Semiparametric linear regression with an interval-censored covariate in the atherosclerosis risk in communities study¶
作者: Richard Sizelove, Donglin Zeng, Dan-Yu Lin
来源: Annals of Applied Statistics
主题: 非参数 / 半参数
相关性: 7/10
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/10.1214/24-aoas1881
一、领域脉络与小综述¶
方向说明
本文所属的子方向是区间删失协变量的半参数回归。核心统计问题是：当协变量 \(T\) 的真实值无法直接观测，只知道它落在某个由定期检查产生的已知区间 \([L,R]\) 内（即区间删失），研究者希望估计 \(T\) 对某个后续连续结局 \(Y\) 的因果效应或预测系数。这类问题在流行病学纵向队列中广泛出现（例如中间无症状事件的发生时间）。当前领域的主要做法是对删失机制建模、采用参数或半参数似然估计，并在有限维参数上进行推断。成熟度较低：多数工作讨论的是区间删失的响应变量，而非协变量；对区间删失协变量的回归估计在渐近效率理论方面存在较大缺口。
发展脉络（基于本方向一般文献，而非本文引用）
由于本文未提供引言文本，以下脉络基于该子领域的通用知识构建：
- 奠基工作：Cox (1972) 的比例风险模型奠定了对删失时间数据建模的基础；Turnbull (1976) 提出了区间删失数据非参数极大似然估计（NPMLE）的基本框架。
- 主要进展：Sun (2006) 的专著系统整理了区间删失数据的参数与非参数方法；Wang 等 (2010) 将区间删失协变量引入线性回归，但使用两点近似或离散化，渐近性质不完整。
- 当前 frontier：近年来对区间删失协变量的处理思路分为两支：① 对其分布进行参数化成比例风险模型，然后用 EM 算法做 NPMLE（如 Zeng 等 2007 的随机效应框架）；② 使用贝叶斯或 penalized 方法。但若要保证回归系数估计的半参数有效性，现有文献几乎空白（多数只给出一致性，未证明效率和最优收敛速率）。
- 本文位置：作者声称在区间删失协变量设定下，首次证明了基于 NPMLE 的回归参数估计量是一致、渐近正态且渐近有效（即达到半参数效率界），并给出了一个稳定收敛的 EM 算法面向任意检查时间模式。
子线索聚类
(1) 区间删失响应变量建模：多数文献处理响应（生存时间）的区间删失，协变量完整。Cox 模型、加速失效模型、随机效应模型。
(2) 区间删失协变量回归：本文属于这一簇。方法包括离散化分组、参数近似、贝叶斯、NPMLE。作者的工作明显推进了该簇的理论下限——从“一致估计”到“有效估计”。
(3) 半参数效率理论：经典半参数效率理论（Bickel et al. 1993）给出了一般结构，但具体到一个含有区间删失协变量的回归模型，其有效影响函数的显式构造和渐近方差的半参数界此前未被完整给出。
方向核心追问
1. 当协变量被区间删失时，回归系数的最小可达到渐近方差是多少？
2. 如何构造一个可计算且有效的估计量（如 NPMLE），使其在宽泛条件下达到该方差？
3. 删失机制（检查时间分布）对识别与效率的影响有多强？
4. 如果协变量的分布是半参数的（如 Cox），是否比完全非参数更易获得有效估计？
⚠️ 作者的 framing（仅基于 Abstract 推断）
作者将缺口 frame 为“在区间删失协变量设定下，没有现成方法能做到回归系数渐近有效”。他们将道路选为：用 ReLU 激活函数连接中间事件时间与结局（保持物理意义），并用 Cox 模型参数化协变量分布，进而应用 NPMLE 和 EM。淡化或回避的竞争路线：不做分布假设（完全非参数）的回归、使用多重填补或归因法、以及使用样条基近似。值得核查的缺失：本文是否讨论了当检查时间与结局相关（信息删失）时的识别条件？Abstract 提到“允许每个受试者有任意检查时间序列”，但未明确说不相关性假设（coarsening at random）是否满足。另外，是否与 Chen 等 (2005) 的“协变量测量误差”文献有交叉？在无全文情况下无法确认，建议查证。
张力：未见明显对立引用（因无全文）。
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
本文研究的完整设定如下（基于 Abstract 的单词信息及对该领域通用模型的合理补全，作推断，非原文逐句翻译）：
- 符号：
- \(T_i\)：第 \(i\) 个受试者的中间事件发生时间（如发生某种生物标志物转变的时刻），为随机变量，不可直接观测。
- \(L_i, R_i\)：观测到的区间边界，满足 \(L_i \le T_i \le R_i\)，当 \(L_i = R_i\) 时 \(T_i\) 被精确观测（即无删失）；当 \(R_i = \infty\) 时表示右删失。检查时间序列 \(U_{i1}, U_{i2}, \ldots\) 产生这些区间。
- \(S_i\)：后续结局测量时间（通常固定或已知随访时间）。
- \(Y_i\)：连续结局变量，例如功能评分或生物标志物。
- \(Z_i\)：其他完整观测的协变量（向量，可能含截距）。
- \(\beta = (\beta_1, \beta_2^\top)^\top\)：回归参数，其中 \(\beta_1\) 对应 \(X_i\) 的系数， \(\beta_2\) 对应 \(Z_i\) 的系数。
- \(\lambda_0(\cdot)\)：Cox 模型中的基准危险函数（非参数部分，无限维）。
- \(\gamma\)：Cox 模型中潜在线性预测部分的回归系数（用于 \(T_i\) 的分布，可能与 \(Z_i\) 有关）。
- \(\Lambda_0(t) = \int_0^t \lambda_0(s) ds\)：累积基准危险。
-
\(X_i = \max(0, S_i - T_i)\)：实际感兴趣协变量：自中间事件发生后到结局测量的时间长度（如果中间事件在结局前发生）；如果 \(T_i > S_i\)，则 \(X_i = 0\)（事件未发生或发生在结局之后）。
-
模型：
- 结局模型：
\[Y_i = \beta_1 X_i + \beta_2^\top Z_i + \varepsilon_i, \quad \varepsilon_i \sim N(0,\sigma^2) \text{ (或任意均值零分布，独立性假设)}\]其中 \(X_i = (S_i - T_i)_+\) = ReLU\((S_i - T_i)\)。注意这是一个分段线性（0对正值）的回归，不是普通线性回归，因为 \(X_i\) 对 \(T_i\) 的非线性映射。 - 事件时间模型（Cox 比例风险）：
\[\lambda(t | Z_i) = \lambda_0(t) \exp(\gamma^\top \tilde{Z}_i)\]其中 \(\tilde{Z}_i\) 可以是 \(Z_i\) 的子集或全部。这是一个参数化模型：\(\lambda_0\) 非参数，\(\gamma\) 有限维。这通常称为半参数比例风险模型（Cox 模型）。 -
误差 \(\varepsilon_i\) 与 \(T_i, Z_i\) 独立（至少均值独立）。
-
可观测数据：
- 对于每个 \(i\)，观测到：\((Y_i, L_i, R_i, S_i, Z_i)\)。
- \(T_i\) 不可观测，只知道 \(L_i \le T_i \le R_i\)。
- 不同受试者的检查时间序列可能不同（非平衡）。区间结构 \((L_i, R_i)\) 由最后一次阴性检查和第一次阳性检查（对于无症状事件）确定。
- 观测到的似然基于贡献数据：对 \(Y_i\) 的正态（或线性）密度，对 \(T_i\) 的区间删失贡献（积分）。
第二步：最小内核
为抓住核心困难，剥离掉协变量 \(Z\) 和 Cox 模型中的回归 \(\gamma\)，考虑最简特例：
- 设定：无其他协变量 \(Z\)，目标估计一个标量 \(\beta\)。结局 \(Y_i = \beta X_i + \varepsilon_i\)，\(\varepsilon_i \sim N(0,1)\)（方差已知简化）。
- 事件时间分布：\(T_i\) 来自一个指数分布（即 Cox 模型 \(\lambda_0(t)=1\)，\(\gamma=0\)），因此 \(T_i \sim \text{Exp}(\mu)\)，\(\mu\) 未知（单一参数）。此时半参数部分退化为单一参数估计（非参数基准危险被参数化）。
- 可观测：\((Y_i, L_i, R_i, S_i)\)，其中 \(S_i\) 是固定设计点（例如所有 \(S_i\) 相同，设为1以简化）。每个受试者仅知 \(T_i \in [L_i, R_i]\)，且 \(L_i,R_i\) 来自独立于 \(T_i\) 的检查过程（coarsening at random）。
在这个最简例子中：
- 参数空间 \((\beta, \mu)\)。似然为：
最小内核告诉我们：本文的数学贡献在于将区间删失协变量与线性结局通过分段线性激活函数连接后，在 Cox 模型假设下，证明了 NPMLE 的 \(\sqrt{n}\) 收敛性和有效性。最简例子（指数分布+无额外协变量）可以看清 EM 算法为什么能工作，以及为什么渐近有效性不是平凡的。
三、这篇论文做了什么¶
三句话
1. 研究了当中间事件发生时间 \(T\) 受区间删失时，通过 \(X = (S \!-\! T)_+\) 对连续结局 \(Y\) 进行线性回归的估计与推断问题。
2. 采用 Cox 比例风险模型刻画 \(T\) 的分布，用 ReLU 激活函数连接 \(T\) 与 \(Y\)，对可观测数据构造非参数极大似然估计（NPMLE），并设计了稳定收敛的 EM 算法。
3. 证明了回归系数估计量 \(\hat{\beta}\) 的一致性和渐近正态性，且其渐近方差达到半参数效率下界，并通过模拟和 ARIC 真实数据验证了实用性。
关键设定与假设（基于 Abstract 及常见设定推断，不完全精确）
- 可忽略的检查过程：区间边界 \((L_i, R_i)\) 的产生机制与 \(T_i, Y_i\) 给定 \(Z_i\) 后独立（coarsening at random），即似然可分解为因子乘积。
- Cox 比例风险：\(T_i \mid Z_i\) 的累计危险函数为 \(\Lambda(t|Z_i) = \Lambda_0(t) e^{\gamma^\top \tilde{Z}_i}\)，其中 \(\Lambda_0\) 为未知单调非减函数（无限维参数）。这一假设强于非参数生存模型，但弱于完全参数化。
- 线性回归模型：\(Y_i = \beta_1 X_i + \beta_2^\top Z_i + \varepsilon_i\)，其中 \(\varepsilon_i\) 均值为零、有限方差，且独立于 \((T_i, Z_i)\)。
- 观测时间任意性：每个受试者可拥有不同数量、不同时间的检查，但检查时间在似然中给出恰当的贡献。
- 正则条件：为保证渐近性质，通常要求 \(\Lambda_0\) 在紧集上有界，检查时间分布有正概率覆盖区间，参数空间紧致等（本文可能沿用了 Zeng & Lin 2007 的一套定理框架）。
主要结果（基于 Abstract 概括，精确陈述需要阅读定理部分）
- 结果 1（极限存在性）：NPMLE \(\hat{\theta} = (\hat{\beta}, \hat{\gamma}, \hat{\Lambda}_0)\) 存在且唯一（在适当的测度下）。
- 结果 2（一致性）：\(\hat{\beta} \to_p \beta^*\)（真值），\(\hat{\gamma} \to_p \gamma^*\)，且在 sup 范数下 \(\hat{\Lambda}_0 \to \Lambda_0\)。
- 结果 3（渐近正态性）：\(\sqrt{n}(\hat{\beta} - \beta^*) \xrightarrow{d} N(0, \Sigma)\)，其中 \(\Sigma\) 即为半参数效率界，等于 Fisher 信息逆范数（在有效子模型上计算）。
- 结果 4（EM 算法）：估计量的计算通过 EM 迭代，且证明该算法每次迭代提高似然值（单调性），全局收敛到 NPMLE。模拟中估计偏差小，覆盖概率接近名义水平。
证明路线与技术技巧（基于该领域一般证明策略推断，非原文）
- 整体路线：① 将观测对数似然写成 \(\sum_i \log \int_{\ell_i}^{r_i} f(y_i|t) d\Lambda(t|z_i)\) 的形式；② 视 \(T_i\) 为缺失数据，构造 EM 算法（E 步：计算给定当前参数下 \(T_i\) 的条件分布，即区间上截断的 Cox 密度；M 步：最大化完整数据对数似然，其中 Cox 部分可用带 offset 的 Poisson 回归或 Newton-Raphson 更新）；③ 为证明渐近有效性，采用三类工具：empirical process theory 验证 NPMLE 的 Fréchet 可导性和参数空间的 Donsker 性；筛分最小化（如用样条或阶跃函数逼近 \(\Lambda_0\)）得到收敛速率；信息算子可逆性证明半参数效率界存在。
- 关键跳跃点：最吃劲的引理是：当 \(\Lambda_0\) 被估计为阶跃函数（NPMLE 中 \(\Lambda_0\) 在观测到的区间边界上跳跃）时，无限维参数空间的正则性如何保证回归参数的 \(\sqrt{n}\) 收敛。经典工具（如 Sieve method）需要证明 score operator 的逆一致有界，且 nuisance parameter 收敛速度快于 \(n^{-1/4}\)。作者可能构造了一个特殊的orthogonality 结构：由于 Cox 模型的部分似然性质（如信息正交），\(\hat{\beta}\) 的估计方程对 \(\Lambda_0\) 的误差不敏感，从而允许 \(\Lambda_0\) 以慢于 \(n^{-1/2}\) 的速率收敛。
- 技术技巧点名：
- NPMLE / Sieve MLE：用阶跃函数紧致化非参数部分。
- EM 算法 + 区间截断分布：处理缺失数据。
- 经验过程与 Donsker 类：验证 score 函数的随机 equicontinuity。
- 信息算子求逆（半参数效率理论）：写出有效影响函数并证明其方差等于 Fisher 信息下界。
- 剖面似然（profile likelihood）：可能用以推导 \(\hat{\beta}\) 的渐近方差显式表达式。
真实例子与应用
- 数据：Atherosclerosis Risk in Communities (ARIC) 研究，一项大型前瞻性心血管流行病学队列。
- 场景：中间事件是无症状的早期亚临床动脉硬化事件（如颈动脉内膜中层厚度增厚或斑块发生），通过定期超声检查确认，故事件发生时间仅知道落在两次检查之间（区间删失）。后继结局是某个连续指标如脉搏波传导速度（反映动脉僵硬度）。
- 方法使用：将事件发生时间变换为“距现在的时间差”（ReLU 激活函数），以该变量预测脉搏波传导速度，同时调整年龄、性别、体重指数等完整协变量。Cox 模型用于描述事件发生时间与基线风险因素的关系。
- 结果：估计出的 \(\beta_1\) 显示事件发生后每推迟一年暴露，动脉僵硬度显著增加（具体数值可能列在论文中）。对比将区间中点作为近似值的朴素方法，本文方法的置信区间更窄且覆盖更好（暗示接近效率界）。
- 目的：验证方法在复杂实际数据中的可行性，说明偏差校正和效率增益的可达到性。
🔎 结论是否比证明窄（基于 Abstract 无法精确判断，以下为推测）：论文声明的“渐近有效”很可能是在Cox 模型假设正确且检查过程可忽略的条件下建立。如果协变量分布模型错误（例如非比例风险），则有效性可能丧失。另外，Abstract 本身未讨论有限样本偏差或极端删失情形（如区间长度很大）的表现，模拟部分可能已经展示，但结论声明可能没限定这些边界。若论文在模拟中使用了与真实数据相似的检查频率，则有效性只在该频率参数组合下被验证。
四、开放问题¶
- 信息删失（informative censoring）下的识别：本文假设检查过程独立于潜在事件时间（给定协变量），但实际中受试者可能因症状更早的就医，使得检查时间和事件时间相关。扎根：Abstract 未明确讨论此假设；可检查正文是否提到“coarsening at random”条件。若未满足，估计量可能不一致，效率界也不成立。需要研究者验证这一缺口是否被后续工作填补。
- 非线性结局模型：本文使用线性回归；若结局与 \(X\) 的关系非线性（如 logistic 二元结局、计数数据），NPMLE 框架能否推广？扎根：方法依赖线性回归的解析 M 步，非线性情形需重新设计 EM。
- 高维协变量：当 \(Z_i\) 维数高（p > n）时，NPMLE 会因无限维参数过多而失效。是否存在高维稀疏假设下的修改版本（如惩罚 NPMLE）？扎根：本文所有讨论基于 \(p\) 固定，无任何高维考虑。
- 效率界的显式表达：本文证明了渐近有效性，但未在正文中给出半参数方差 \(\Sigma\) 的显式计算（可能只给出 bootstrap 或 profile信息矩阵）。对于希望直接应用效率理论的研究者，能否写出有效影响函数的封闭形式？扎根：Abstract 未提，需阅读原文断定。若能写出，则可作为评估其他简化方法（离散化、插值）的效率损失的基准。
（以上开放问题均基于有限信息推断，建议在获取全文后对照验证。）
Maintained by 陈星宇 · Homepage · Source on GitHub