反复使用 \(E[\cdot | X, T \ge L_1, \dots]\) 的展开，将截断条件的影响显式化。
真实例子与应用： - 数据：阿尔茨海默病队列研究（来自某流行病学队列，具体数据集名称在文中给出）。 - 场景：个体只有在存活到进入队列的时间（\(L_1\)）且未在进入前发病（\(L_2\)）时才被观测，即 \(T \ge L_1\) 且 \(L_1 \ge L_2\) 构成顺序截断。截断时间 \(L_1, L_2\) 依赖协变量（如年龄、基因型）。 - 如何用上去：分别用简单伪观察与修正伪观察拟合Cox模型（发病时间对年龄、基因型等的回归），比较两者估计结果。 - 结果：简单伪观察的估计与修正伪观察有显著差异，修正伪观察的估计更符合临床预期（如年龄效应更大），验证了截断依赖协变量时修正的必要性。 - 想说明什么：展示修正伪观察在真实顺序截断数据下的实际适用性，并验证简单伪观察在截断依赖协变量时的偏差不可忽略。
🔎 结论是否比证明窄： - 本文在定理2中严格证明了一致性，但未给出渐近正态性或方差估计的严格理论。文中提到方差可通过jackknife方差估计获得，但这是基于Andersen et al. (2003)在删失数据下的结论外推，未在顺序截断下严格证明。这是一个"条件X下严格证明一致性，却被泛泛claim可用于推断"的地方。 - 两步法的误差传播控制仅在渐近下论证，未给出有限样本下的高阶展开（如二阶偏差），这也是结论比证明宽的地方。
四、开放问题（点到为止）¶
- 修正伪观察的渐近正态性与有效方差估计：本文严格证明了一致性，但渐近分布与jackknife方差估计在顺序截断下的严格理论未建立。扎根在定理2的证明末尾与讨论部分，作者承认"variance estimation via jackknife needs further theoretical justification in this setting"。
- 截断机制依赖 \(T\) 本身时的识别与估计：假设1要求 \((L_1, \dots, L_k)\) 给定 \(X\) 下独立于 \(T\)，若截断时间直接依赖事件时间（如 \(L_1 = f(T)\)），修正权重 \(w_i(t)\) 的构造失效，识别性本身可能不成立。扎根在假设1的陈述与讨论部分的limitations。
- 两步估计的高阶偏差与有限样本性质：两步法的权重估计误差在渐近下可忽略，但有限样本下的二阶偏差未刻画，尤其当初步估计（简单伪观察）本身偏差较大时。扎根在定理2证明中"the error from the first-step estimator is asymptotically negligible"的论证，此处未做高阶展开。
- 与IPW/边际结构模型的直接效率比较：修正伪观察本质上是IPW修正后的jackknife，但未与纯IPW方法（如Robins的边际结构模型）在效率与稳健性上做理论对比。扎根在intro中未引用IPW路线的缺口，以及模拟部分只比较了简单与修正伪观察，未引入IPW baseline。
要确认某条是不是真gap，建议读近期5篇关于截断数据回归与伪观察的intro——若都指向渐近分布/效率比较 = 共识（真gap），若互相打架 = 机会。
Maintained by 陈星宇 · Homepage · Source on GitHub