Causal Mediation Analysis with Mediator-outcome Confounders Affected by Exposure: On Definition and Identification of Generalized Natural Indirect Effect

作者: Yan-Lin Chen, Tsung Yu, Sheng-Hsuan Lin
来源: Epidemiology
主题: 因果推断
相关性: 9/10
链接: https://doi.org/10.1097/ede.0000000000001922

---

一、领域脉络与小综述

这个方向是什么

本子方向的核心是 因果中介分析（Causal Mediation Analysis） ，旨在将暴露对结局的总效应分解为通过某中介变量（间接效应）与不通过该中介变量（直接效应）的路径。核心的科学问题是：当存在 受暴露影响的中介-结局混杂变量（intermediate confounders） 时，如何定义并识别一个在流行病学上有意义的间接效应测量，使得效应分解仍然能够正确地反映中介机制。当前该领域的成熟度较高，但关于中间混杂场景下的识别问题仍存在概念性挑战。

发展脉络（history）

1. 奠基工作 —— 基于结构方程模型的中介分析

   • Baron & Kenny (1986) ：提出了经典的线性路径回归方法，将中介效应定义为 a × b（暴露→中介的系数 × 中介→结局的系数）。该方法依赖线性、无交互、无中间混杂等强假设，是现代中介分析的基石。
   • Pearl (2001, 2009) ：提出了基于 非参数结构方程模型（nonparametric SEM）且误差项独立 的现代中介分析框架。在该框架下，自然间接效应（Natural Indirect Effect, NIE） 和 自然直接效应（Natural Direct Effect, NDE） 被正式定义，其识别需要 交叉世界假设（cross-world assumptions） （例如，涉及反事实 M_a 和 Y_{a', M_a} 的联合分布）。该工作建立了中介分析的因果严格基石。

2. 主要进展 —— 意识到交叉世界假设的不可检验性与中间混杂问题

   • Robins & Greenland (1992) 、Robins (2003) ：强调自然效应（如NIE）的识别依赖于交叉世界独立性假设，这一假设在非参数模型下 不可检验（untestable） ，且通常需要额外的不确定性（如无交互假设）才能进行参数估计。
   • VanderWeele & Vansteelandt (2009, 2014) ：将中介分析扩展到更现实的场景，如二值结局、暴露-中介交互，但仍需在不存在中间混杂的假设下进行。他们指出，当存在受暴露影响的中间混杂（如常见的L，它受暴露影响，又同时影响中介和结局）时，即使使用非参数SEM，NIE也是不可识别的。这一结论是本文的出发点。

3. 当前 Frontier —— 对不可识别性的应对策略

   • VanderWeele, Vansteelandt, & Robins (2014) ：为了绕过NIE的不可识别性，他们提出了 介入性间接效应（Interventional Indirect Effect, IIE） 。IIE不是基于自然效应（将个体层次的M固定为某种受暴露影响的自然值），而是通过一个随机干预将所有个体的中介水平设定为从某种受暴露人群的分布中随机抽取的值。IEE的显著优点是：其识别不需要交叉世界假设，只需要顺序可忽略性假设。因此，即使存在中间混杂，IIE也是可识别的。
   • 本文（Chen, Yu, & Lin） ：作者指出，尽管IIE可识别，但其定义（通过随机干预将中介固定为从人群分布中随机抽取的数值）使其 失去了“自然”的中介解释。对于一个特定的个体，我们无法确定其受到的中介效应是什么，因为它来自一个随机抽取过程。因此，作者提出了 广义自然间接效应（Generalized Natural Indirect Effect, Generalized NIE） ，旨在保持NIE的“自然”中介解释（即：对于同一受试者，在比较M在暴露与未暴露下的自然值时，其结局的差异），同时通过放宽识别假设（利用无异质性假设）使得在中间混杂存在时变得可识别。他们引入的判据（mediator interpretability criteria）排除了IIE，但所有广义NIE均满足。

子线索聚类（被引文献的聚类）

1. 传统NIE与自然直接效应（NDE）的识别线：

   • 做什么：基于非参数SEM，定义并识别NIE和NDE。核心工具是交叉世界反事实。
   • 关键假设：交叉世界独立性、顺序可忽略性、无中间混杂。
   • 代表文献：Pearl (2001); Imai, Keele & Tingley (2010).

2. 介入性间接效应（IIE）的识别线：

   • 做什么：提出一种不依赖交叉世界假设的间接效应度量，通过随机干预中介水平来定义。识别仅需顺序可忽略性，对中间混杂自然友好。
   • 关键假设：顺序可忽略性（无交叉世界假设）。
   • 代表文献：VanderWeele, Vansteelandt, & Robins (2014); Vansteelandt & Daniel (2017).

3. 广义NIEs与新判据的提出（本文的主要贡献）：

   • 做什么：在保留NIE的“自然”构念动机下，引入一个更宽泛的间接效应定义类（广义NIE），并附加一个“中介可解释性判据”来筛选。发现NIE是该类的一个特例，IIE不满足判据。
   • 关键假设：在广域NIE框架下，通过增加无异质性假设（no-heterogeneity assumption） 使NIE变得可识别。
   • 引起注意的未引用或淡化：作者在引言中并未大量引用关于高维中介分析或时序中介（如长期纵向中介）的文献。这些子方向也面临中间混杂问题，但处理方式不同（如使用g-estimation或M-structures）。这提示可能存在替代路线（如通过结构学习或d-separation）被淡化。值得研究者去查的问题：是否有其他方法框架（如g-formula的直接应用）在中间混杂下也能定义出有意义的间接效应，但被作者归类为“非本文重点”而略过？

这个方向在追问的核心问题

• 识别问题：在中间混杂存在时，如何定义一个 在非实验数据中可识别 的间接效应？NIE在标准SEM下不可识别，IIE可识别但牺牲了自然解释。
• 定义的理论一致性：一个合理的间接效应度量，应该满足哪些理论判据（如解释性、单调性、在不存在间接效应时为0）？
• 异质性假设的角色：原则上不可识别的NIE，在什么样的“无异质性假设”下变成可识别的？这个假设在流行病学中是否合理？
• 实用的替代度量：当无法满足绝对严格的交叉世界假设时，哪个度量是流行病学实践者应该首选的可识别且有意义的间接效应？

⚠️ 作者的 framing

• 这是作者的说法：作者将缺口 frame 成 “IIE满足可识别性，但它的定义（随机抽一个中介值）使得它不是一个‘自然’的、针对个体成因的解释。因此我们需要一个介于NIE和IIE之间的新一类效应——广义NIE——它既能维持NIE的‘针对同一受试者比较不同中介值’的自然解释，又在中间混杂下通过合理假设变得可识别，且能通过我们提出的新判据。” 作者通过引入“中介可解释性判据”，成功地将IIE排除在“合理”度量之外，从而使广义NIE成为唯一合理的选择。
• 淡化或回避的竞争路线：作者明确提到，IIE的识别不需要交叉世界假设，而NIE需要。但作者强调IIE不满足新判据，从而削弱了其作为替代的地位。对于其他可能的间接效应定义（例如，基于方差分解或信息论的度量）并未讨论。什么明显该被引/该存在、却没出现在introduction里？ 可能缺少对 路径分析 的更古老讨论（如Wright的路径系数）以及 使用g-estimation和rank-preserving models处理中间混杂 的文献（如Robins, 1994; Hernán & Robins, 2020 的IPTW/g-computation框架）。这些框架可能在不定义反事实中介变量本身的情况下实现效果分解。

张力

未见明显对立引用。不同工作（NIE vs. IIE）处于不同假设下，得出互补（而非矛盾）的结论。核心张力不在于数学结果矛盾，而在于 “自然的因果解释 vs. 更宽的识别性”之间的权衡。

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

符号（均为随机变量或分布中的量）： - A：暴露（Exposure），通常是二值（a = 1 代表暴露，a = 0 代表未暴露）或连续。核心 estimand 是 A 对 Y 的间接效应。 - M：中介变量（Mediator），可能是一个或多个连续/离散变量。 - Y：结局变量（Outcome），可为连续或二值。 - L：中间混杂变量（Intermediate Confounder），受暴露影响，同时影响中介M和结局Y。是本文的核心困难来源。 - C：基线混杂变量（可观测的背景协变量），影响 A, L, M, Y。在标准假设下，这些 C 被视为已知并处理。 - 潜在（反事实）变量： - M_a：当暴露 A = a 时的中介变量值（潜在结果）。 - Y_{a, m}：当暴露 A = a，中介固定为 m 时的结局值（潜在结果）。交叉世界假设涉及到 Y_{a, M_{a'}}（当暴露 a' 时的中介值，与当暴露 a 时的结局值）。 - Y_a：当暴露 A = a 时的结局值（总效应潜在结果）。 - L_a：当暴露 A = a 时的中间混杂值。

模型（一般框架）： - 非参数结构方程模型 (nonparametric SEM with independent errors)：作者以此作为基准框架。在该模型中，变量生成机制是随机的：C → A → (L, M, Y)。关键假设是误差项之间的独立性，这使得 M_a 和 Y_{a, M_{a'}} 可以被定义并用于构造效应（交叉世界假设本质上就是要求这些潜在结果变量在特定条件下条件独立）。 - 设定：暴露 A、中间混杂 L、中介 M、结局 Y。基线协变量 C。 - 核心识别假设（顺序可忽略性 / Sequential Ignorability）： 1. 给定 C，{M_a, Y_{a,m}} ⊥ A （无未测量的暴露-结局/暴露-中介混杂） 2. 给定 A 和 C，Y_{a,m} ⊥ M （给定暴露和基线，无未测量的中介-结局混杂） 3. 给定 A 和 C，M_a ⊥ L ? (非典型假设)

可观测数据： - 独立同分布样本：{(A_i, C_i, L_i, M_i, Y_i)}_{i=1}^{n}。 - 我们能观测到在给定暴露下的实际中介值和结局值。 - 我们不能直接观测到任何反事实量（如 M_a 或 Y_{a, m}）。识别问题就是要用可观测数据的分布函数（通过估计）来估计这些反事实量定义的效应。

第二步：最小内核

本文的核心思路是：将原本不可识别的NIE，通过引入一个“无异质性”假设，使其在一个更宽泛的间接效应定义类（广义NIE）中变成可识别的。

最简特例：假设 A 是二值（0/1），L 是中间混杂，M 是中介，Y 是结局。我们只关心 自然间接效应： NIE(1,0) = E[Y_{1, M_1} - Y_{1, M_0}] (或 E[Y_{1, M_1} - Y_{1, M_0} | C])。这是将暴露固定为1时，比较在不同暴露水平下中介的反事实值（M_1 vs. M_0）导致的结局差异。

问题：在中间混杂 L 下，直接估计 E[Y_{1, M_0}] 需要知道交叉世界变量 Y_{1, M_0} 的联合分布，这在非参数模型下不可识别。

最小内核（广义NIE的定义）： 作者引入一类广义自然间接效应。最直观的一个特例是，考虑一个随机干预分配，它不直接使用“受暴露影响的”中介值（如 M_1），而是使用一个独立于个体的、从另一受暴露水平人群的中介分布中随机抽取的值 M'。

广义NIE的一种形式： Generalized NIE = E[ Y_{1, M_1} ] - E[ Y_{1, M_h} ]， 其中 M_h 是从一个受暴露水平的对照分布下中介的条件分布 P(M | A=0, C) 随机抽样的值。注意，这里的 M_h 是随机变量，与个体 i 无关。

这个特例下，问题退化成什么？ 1. IIE就是该广义NIE的特例：当 h 取 P(M | A=0, C) 时，这个广义NIE就是经典的介入性间接效应（IIE），其识别已知成立（不需要交叉世界假设），但作者认为它不满足“中介可解释性判据”。 2. 关键跳跃点：为了定义“更自然的”间接效应，作者让 M_h 取决于暴露 a 的水平。例如，让 M_h 是从 P(M | A=1, L, C) 中随机抽取。此时，这个广义NIE对应于“比较在暴露状态下观察到的中介，与在暴露状态下、给定其现实中间混杂下的随机对照中介”。这种构造保留了NIE“比较同一受试者不同中介路径”的自然直觉，但因为 M_h 是随机（而非个体化的自然值），所以在L存在时也可以识别。

证明怎么走？ - 可识别性：上述定义的广义NIE（包括通过随机干预定义的）可以表示为E[E[Y | A=1, L, M, C] - E[Y | A=1, L, M_h, C]] 的某种形式。通过次序可忽略性（仅需给定L和C下的Y ⊥ M 以及无未测量的混杂），能够将可观测分布与待估量连接起来，从而不需要交叉世界假设。 - “自然性”的实现：在 无异质性假设（No interaction / monotonicity） 下，E[Y_{1, M_1} - Y_{1, M_h}] 退化为 E[Y_{1, M_1} - Y_{1, M_0}]，即NIE。因此，当我们认为在某些科学背景下，暴露与中介对结局的效应没有显著交互作用时，广义NIE的值就等于NIE，从而将NIE“懒惰地”识别为广义NIE。

核心思路：先定义一类广义的、可识别的间接效应（不需要交叉世界假设），然后通过一个可检验/可假设的“无异质性”条件，说明原来的NIE恰好是广义NIE的一个特例，从而间接标识NIE。 这类似于用连续逼近的方式绕开一个非识别问题。

三、这篇论文做了什么

• 三句话：
  1. 研究了什么问题：在中间混杂 L 存在时，自然间接效应（NIE）在非参数SEM下不可识别；作者旨在定义一类 广义自然间接效应（Generalized NIEs） ，使其在保留NIE“自然解释”的同时，通过更弱的假设变得可识别。
  2. 核心工具/方法：引入“广义NIE”的数学定义类，并建立 中介可解释性判据（Mediator Interpretability Criteria） 来筛选合理的间接效应度量。通过证明在 无异质性假设 下，广义NIE退化为标准NIE，从而在可识别的框架下识别了NIE。
  3. 主要结论：广义NIE包含NIE作为特例，满足新判据；介入性间接效应（IIE）不满足新判据。因此，在中间混杂不可避免的流行病学实践中，广义NIE（而非IIE）是更合理、实用的间接效应度量。

关键设定与假设

完整设定（在第二节记号基础上补充）： - 数据生成模型：假设 C → A → L → (M, Y)，且可能存在其他从 C 到 L, M, Y 的箭头。核心是中间混杂 L 会影响 M 和 Y。 - 潜在结果框架：采用 NPSEM-IE (Nonparametric Structural Equation Model with Independent Errors) 框架。 - 识别假设（作者用语）： - 假设 1 （顺序可忽略性）：{M_a, Y_{a,m}} ⊥ A | C（无未测量的暴露-结局/暴露-中介混杂）。 - 假设 2 （顺序可忽略性）：Y_{a,m} ⊥ M | A, C, L（给定暴露和基线，无未测量的中介-结局混杂，且L已包括）。 - 假设 3 （无异质性假设，用于恢复NIE）：E[Y | A, L, M, C] - E[Y | A, L, M', C] 关于 (L, M, M') 的形式在某种意义下不随 (M, M') 的分布差异而改变。具体是假设间接效应的异质性（heterogeneity）为零，即：个体的 Y_{1, m} - Y_{1, m'} 与 M_1 和 M_0 之间的差异无关。这是将广义NIE恢复为NIE的核心条件。

相比已有文献的放宽/强化： - 比NIE放宽：广义NIEs的识别不需要交叉世界假设（这是对NIE的巨大放宽）。 - 比IIE强化：广义NIEs需要满足“中介可解释性判据”（IIE不满足）。此外，当要恢复成NIE时，需要额外的无异质性假设（IIE不需要）。从数据要求看，广义NIEs可能需要对L进行更细致的模型化，而IIE只需要边际分布。

主要结果

理论型：核心是识别与定义结果，而非具体数值。

1. 定理 1: 广义NIEs的可识别性。

   • 陈述：在假设1-2下，所有本文定义的广义NIE（包括基于随机干预的版本）都是可识别的（可以用可观测数据的函数表示）。
   • 直觉：通过不涉及反事实 M_0 的定义（例如，使用从 P(M | A, L, C) 中随机抽样的 M_h），使得识别只依赖于已知的因果链条 A → L → (M, Y)。不需要知道 M_0 和 Y_{1, M0}` 的联合分布。
   • 必要条件：顺序可忽略性假设1和2。无需交叉世界假设。

2. 定理 2: NIE为广义NIE的一个特例。

   • 陈述：在满足 无异质性假设（假设3） 的条件下，NIE(a, a') 等于某一类广义NIE（例如，基于 P(M | A=a', L, C) 随机化版本）。
   • 解决的技术难点：NIE(a, a') 本身不可识别（无交叉世界假设）。这里，通过一个强烈且不可检验的假设（无异质性），将它从不可识别的概念空间“拉入”可识别的广义NIE集合。效果类似：NIE在一个很强的科学信念下，变成了可识别的。

3. 新判据：中介可解释性判据。

   • 内容：期待一个间接效应度量满足以下性质（作者语）：
     • (i) 对比同一受试者的不同中介值（赋予自然解释）。
     • (ii) 在间接效应不存在（即 M 对 Y 无任何效应）时，间接效应应为0。
     • (iii) 可解释性：在平均层次上，对间接效应的解释应该能还原到个体层次的反事实比较。
   • 判定结果：IIE（随机干预版本）违反判据(iii)，因为它不是基于个体层次的自然中介值对比（一个随机抽取的中介值，对不同个体含义不同）。所有广义NIE均满足。

证明路线与技术技巧（理论型必写，要具体）

整体路线（3步逻辑主干）： 1. 定义空间构建：首先定义广义NIE类 G。定义方式：对于一些函数 h(a, l, c) = E[ M | A=a, L=l, C=c] 的变换，构造反事实 M_h。核心是 M_h 的分布只依赖于 (A, L, C)，而不依赖于特定个体的 M 值（即它是随机的/外源的）。这是识别性的关键。 2. 可识别性证明：证明对于每一个 g ∈ G，其等于某个可观测量的函数。利用顺序可忽略性（假设1-2），将E[Y_{a, M_h}] 分解为 E[E[Y | A=a, L, M, C]] 对 (L, M_h) 的积分。由于 M_h 的分布已知，整个表达式退化为可回归式。 3. NIE的识别桥接：引入假设3（无异质性），证明该条件下 E[Y_{a, M_1} - Y_{a, M_0}] 等于 E[Y_{a, M_1} - Y_{a, M_h}]。因此，NIE = 广义NIE (属于 G) 是可识别的。

关键跳跃点： - 跳跃点1：如何定义有自然解释的广域类？ 作者通过允许 h 函数依赖于 L（而非只依赖 A），保留了“比较在相同 (A, L, C) 条件下的不同中介水平”的自然直觉，从而保持了“自然性”（判据(i)）。这个设计绕开了IIE“随机抽一个值”导致的解释性问题。 - 难点1：如何证明NIE是广义NIE的特例？ 并不直接证明两个反事实等式，而是证明在无异质性下，E[Y_{a, M_1} - Y_{a, M_0}] = E[Y_{a, M_1} - Y_{a, M_h}]。这依赖于假设3中异质性为零（即 E[Y_{a, M_1} - Y_{a, M_h} | C] = E[Y_{a, M_1} - Y_{a, M_0} | C]）。这本质上假设了 M_0 与 M_h 之间关于结局的异质性为零。这是一个很强的非可检验假设。 - 难点2：判据的设计：作者需要设计一组判据，使得IIE恰好被排除，而所有广义NIE都通过。判据(iii)（可解释性）的设计证明了对IIE的排除。作者需要论证，对于IIE，平均大致等于“随机抽一个中介，看其效应的平均值”，这不符合“自然的、基于个体真实自然值的对比”的解释，而广义NIE能做到。

技术技巧点名： - 潜在结果框架的代数操作：利用反事实定义，进行代数等式推演。 - 次序可忽略性（classical g-formula / IPW 框架的重用）：主要依赖标准的因果识别技术，没有高等统计工具。证明本身是纯概念性的代数推导，不涉及高阶统计、随机过程或计算复杂性。

真实例子与应用

本文为例：论文没有提供真实数据分析或模拟实验。这是一篇纯理论识别论文。它为流行病学研究者提供了一个新的理论度量框架，但并未展示该度量在实际数据中如何计算（例如，估计使用G-computation还是IPW）、其有限样本性质、以及与其他估计方法（如DML）的比较。

我的说明：本文为纯理论/无实证例子。

🔎 结论是否比证明窄？

是的，需要谨慎对待。 - 结论宣称：“在额外无异质性假设下，NIE等于该广义NIE从而变得可识别。” - 实际证明：这是在一个非常强的、不可检验的假设（无异质性）下成立。在流行病学实践中，暴露与中介之间完全无交互、或同质性假设经常不成立。 - 值得注意的狭窄点： - 局限性声明：作者承认，无异质性假设很严格，且很难检验。因此，论文的实用价值高度依赖于这个假设在特定研究背景下的合理性。 - 未触及估计与推断：论文只关心定义为何、是否可识别，并没有涉及如何估计。论文没有指出在 L 很高维或复杂时，E[Y | A, L, M, C] 的非参数估计是否存在维度灾难、需要怎样的光滑性。因此，识别不等于估计可行。在无实证例子下，无法验证该定义的“实用性”。

四、开放问题（点到为止，扎根具体语句）

1. 如何高效估计广义NIE？ 论文指出它在 (A, L, M, C) 的结构下可识别，但没有给出具体的估计量、效率界或方差估计。扎根语句：引言最后一句“...highlight the generalized NIEs as a more pragmatic and reasonable alternative...”。从“pragmatic”到“我们怎么用”之间有巨大的技术空白。是否能使用DML、TMLE或g-computation进行估计？效率界是什么？

2. 无异质性假设的门槛：论文将此假设表述为识别NIE的“钥匙”，但未讨论其具体统计形式（如 E[Y|A, L, M, C] 的加性分解？还是某类单调性？）。扎根语句：“When an additional no-heterogeneity assumption is imposed, the NIE becomes equal to this generalized NIE”。这是一个非常关键的、不可检验的条件。对于流行病学研究者，是否可以从数据中部分检验该假设？或者提出更弱的可检验版本？

3. 广义NIE的判据（Mediator Interpretability Criteria）的完备性：作者创造了三个判据，并断言IIE违反判据(iii)。但该判据的提出是主观的——它是否完备？是否有别的判据（如单调性、反事实毒性的非线性等）是更合理的？扎根语句：“We propose new indirect effect measures criteria that ensure valid mediation interpretation...”。该判据的设计是否唯一？有没有可能设计出其他满足判据的度量，使得其包含了IIE？这需要逻辑严密性研究。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论