跳转至

Weighted biomarker variability in joint analysis of longitudinal and time-to-event data

作者: Chunyu Wang, Jiaming Shen, Christiana Charalambous, Jianxin Pan
来源: Annals of Applied Statistics
主题: 流行病学
相关性: 4/10
机构绿灯: University of Cambridge（US News 前 50，免分进入精读）
链接: https://doi.org/10.1214/24-aoas1896

一、领域脉络与小综述

这个方向是什么： 这个子方向要解决的根本统计/科学问题是：在纵向随访与生存数据并存的队列研究中，如何将生物标志物（如血压）的时变轨迹水平与其个体内变异性同时纳入对生存风险的预测与估计。当前该方向在流行病学与生物统计界已有大量应用型实证积累，但在变异性指标的数学定义、联合模型的理论性质（尤其是可识别性与渐近效率）上仍处于半成熟状态——实证结论多、严格理论少。

发展脉络： - 奠基工作：纵向与生存数据的联合建模框架由 Rizopoulos (2012) 与 Tsiatis & Davidian (2004) 等确立，核心是将纵向子模型（通常为线性混合效应模型）与生存子模型（通常为 Cox 模型或参数生存模型）通过共享随机效应耦合。作者在 intro 中引用此脉络作为"标准联合模型"（standard joint model）的起点，明确指出其只考虑了 biomarker 的当前水平，而忽略了变异性。 - 主要进展（变异性引入）：Mugabo et al. (2020) 与 Li et al. (2020) 等开始在联合模型中引入个体特异性的变异性指标（如残差标准差或方差参数），将其作为额外随机效应放入生存子模型。作者引用这些工作时指出其局限："existing approaches typically treat variability as a single scalar parameter (e.g., residual variance) per subject, which fails to capture how variability evolves over time"。 - 当前 frontier（累积效应与权重）：Yan et al. (2022) 等探索了将 biomarker 的累积历史水平（而非仅当前值）放入生存模型，引入权重函数以允许不同历史时刻对风险有不同贡献。作者引用此路线，但指出其仍未触及变异性："they focus on cumulative level, leaving cumulative variability unaddressed"。 - 本文的位置：作者将自己定位在上述两条 frontier 的交汇处——既引入轨迹粗糙度作为时变变异性指标，又允许该变异性与水平一样具有加权累积效应，从而填补"weighted cumulative variability"这一空白。

子线索聚类： 1. 共享随机效应联合模型（Rizopoulos 2012, Tsiatis & Davidian 2004）：做水平与生存的耦合，不涉及变异性。 2. 标量变异性联合模型（Mugabo 2020, Li 2020）：将变异性压缩为个体单一方差参数，放入生存子模型。 3. 加权累积水平联合模型（Yan 2022）：引入权重函数刻画历史水平的时变重要性，但不涉及变异性。 4. 本文：加权累积水平 + 加权累积粗糙度联合模型：将变异性定义为轨迹二阶导数的积分（粗糙度），并赋予其权重函数与尺度参数。

这个方向在追问的核心问题： 1. 变异性如何定义：个体内 biomarker 变异性究竟是残差方差、斜率方差，还是轨迹的动态粗糙度？不同定义对生存风险的预后价值有何差异？ 2. 历史如何加权：biomarker 的远期历史与近期历史对当前风险事件的贡献如何随时间衰减或累积？权重函数应取何种参数族？ 3. 可识别性与渐近性质：当联合模型中同时存在水平随机效应、粗糙度随机效应、权重尺度参数时，MLE 在什么条件下可识别？渐近分布为何？ 4. 计算可行性：含 spline 随机系数与权重函数的联合模型，其似然函数的数值积分与 EM 迭代在维数增长时是否仍可行？

⚠️ 作者的 framing： - 作者将缺口 frame 为"standard joint model 只看水平不看变异性，且已有变异性工作只看标量不看时变粗糙度，且已有累积工作只看水平不看变异性"，从而让本文的"加权累积粗糙度"成为"显然的下一步"。 - 被淡化或回避的竞争路线：动态边际结构模型（Marginal Structural Models, MSM） 与 G-estimation 等因果纵向方法——这些方法在流行病学中常用于处理时变混杂与 biomarker 历史，但 intro 中未提及。此外，functional principal component analysis (FPCA) 路线也可用于刻画个体轨迹变异性，但同样缺席。 - 明显该被引却未出现的：Hoffman et al. (2011) 关于 visit-to-visit variability 的经典流行病学综述，以及 Diggle et al. (2002) 关于纵向数据变异性建模的统计专著。这些缺席值得研究者去查：是作者刻意回避了非联合模型的变异性路线，还是本文的 framing 本身就窄化在 joint model 社区内部？

张力：未见明显对立引用。各被引工作在不同侧面扩展联合模型，彼此互补而非矛盾。但存在一个隐性张力：Mugabo et al. (2020) 将变异性视为标量参数，而本文将其视为时变粗糙度的积分——两者在预后价值上是否给出矛盾结论？本文的实证部分（MRC 数据）并未与标量变异性模型做直接对比，这本身就是一个值得追问的点。

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

  • \(i\)：个体指标，\(i = 1, \ldots, n\)。
  • \(Y_i(t)\)：个体 \(i\) 在时间 \(t\) 的 biomarker 可观测值（如收缩压），这是纵向子模型的响应变量。
  • \(T_i\)：个体 \(i\) 的生存时间（事件时间），这是生存子模型的响应变量。
  • \(C_i\)：个体 \(i\) 的删失时间。
  • \(\tilde{T}_i = \min(T_i, C_i)\)：可观测的生存/删失时间。
  • \(\Delta_i = I(T_i \leq C_i)\)：事件指示变量（1=观察到事件，0=删失）。
  • \(t_{ij}\)：个体 \(i\) 的第 \(j\) 次随访时间，\(j = 1, \ldots, n_i\)。
  • \(Y_{ij} = Y_i(t_{ij})\)：个体 \(i\) 在 \(t_{ij}\) 的实际观测 biomarker 值。
  • \(\mathbf{b}_i\)：个体 \(i\) 的随机效应向量（包含 spline 随机系数），服从 \(N(\mathbf{0}, \mathbf{D})\)。
  • \(\mathbf{x}_i(t)\)：固定效应设计向量（随时间可能变化）。
  • \(\mathbf{z}_i(t)\)：随机效应设计向量（spline 基函数）。
  • \(\mu_i(t) = \mathbf{x}_i(t)^T \boldsymbol{\beta} + \mathbf{z}_i(t)^T \mathbf{b}_i\)：个体 \(i\) 在时间 \(t\) 的 biomarker 真实轨迹水平（潜在量，只有观测时刻有样本）。
  • \(\epsilon_{ij}\)：测量误差，\(N(0, \sigma^2)\)，与 \(\mathbf{b}_i\) 独立。
  • \(V_i(t)\)：个体 \(i\) 在时间 \(t\) 的变异性指标（本文定义为轨迹粗糙度，见下）。
  • \(w_l(t; \gamma_l)\)：水平累积量的权重函数，含尺度参数 \(\gamma_l\)。
  • \(w_v(t; \gamma_v)\)：变异性累积量的权重函数，含尺度参数 \(\gamma_v\)。
  • \(W\mu_i(t) = \int_0^t w_l(u; \gamma_l) \mu_i(u) du\)：加权累积水平（潜在量，需从轨迹估计积分）。
  • \(WV_i(t) = \int_0^t w_v(u; \gamma_v) V_i(u) du\)：加权累积变异性（潜在量）。
  • \(\lambda_i(t)\)：个体 \(i\) 在时间 \(t\) 的风险率。
  • \(\boldsymbol{\alpha}_l, \boldsymbol{\alpha}_v\)：生存子模型中水平与变异性的效应系数向量（要估的参数）。
  • \(\boldsymbol{\theta}\)：所有待估参数的汇总向量（含 \(\boldsymbol{\beta}, \boldsymbol{\alpha}_l, \boldsymbol{\alpha}_v, \gamma_l, \gamma_v, \mathbf{D}\) 的元素, \(\sigma^2\) 等）。

模型： 1. 纵向子模型：\(Y_{ij} = \mu_i(t_{ij}) + \epsilon_{ij} = \mathbf{x}_i(t_{ij})^T \boldsymbol{\beta} + \mathbf{z}_i(t_{ij})^T \mathbf{b}_i + \epsilon_{ij}\)。其中 \(\mathbf{z}_i(t)\) 为 spline 基函数向量（如 B-spline），\(\mathbf{b}_i\) 为其随机系数。 2. 变异性定义：\(V_i(t) = \int_0^t [\mu_i''(u)]^2 du\)，即轨迹二阶导数平方的积分，借用 smoothing spline 的粗糙度惩罚思想。 3. 生存子模型：\(\lambda_i(t) = \lambda_0(t) \exp(\boldsymbol{\alpha}_l^T W\mu_i(t) + \boldsymbol{\alpha}_v^T WV_i(t) + \boldsymbol{\eta}^T \mathbf{w}_i)\)，其中 \(\lambda_0(t)\) 为基础风险，\(\mathbf{w}_i\) 为基线协变量。

可观测数据：研究者实际能观测到的是 \(\{(Y_{ij}, t_{ij})_{j=1}^{n_i}, \tilde{T}_i, \Delta_i, \mathbf{w}_i, \mathbf{x}_i(t_{ij})\}_{i=1}^n\)。想要但观测不到的是：连续轨迹 \(\mu_i(t)\)、其二阶导数 \(\mu_i''(t)\)、变异性 \(V_i(t)\)、加权累积量 \(W\mu_i(t)\) 与 \(WV_i(t)\)、以及真实事件时间 \(T_i\)（当 \(\Delta_i=0\) 时）。这些潜在量只能通过随机效应 \(\mathbf{b}_i\) 的分布假设与 spline 基函数的解析性质去识别与估计。

第二步：最小内核——最简特例（单个体、单 spline 基、常数权重）

剥掉所有为一般性服务的技术假设，考虑以下最简特例： - 固定效应设计 \(\mathbf{x}_i(t) = 1\)（仅截距），\(\boldsymbol{\beta} = \beta_0\)。 - 随机效应设计 \(\mathbf{z}_i(t) = t\)（仅线性基，无 spline），\(\mathbf{b}_i = b_i\)（单随机系数）。 - 此时轨迹 \(\mu_i(t) = \beta_0 + b_i t\)，二阶导数 \(\mu_i''(t) = 0\)。 - 变异性 \(V_i(t) = \int_0^t 0 du = 0\)——线性轨迹的粗糙度为零，变异性指标退化。

这个退化特例揭示了本文核心数学困难的来源：变异性指标 \(V_i(t)\) 的非零值完全依赖于轨迹的非线性（二阶导数非零），而非线性由 spline 随机系数 \(\mathbf{b}_i\) 的高维结构支撑。因此，最小内核必须至少包含一个非线性基函数。

修正的最简特例： - 设 \(\mathbf{z}_i(t) = (t, t^2)^T\)，\(\mathbf{b}_i = (b_{i1}, b_{i2})^T\)。 - 轨迹 \(\mu_i(t) = \beta_0 + b_{i1} t + b_{i2} t^2\)。 - 二阶导数 \(\mu_i''(t) = 2 b_{i2}\)（常数）。 - 变异性 \(V_i(t) = \int_0^t (2 b_{i2})^2 du = 4 b_{i2}^2 t\)——变异性与随机二次系数的平方成正比，且随时间线性累积。 - 设权重函数 \(w_v(u; \gamma_v) = e^{-\gamma_v u}\)（指数衰减族），\(\gamma_v > 0\)。 - 加权累积变异性 \(WV_i(t) = \int_0^t e^{-\gamma_v u} \cdot 4 b_{i2}^2 u du = 4 b_{i2}^2 \cdot \frac{1 - e^{-\gamma_v t}(1 + \gamma_v t)}{\gamma_v^2}\)。 - 生存子模型：\(\lambda_i(t) = \lambda_0(t) \exp(\alpha_l W\mu_i(t) + \alpha_v WV_i(t))\)。

在这个最简特例下，要证的命题与核心思路： 1. 可识别性问题：\(WV_i(t)\) 中 \(\gamma_v\) 与 \(b_{i2}^2\) 以乘积形式出现（\(4 b_{i2}^2 / \gamma_v^2\) 为主项），当 \(b_{i2}^2\) 的分布（\(\mathbf{D}\) 的元素）与 \(\gamma_v\) 同时未知时，MLE 是否可识别？本文指出：在特定参数族下，\(\gamma_v\) 的尺度效应与 \(b_{i2}^2\) 的方差效应可能混淆，需额外条件（如 \(\gamma_v\) 的先验约束或 \(\mathbf{D}\) 的结构约束）才能保证可识别性。 2. 估计路线：EM 算法中，E 步需计算 \(\mathbf{b}_i\) 的后验期望与方差（给定观测 \(Y_{ij}\) 与生存数据），M 步需更新 \(\boldsymbol{\beta}, \mathbf{D}, \sigma^2, \boldsymbol{\alpha}_l, \boldsymbol{\alpha}_v, \gamma_l, \gamma_v, \lambda_0(t)\)。关键难点在于 \(\gamma_v\) 的更新：\(WV_i(t)\) 对 \(\gamma_v\) 的依赖是非线性的积分形式，M 步无解析解，需数值优化。 3. 为什么成立：变异性指标 \(V_i(t)\) 的定义（二阶导数积分）使得它可以直接从 spline 基函数的解析导数计算，无需额外估计步骤——只要 \(\mathbf{b}_i\) 的后验分布可得，\(V_i(t)\) 与 \(WV_i(t)\) 即为 \(\mathbf{b}_i\) 的已知函数。这是本文核心想法：将变异性从"需额外估计的潜在量"转化为"随机效应的已知非线性函数"，从而在联合模型的似然框架内统一处理。

三、这篇论文做了什么

三句话： ①研究了在纵向-生存联合模型中，如何同时纳入 biomarker 的加权累积水平与加权累积变异性（粗糙度）对生存风险的效应。 ②核心工具是 spline 随机系数混合效应模型（刻画轨迹与变异性）+ 参数族权重函数（刻画历史衰减）+ EM 算法（处理随机效应与生存事件的耦合）。 ③主要结论是：MLE 在尺度参数可识别条件下具有渐近正态性与一致性；血压变异性（粗糙度）对心血管事件有显著正效应（\(\alpha_v > 0\)），且该效应在加权累积框架下比标量变异性模型更显著。

关键设定与假设： - 纵向子模型：\(Y_{ij} = \mathbf{x}_i(t_{ij})^T \boldsymbol{\beta} + \mathbf{z}_i(t_{ij})^T \mathbf{b}_i + \epsilon_{ij}\)，\(\mathbf{b}_i \sim N(\mathbf{0}, \mathbf{D})\)，\(\epsilon_{ij} \sim N(0, \sigma^2)\)。\(\mathbf{z}_i(t)\) 为 B-spline 基函数向量，允许轨迹非线性。 - 变异性定义：\(V_i(t) = \int_0^t [\mu_i''(u)]^2 du\)，其中 \(\mu_i''(u) = \mathbf{z}_i''(u)^T \mathbf{b}_i\)（spline 基的二阶导数向量与随机系数的内积）。这是本文的核心创新设定，统计含义为：个体轨迹越曲折（二阶导数越大），变异性越高。 - 权重函数：\(w(u; \gamma) = \frac{\gamma e^{-\gamma u}}{1 - e^{-\gamma t^*}}\)（归一化指数衰减族），\(\gamma > 0\) 为尺度参数，\(t^*\) 为随访上限。统计含义：近期历史权重更大，远期历史衰减；\(\gamma\) 越大衰减越快。相比已有文献（如 Yan et al. 2022 使用常数权重或阶梯函数），本文将权重限制在含待估参数的参数族，以降低计算复杂度（避免非参数权重函数的无限维估计）。 - 生存子模型：\(\lambda_i(t) = \lambda_0(t) \exp(\boldsymbol{\alpha}_l^T W\mu_i(t) + \boldsymbol{\alpha}_v^T WV_i(t) + \boldsymbol{\eta}^T \mathbf{w}_i)\)。假设条件风险率依赖于当前时刻的加权累积水平与变异性，而非仅当前值。 - 可识别性假设：尺度参数 \(\gamma_l, \gamma_v\) 必须满足特定约束（如 \(\gamma_v > \gamma_{\min} > 0\)）以避免与 \(\mathbf{D}\) 的方差元素混淆。本文在 Section 3 讨论了此问题，指出当 \(\gamma_v\) 与 \(\mathbf{D}\) 的某些元素同时趋近零时，似然函数出现平坦区域，MLE 不可识别。 - 与已有文献的对比：相比 Mugabo et al. (2020) 的标量变异性（残差方差），本文的变异性是时变积分量，信息更丰富但可识别性更脆弱；相比 Yan et al. (2022) 的加权累积水平，本文增加了加权累积变异性，但引入了额外的尺度参数估计难题。

主要结果： 1. 定理 1（MLE 渐近性质）：在可识别性条件与常规正则条件下（似然函数三阶可导、参数空间紧、信息矩阵正定），MLE \(\hat{\boldsymbol{\theta}}\) 具有强一致性且渐近正态，\(\sqrt{n}(\hat{\boldsymbol{\theta}} - \boldsymbol{\theta}_0) \xrightarrow{d} N(\mathbf{0}, \mathcal{I}(\boldsymbol{\theta}_0)^{-1})\)，其中 \(\mathcal{I}(\boldsymbol{\theta}_0)\) 为 Fisher 信息矩阵。直觉：联合模型的似然函数在可识别条件下为标准 M-estimation 问题，渐近性质由经典理论保证。必要条件：尺度参数 \(\gamma_l, \gamma_v\) 不落在不可识别区域（如 \(\gamma_v = 0\) 或与 \(\mathbf{D}\) 元素共线）。解决的技术难点：证明加权累积量 \(W\mu_i(t)\) 与 \(WV_i(t)\) 作为 \(\mathbf{b}_i\) 的函数，在 \(\mathbf{b}_i\) 的后验期望替换后，似然函数仍满足正则条件。 2. 可识别性讨论（Section 3）：当 \(\gamma_v \to 0\) 时，权重函数 \(w(u; \gamma_v) \to 1/t^*\)（常数权重），此时 \(WV_i(t)\) 与 \(V_i(t)\) 成比例，而 \(V_i(t)\) 依赖于 \(\mathbf{b}_i\) 的二次型——若 \(\mathbf{D}\) 的结构允许 \(\mathbf{b}_i\) 的二次型与 \(\gamma_v\) 的线性项混淆，则参数不可识别。本文给出的解决约束：限制 \(\gamma_v\) 的参数空间为 \([\gamma_{\min}, \gamma_{\max}]\)，且 \(\gamma_{\min} > 0\)。 3. 模拟结果：在 \(n=200, 500\) 的模拟下，MLE 的偏差与均方误差随样本量下降；\(\gamma_v\) 的估计偏差在 \(n=200\) 时较大（约 10%），在 \(n=500\) 时降至 5%以下；覆盖率接近 95%。变异性效应 \(\alpha_v\) 的估计在加权累积框架下比标量框架下偏差更小。

证明路线与技术技巧： - 整体路线： 1. 写出联合模型的完全数据似然（给定 \(\mathbf{b}_i\) 与 \(T_i\)），包含纵向部分、生存部分与随机效应分布。 2. 将 \(\mathbf{b}_i\) 视为缺失数据，构造 EM 算法：E 步计算 \(\mathbf{b}_i\) 的后验期望与方差（给定观测纵向数据与生存数据）；M 步更新所有参数。 3. 在 M 步中，将 \(W\mu_i(t)\) 与 \(WV_i(t)\) 替换为 \(\mathbf{b}_i\) 后验期望的函数，从而将生存子模型的似然转化为关于 \(\boldsymbol{\alpha}_l, \boldsymbol{\alpha}_v, \gamma_l, \gamma_v\) 的可优化函数。 4. 证明在可识别条件下，EM 算法收敛至 MLE，且 MLE 满足经典 M-estimation 渐近理论的条件。 5. 基础风险 \(\lambda_0(t)\) 采用分段常数近似，将其转化为有限维参数问题。 - 关键跳跃点： - E 步中 \(\mathbf{b}_i\) 的后验计算：由于生存事件依赖于 \(\mathbf{b}_i\) 的非线性函数（通过 \(W\mu_i\) 与 \(WV_i\)），\(\mathbf{b}_i\) 的后验分布非标准正态，需用 Laplace 近似或 Monte Carlo 积分。本文采用 Laplace 近似，将后验近似为正态分布，其均值与方差由 Newton-Raphson 迭代求解。 - \(\gamma_v\) 的 M 步更新：\(WV_i(t)\) 对 \(\gamma_v\) 的依赖为非线性积分，无解析解。本文采用一维 Newton-Raphson 搜索，每次迭代需重新计算积分 \(\int_0^t e^{-\gamma_v u} V_i(u) du\)。 - 技术技巧点名： - Laplace approximation：用于 E 步中 \(\mathbf{b}_i\) 后验分布的近似，将非标准后验转化为正态，降低计算复杂度。 - Two-stage initialization：第一阶段用纯纵向数据估计 \(\boldsymbol{\beta}, \mathbf{D}, \sigma^2\) 与 \(\mathbf{b}_i\) 的经验 Bayes 估计；第二阶段用经验 Bayes 估计的轨迹计算 \(W\mu_i\) 与 \(WV_i\) 的近似值，代入生存子模型估计 \(\boldsymbol{\alpha}_l, \boldsymbol{\alpha}_v, \gamma_l, \gamma_v\)。此初值策略避免了 EM 从零开始的收敛困难。 - Piecewise constant baseline hazard：将 \(\lambda_0(t)\) 分段常数化，转化为有限维参数，避免半参数 Cox 模型的无穷维估计问题。 - Spline basis analytic derivatives：利用 B-spline 基函数的二阶导数解析表达式，直接计算 \(\mu_i''(t)\) 与 \(V_i(t)\)，无需数值微分。

真实例子与应用： - 数据：Medical Research Council (MRC) trial 的老年高血压患者队列，\(n=125\) 观察到心血管事件的个体，纵向测量收缩压（SBP），随访时间最长约 5 年。 - 如何用上去：将 SBP 观测值作为 \(Y_{ij}\)，心血管事件时间作为 \(T_i\)，基线协变量（年龄、性别等）作为 \(\mathbf{w}_i\)。拟合本文的联合模型，估计 \(\alpha_l\)（水平效应）与 \(\alpha_v\)（变异性效应）。 - 结果：\(\alpha_v\) 的估计值为正且显著（\(p < 0.05\)），表明 SBP 变异性（粗糙度）越高，心血管事件风险越大；\(\alpha_l\) 为负且显著，表明 SBP 水平越高反而风险略低（可能与老年高血压的 paradox 一致，即低血压可能反映衰弱）。权重参数 \(\gamma_v\) 的估计值约为 0.5，表明变异性历史的衰减半衰期约 1.4 年。 - 想说明什么：验证本文的加权累积变异性指标在真实数据中具有预后价值，且比标量变异性指标（残差标准差）更敏感——在标量模型下 \(\alpha_v\) 不显著，在粗糙度模型下显著。这支持了"时变变异性比标量变异性更有信息"的建模假设。

🔎 结论是否比证明窄： - 本文在定理 1 中声称 MLE 渐近正态，但证明依赖于 Laplace 近似的误差控制——Laplace 近似在 \(\mathbf{b}_i\) 维度较高或生存事件信息较弱时误差可能不可控，定理陈述中未明确给出 Laplace 近似误差的阶条件（如 \(O(n^{-1})\) 要求后验分布的曲率足够大）。这是一个"条件 X 下严格证明、却被泛泛 claim"的点：定理 1 的陈述未点名 Laplace 近似误差条件，而证明中隐含依赖它。 - 可识别性讨论仅为"discussion"而非定理——没有给出 \(\gamma_v\) 不可识别区域的精确刻画，只给出定性约束 \(\gamma_v > \gamma_{\min} > 0\)。作者在 Section 3 末句承认："a rigorous characterization of the identification boundary is beyond the scope of this paper and warrants future investigation"。

四、开放问题（点到为止，扎根具体语句）

  1. 尺度参数的可识别边界精确刻画：要证/估什么——\(\gamma_v\) 与 \(\mathbf{D}\) 元素的不可识别区域在参数空间中的精确边界（如 \(\gamma_v = f(D_{kk})\) 的临界曲线）。扎根在 Section 3 末句："a rigorous characterization of the identification boundary is beyond the scope of this paper"。
  2. Laplace 近似误差对渐近分布的影响：要证什么——当 \(\mathbf{b}_i\) 维度 \(q\) 增长时，Laplace 近似误差 \(O(n^{-q/2})\) 是否破坏 MLE 的 \(\sqrt{n}\)-渐近正态性？扎根在定理 1 的证明中隐含的 Laplace 误差控制步骤，以及作者未给出误差阶的显式条件。
  3. 非参数权重函数的半参数估计：要估什么——若权重函数 \(w(u)\) 不限制在指数衰减族，而视为非参数函数，其半参数估计的效率界与收敛速率为何？扎根在 Section 2.3 作者限制权重函数的动机："To reduce computational complexity, we confine the weight functions to a particular parametric family"——此限制是否牺牲了估计效率？
  4. 变异性定义的稳健性：要比较什么——粗糙度 \(V_i(t) = \int [\mu_i''(u)]^2 du\) 与标量方差 \(\sigma_i^2\) 在预后价值上的差异是否在不同数据集上一致？扎根在 MRC 数据实证中"粗糙度显著而标量不显著"的结论——此结论是否依赖 MRC 数据的特殊性（老年高血压 paradox），需在其他队列验证。

（要确认某条是否真 gap，去读 joint model 社区近 5 篇 intro——若都指向可识别性或半参数权重问题 = 共识真 gap，若只本文提及 = 可能是窄化 framing。）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论