Modeling time-varying effects of mobile health interventions using longitudinal functional data from HeartSteps micro-randomized trial¶
作者: Jiaxin Yu, Tianchen Qian
来源: Annals of Applied Statistics
主题: 因果推断
相关性: 9/10
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么： 这个子方向致力于在微观随机化试验框架下，对移动健康等时变干预的因果游走效应进行识别与估计。其根本统计问题是：当个体在数百乃至数千个决策点被持续、随机地分配干预，且结局是纵向重复测量时，如何定义并稳健估计干预效应随时间、上下文变量的异质性变化。当前该方向已从早期的标量结局、常数效应设定，走向纵向功能型结局与变系数半参数模型，成熟度处于"有标准实验设计与基础估计器，但复杂结局与高维误设鲁棒性理论刚起步"的阶段。
发展脉络： 1. 奠基工作（MRT设计与标量效应估计）：Dempsey et al. (2015) 与 Klasnja et al. (2015/2018) 提出MRT实验设计并落地HeartSteps实证，用标量结局（30分钟步数）评估干预是否有效。Boruvka et al. (2018) 首次为MRT给出基于潜在结果的因果游走效应定义与加权中心化最小二乘（WCLS）估计器，成为后续分析的基石。 2. 主要进展（异质性与不同结局类型）：Qian et al. (2021) 系统综述MRT设计与WCLS；Qian et al. (2019) 将CEE推广到二值结局；Shi et al. (2022) 处理了群组异质性与干扰；Yu et al. (2023) 处理了零膨胀结局的结构嵌套均值模型。这些工作仍局限于"每个决策点结局是标量"。 3. 当前 frontier（功能型结局与变系数）：本文指出"Existing methods for assessing CEE are all designed for longitudinal outcomes that are scalar at each time point"，填补了功能型结局（如连续时间步数曲线）的空白。同时，变系数模型（Hastie & Tibshirani 1993; Tan et al. 2012）被引入以刻画效应的时变异质性。 4. 本文的位置：首个在MRT中处理纵向功能结局的变系数半参数CEE模型，并提出对高维结局回归误设鲁棒的两阶段估计器。
子线索聚类： - 线索1：MRT实验设计与因果游走效应定义（Boruvka 2018; Qian 2021; Dempsey 2015; Klasnja 2018）：确立随机化机制、可用性、潜在结果与CEE定义，提供WCLS估计框架。 - 线索2：结局类型扩展（Qian 2019二值; Yu 2023零膨胀; Shi 2022群组干扰）：将标量CEE推广到不同数据形态，但均未触及功能型结局的双时间索引结构。 - 线索3：异质性因果效应的半参数/非参数估计（Kennedy 2020 DR-CATE; Wager & Athey 2018因果森林; Robins et al. 2008 HOIF; Colangelo & Lee 2020连续处理DML）：提供双鲁棒/正交化估计的一般理论，本文的两阶段估计器借鉴了此线索中的鲁棒性思想。 - 线索4：变系数与功能型数据建模（Tan et al. 2011 TVEM; He & Shi 1996张量积B样条）：提供刻画时变效应的统计模型工具。
这个方向在追问的核心问题： 1. 如何在数百个决策点与复杂时变混淆下，定义一个可识别、有科学意义的因果效应参数？——当前主流是CEE，瓶颈在于如何处理功能型结局的双时间索引。 2. 如何在 nuisance 模型（倾向得分、结局回归）可能误设时，仍保持估计的一致性与渐近正态？——当前主流是WCLS/DR估计，瓶颈在于高维结局回归误设下的鲁棒性（本文声称部分解决）。 3. 如何刻画效应随时间与上下文的连续异质性？——当前主流是低维交互或分层，瓶颈在于变系数半参数模型在MRT设定下的渐近理论。
⚠️ 作者的 framing： - 作者的说法：作者将缺口 frame 为"现有CEE方法只处理标量结局，无法应对功能型结局的双时间索引结构"，并声称自己的两阶段估计器对"high-dimensional outcome regression nuisance model misspecification"具有鲁棒性。 - 淡化的竞争路线：作者未深入讨论完全非参数方法（如Kennedy 2020的局部多项式DR-CATE或因果森林）在功能型结局上的直接推广，而是选择了变系数半参数模型这条更受限但更易做渐近理论的路线。此外，对于零膨胀等特殊数据结构（Yu 2023），本文也未触及。 - 缺失的引用：在处理功能型/纵向结局的因果推断领域，存在大量关于纵向因果效应与功能型数据推断的工作（如功能型线性模型、纵向边际结构模型的渐近理论），这些在intro中未出现。值得研究者去查：功能型因果推断的现有文献是否已处理过双时间索引结构？本文的变系数模型是否只是其特例？
张力： 未见明显对立引用。各工作均在CEE框架下向不同数据类型扩展，逻辑一致。但存在一个隐含张力：Boruvka 2018的WCLS依赖倾向得分与结局回归的双鲁棒性，而本文声称对结局回归误设鲁棒——这两者的鲁棒性条件是否完全兼容？本文的"鲁棒性"是否以更强的倾向得分模型假设为代价？需在技术节细查。
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
- 决策点索引：\(j \in \{1, \dots, J\}\)，表示第 \(j\) 个决策点（如每天5次推送机会，共42天，\(J=210\)）。
- 决策点内时间索引：\(t \in [0, \Delta]\)，表示决策点 \(j\) 之后的时间段（如推送后30分钟内的连续时间，\(\Delta=30\) 分钟）。
- 双时间索引：\((j, t)\)，联合定位一个观测时刻。
- 个体索引：\(i \in \{1, \dots, n\}\)。
- 处理变量：\(A_{ij} \in \{0, 1\}\)，个体 \(i\) 在决策点 \(j\) 是否收到推送（随机化分配）。
- 纵向功能结局：\(Y_{ij}(t)\)，个体 \(i\) 在决策点 \(j\) 后时刻 \(t\) 的步数（连续时间函数，如 \(t \in [0, 30]\) 分钟的步数曲线）。这是本文新引入的核心数据形态。
- 上下文变量：\(S_{ij}\)，决策点 \(j\) 前可观测的时变协变量（如是否久坐、是否工作日）。
- 历史信息：\(H_{ij}\)，决策点 \(j\) 前的全部可观测历史（包含过去的处理、结局、协变量）。
- 可用性：\(I_{ij} \in \{0, 1\}\)，个体 \(i\) 在决策点 \(j\) 是否可用（如正在开车则 \(I_{ij}=0\)，此时不推送）。
- 随机化概率：\(p_{ij} = P(A_{ij}=1 \mid H_{ij}, I_{ij}=1)\)，已知且可控（MRT设计保证）。
- 潜在结局：\(Y_{ij}(t, a_{1:j})\)，在处理路径 \(a_{1:j} = (a_{i1}, \dots, a_{ij})\) 下，决策点 \(j\) 后时刻 \(t\) 的步数。不可观测，只能靠假设识别。
- 可观测数据：对每个个体 \(i\)，观测到 \(\{(H_{ij}, I_{ij}, A_{ij}, Y_{ij}(t) \text{ for } t \in [0, \Delta])\}_{j=1}^J\)。其中 \(Y_{ij}(t)\) 是连续时间曲线（功能型数据），而非单一标量。
第二步：最小内核——最简特例（单一上下文变量 + 线性变系数）
剥掉高维、非线性、张量积样条等一般性设定，支撑本文的最小内核是：在双时间索引 \((j, t)\) 下，用变系数模型刻画CEE，并通过两阶段估计绕过结局回归的误设。
在最简特例下，假设： - 上下文变量 \(S_{ij}\) 是一维（如是否久坐，0/1）。 - 变系数模型是线性的：因果游走效应 \(\beta(j, t, S_{ij}) = \beta_0(j, t) + \beta_1(j, t) S_{ij}\)。 - 结局回归 nuisance 模型 \(\eta(j, t, H_{ij}) = E[Y_{ij}(t) \mid H_{ij}, A_{ij}=0, I_{ij}=1]\) 被误设（如用了线性模型，但真实是非线性）。
要证的命题退化成： 即使 \(\eta(j, t, H_{ij})\) 误设，两阶段估计器 \(\hat{\beta}_0(j, t), \hat{\beta}_1(j, t)\) 仍是一致且渐近正态的（\(n^{-1/2}\)-CAN）。
证明怎么走（最小内核版）： 1. Stage 1：用任意（可能误设的）模型估计 \(\hat{\eta}(j, t, H_{ij})\)，计算残差 \(R_{ij}(t) = Y_{ij}(t) - \hat{\eta}(j, t, H_{ij})\)。 2. Stage 2：用加权最小二乘，以 \(\tilde{p}_{ij}(S_{ij}) / p_{ij}\) 为权重，拟合残差 \(R_{ij}(t)\) 对 \((A_{ij} - p_{ij})\) 及其与 \(S_{ij}\) 交互项的回归，估计 \(\beta_0(j, t), \beta_1(j, t)\)。 3. 为什么成立：关键在于残差 \(R_{ij}(t)\) 的展开。当 \(\eta\) 误设时，残差包含一个偏差项 \(\delta(j, t, H_{ij}) = \eta_{\text{true}} - \eta_{\text{mis}}\)。但由于MRT的随机化，\(A_{ij}\) 与 \(H_{ij}\) 独立（给定 \(I_{ij}=1\)），且 \(E[A_{ij} - p_{ij} \mid H_{ij}] = 0\)。因此，在Stage 2的加权回归中，偏差项 \(\delta(j, t, H_{ij})\) 与 \((A_{ij} - p_{ij})\) 的内积在期望下为0，从而被正交化消除。这就是"对结局回归误设鲁棒"的最小内核数学实质——利用随机化带来的处理与历史的独立性，实现类似部分双鲁棒/正交化的效果。
三、这篇论文做了什么¶
三句话： ① 研究了MRT中推送干预对纵向功能型步数曲线的时变因果游走效应如何估计。 ② 核心工具是带双时间索引的变系数半参数CEE模型与两阶段估计器。 ③ 主要结论是两阶段估计器在高维结局回归误设下仍保持 \(n^{-1/2}\)-CAN，且实证揭示了推送对响应时序（步数曲线形状）的异质效应。
关键设定与假设： - 双时间索引结构：\((j, t)\)，\(j\) 为决策点间（between-decision-point），\(t\) 为决策点内。这是本文区别于所有前作的核心设定。 - 变系数半参数CEE模型：
主要结果： - 定理1（两阶段估计器的渐近理论）：在结局回归 nuisance 模型 \(\eta(j, t, H_{ij})\) 可能误设的条件下，两阶段估计器 \(\hat{\beta}_k(j, t)\) 是 \(n^{-1/2}\)-CAN（一致且渐近正态），收敛速率为 \(n^{-1/2}\)，且可用 sandwich 公式估计方差。 - 直觉：Stage 1 的残差偏差被 Stage 2 的加权回归正交化消除，依赖随机化带来的 \(A_{ij}\) 与 \(H_{ij}\) 独立性。 - 必要条件：倾向得分正确设定；\(\tilde{p}_{ij}(S_{ij})\) 只依赖 \(S_{ij}\) 且在 \((0,1)\) 内；样条基函数的节点数随 \(n\) 增长但受控（保证逼近误差可控）。 - 解决的技术难点：功能型结局 \(Y_{ij}(t)\) 带来的双时间索引 \((j, t)\) 使得 nuisance 模型 \(\eta(j, t, H_{ij})\) 是一个关于 \((j, t, H_{ij})\) 的函数，误设风险极高；本文通过两阶段正交化绕过了这个高维误设问题。 - 定理2（若结局回归正确设定下的效率）：若 \(\eta(j, t, H_{ij})\) 正确设定，两阶段估计器达到半参数有效界（局部有效）。 - 直觉：此时残差无偏差，Stage 2 的加权回归等价于已知 nuisance 的有效估计。
证明路线与技术技巧： - 整体路线： 1. 定义变系数半参数CEE模型，将 \(\beta_k(j, t)\) 用张量积B样条基展开，转化为有限维参数估计问题。 2. Stage 1：估计 nuisance \(\hat{\eta}(j, t, H_{ij})\)（允许误设），计算残差 \(R_{ij}(t) = Y_{ij}(t) - \hat{\eta}(j, t, H_{ij})\)。 3. Stage 2：构造加权最小二乘目标函数，以 \(\tilde{p}_{ij}(S_{ij}) / p_{ij}\) 为权重，拟合残差对处理偏离 \((A_{ij} - p_{ij})\) 及其与 \(S_{ij}\) 基函数交互项的回归，估计样条系数。 4. 渐近理论：将估计器分解为线性主项与余项，证明余项在 nuisance 误设下仍为 \(o_p(n^{-1/2})\)，从而保证 \(n^{-1/2}\)-CAN。 - 关键跳跃点： - 引理：残差偏差的正交化消除。当 \(\eta\) 误设时，残差 \(R_{ij}(t) = Y_{ij}(t) - \hat{\eta}_{\text{mis}}\) 包含偏差 \(\delta(j, t, H_{ij})\)。需证 \(E\left[ \frac{\tilde{p}_{ij}(S_{ij})}{p_{ij}} (A_{ij} - p_{ij}) \delta(j, t, H_{ij}) \right] = 0\)。这依赖 \(A_{ij} \perp H_{ij} \mid I_{ij}=1\)（随机化）与 \(\tilde{p}_{ij}(S_{ij})\) 只依赖 \(S_{ij}\)（不引入额外历史依赖）。这是全文最吃功夫的跳跃，也是"鲁棒性"的数学核心。 - 样条逼近误差的控制：\(\beta_k(j, t)\) 用有限节点样条逼近，需证逼近误差（偏差）与估计方差之间的平衡，使得总体误差仍为 \(o_p(n^{-1/2})\)。 - 技术技巧点名： - 张量积B样条：用于逼近双时间索引 \((j, t)\) 上的变系数函数 \(\beta_k(j, t)\)，将无限维函数估计转化为有限维参数估计（He & Shi 1996 的思路）。 - 加权中心化最小二乘（WCLS的推广）：权重 \(\tilde{p}_{ij}(S_{ij}) / p_{ij}\) 与中心化处理 \((A_{ij} - p_{ij})\) 的组合，是Boruvka 2018 WCLS的变系数推广，用于构造正交化矩条件。 - 经验过程理论：用于控制 Stage 1 估计 \(\hat{\eta}\) 带来的余项（即使误设，只要 \(\hat{\eta}\) 在某函数类内收敛速率足够快，余项仍可控）。本文可能只要求 \(\hat{\eta}\) 的收敛速率为 \(o_p(1)\)（不要求 \(n^{-1/4}\)），因为正交化消除了偏差的一阶影响。 - Sandwich方差估计：用于在 nuisance 误设下仍给出一致的方差估计，类似部分鲁棒推断。
真实例子与应用： - 数据：HeartSteps MRT（Klasnja et al. 2018），37名参与者，42天，每天5个决策点，共约210个决策点/人。结局是推送后30分钟内的步数曲线 \(Y_{ij}(t)\)（每分钟步数，功能型数据）。 - 怎么用上去： - Stage 1：用线性回归估计 \(\eta(j, t, H_{ij})\)（包含过去步数、是否久坐等历史特征），计算残差曲线。 - Stage 2：用变系数模型估计 \(\beta(j, t, S_{ij})\)，其中 \(S_{ij}\) 包含是否久坐、是否工作日、推送类型（步行建议 vs. 抗久坐建议）。 - 得到什么结果： - 推送对响应时序的异质效应：推送不仅影响30分钟总步数（标量效应），还改变步数曲线的形状——推送后步数更早上升（响应更快），且步行建议比抗久坐建议的响应更快、峰值更高。 - 上下文依赖：久坐后推送的效应曲线形状与非久坐不同（久坐后响应更慢但持续更久）；工作日与非工作日的效应曲线形状也不同。 - 这个例子想说明什么：展示功能型结局分析比标量结局分析能揭示更丰富的时序动态（响应速度、峰值时间），验证变系数模型与两阶段估计器的实用性。
🔎 结论是否比证明窄： - 作者在摘要与intro中泛泛 claim "robust against a misspecified high-dimensional outcome regression nuisance model"，但定理1的严格证明可能只覆盖了"误设但仍在某函数类内且收敛速率满足条件"的情形，而非任意误设。需细查定理1的条件：是否要求 \(\hat{\eta}\) 的收敛速率为 \(o_p(n^{-1/4})\) 或更弱？若要求 \(o_p(n^{-1/4})\)，则高维误设下（如用高维线性回归，收敛速率可能慢于 \(n^{-1/4}\)）鲁棒性可能不成立。这是一个值得研究者核验的具体语句（定理1的条件部分）。
四、开放问题（点到为止，扎根具体语句）¶
- 高维误设鲁棒性的速率边界：定理1要求 nuisance \(\hat{\eta}\) 的收敛速率满足什么条件？若高维设定下 \(\hat{\eta}\) 收敛慢于 \(n^{-1/4}\)（如维数 \(p \gg n\)），两阶段估计器是否仍为 \(n^{-1/2}\)-CAN？——扎根在定理1的余项控制条件与"high-dimensional outcome regression nuisance model misspecification"的 claim 之间的潜在张力。
- 功能型结局的半参数有效界：在双时间索引 \((j, t)\) 与变系数模型下，当 nuisance 模型完全非参数时，CEE \(\beta(j, t, S_{ij})\) 的半参数有效界是什么？两阶段估计器是否达到此界？——扎根在定理2只给出"局部有效"（nuisance 正确设定下），未给出全局有效界。
- 更高阶正交化 / HOIF 的推广：本文的两阶段估计器利用一阶正交化（处理偏离与残差偏差的内积为0）消除误设影响。若倾向得分也有轻微误设（如实际随机化概率偏离记录值），是否需要更高阶影响函数（Robins et al. 2008 HOIF）来消除二阶偏差？——扎根在假设2要求倾向得分完全正确，与实际MRT中可能存在非依从/记录误差的矛盾。
- 双时间索引下的 minimax 估计速率：变系数函数 \(\beta(j, t, S_{ij})\) 在 \((j, t)\) 二维域上的 minimax 估计速率是什么？本文的样条逼近是否达到此速率？——扎根在样条节点数选择的理论条件，与 minimax 速率的潜在联系。
提醒：要确认第1条是否是真 gap，去读同子领域（MRT因果推断、功能型因果效应）近期约5篇的intro——若都指向"高维 nuisance 误设鲁棒性"=共识（真gap）；若互相打架（有人认为随机化已足够鲁棒，无需额外正交化）=机会。
Maintained by 陈星宇 · Homepage · Source on GitHub