A Bayesian Nonparametric Approach to Mediation and Spillover Effects with Multiple Mediators in Cluster-Randomized Trials¶
作者: Yuki Ohnishi, Fan Li
来源: Journal of the American Statistical Association
主题: 因果推断
相关性: 8/10
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么： 这个子方向要解决的根本统计问题是：在集群随机化试验（CRT）中，当存在多个中介变量且个体间存在干扰时，如何定义、识别并估计特定中介的因果效应，尤其是如何将“个体自身中介的间接效应”与“同集群内他人中介对自身产生的溢出中介效应”拆解开来。当前该方向的成熟度处于“ estimand 定义与非参数识别已初步成型，但估计手段仍高度依赖参数化或特定贝叶斯非参数模型，缺乏半参数效率理论支撑”的阶段。
发展脉络： - 奠基工作：因果中介分析的经典框架由 Rubin (1974) 与 Robins & Greenland (1992) 奠定，Pearl (2001) 引入反事实 do-calculus 将中介效应拆分为自然直接效应（NDE）与自然间接效应（NIE）。这一阶段留下了“多中介如何拆解”与“干扰如何处理”两个口子。 - 主要进展（多中介）：针对多中介，VanderWeele & Vansteelandt (2014) 与 Imai & Yamamoto (2013) 尝试在参数化路径下拆解中介特异性效应，但作者指出这些方法“often fall short in simultaneously addressing these complexities, particularly in disentangling mediator-specific effects under interference”。 - 主要进展（干扰与溢出）：针对 CRT 中的干扰，Hudgens & Halloran (2008) 建立了二值处理下直接与溢出效应的框架；Liu & Hudgens (2014) 推进了其识别理论。然而，这些工作未触及中介机制。 - 当前 frontier（中介与干扰交汇）：近期开始出现将中介与干扰结合的尝试，如 VanderWeele et al. (2012) 探讨了网络背景下的中介，但作者在 intro 中明确将其定位为“未处理多中介且未在 CRT 结构下给出非参数识别”的缺口。 - 本文的位置：填补“多中介 + 干扰 + CRT”三者交汇的空白——提出新的溢出中介 estimands，给出非参数识别公式，并构造 Nested Dependent Dirichlet Process Mixture（NDDPM）先验进行贝叶斯非参数估计。
子线索聚类： 1. 多中介拆解线：关注如何在无干扰设定下将总间接效应归因到各中介路径（VanderWeele & Vansteelandt 2014; Imai & Yamamoto 2013）。瓶颈在于多中介间的依赖结构导致路径特异性效应不可识别，需强参数化假设。 2. CRT/干扰因果线：关注集群内个体处理分配不同导致的直接与溢出效应识别（Hudgens & Halloran 2008; Liu & Hudgens 2014）。瓶颈在于 estimand 定义依赖二值处理与特定干扰假设（如部分干扰）。 3. 贝叶斯非参数中介线：使用 Dirichlet Process 等先验灵活估计中介与结局的联合分布，避免参数化模型偏倚（如 Kim et al. 2018 等）。瓶颈在于未考虑多层级（集群-个体）依赖与干扰结构。
这个方向在追问的核心问题： 1. 在干扰存在时，如何定义反事实，使得“自身中介改变”与“他人中介改变”对自身结局的影响可分离？ 2. 多中介且存在干扰时，非参数识别所需的最低假设集是什么？顺序可忽略性假设是否仍可行？ 3. 如何在不强假设中介与结局函数形式的前提下，灵活且高效地估计这些高维联合分布衍生出的 estimands？
⚠️ 作者的 framing： - 作者将缺口 frame 为“现有方法无法在干扰下拆解多中介特异性效应”，从而让本文的“新 estimands + 非参数识别 + NDDPM”成为“显然的下一步”。 - 被淡化或回避的竞争路线：半参数/效率理论路线（如基于 influence function 的 debiased ML 或 HOIF 估计）。作者完全未引用效率界或 one-step estimation 的文献，直接跳入贝叶斯非参数，回避了“非参数估计是否达到效率界”的追问。 - 明显该被引却未出现的：半参数效率理论（Robins 1994; Bickel et al. 1993）与高维/半参数中介估计（Tchetgen Tchetgen 等在 cross-fitting/debiased ML 中介的近期工作）。这构成一个值得研究者去查的缺口：作者为何跳过频率学派半参数路线？是因干扰下效率界推导有技术障碍，还是贝叶斯非参数在此设定下有天然便利？
张力： 未见明显对立引用。多中介线与干扰线此前几乎平行发展，本文是首次交汇，因此尚未形成结论相反的阵营。但存在隐含张力：多中介线常假设无干扰以获识别，干扰线常假设单一处理/结局以获估计，本文同时放宽两者，识别假设（顺序可忽略性）的强度是否被低估？需研究者自行核验。
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
- 参数 / estimand：
- \(A_i\)：个体 \(i\) 的处理分配（二值，0 或 1）。
- \(\mathbf{M}_i = (M_{i1}, \ldots, M_{iK})\)：个体 \(i\) 的 \(K\) 个中介变量向量。
- \(Y_i\)：个体 \(i\) 的连续结局。
- \(\mathbf{A}_c\)：集群 \(c\) 内所有个体的处理分配向量。
- \(\mathbf{M}_c\)：集群 \(c\) 内所有个体的中介变量矩阵。
- 潜在量：
- \(Y_i(\mathbf{a}_c, \mathbf{m}_c)\)：个体 \(i\) 在集群 \(c\) 处理分配为 \(\mathbf{a}_c\)、中介为 \(\mathbf{m}_c\) 下的潜在结局。
- \(M_{ik}(\mathbf{a}_c)\)：个体 \(i\) 的第 \(k\) 个中介在集群处理 \(\mathbf{a}_c\) 下的潜在值。
- 维数 / 样本量：
- \(K\)：中介数量。
- \(n_c\)：集群 \(c\) 内个体数。
- \(C\)：集群总数，总样本量 \(N = \sum_{c=1}^C n_c\)。
- 可观测数据：研究者实际观测到的是 \(\{(Y_i, \mathbf{M}_i, A_i, \mathbf{X}_i, c_i)\}_{i=1}^N\)，其中 \(\mathbf{X}_i\) 为个体协变量，\(c_i\) 为集群标识。集群层面可能还有协变量 \(\mathbf{V}_c\)。不可观测的是跨不同 \(\mathbf{a}_c, \mathbf{m}_c\) 组合的反事实结局与中介，只能靠假设识别。
第二步：最小内核——二值处理、单一中介、2人集群的溢出中介效应拆解
剥掉多中介与大集群的一般性，考虑最简特例：\(K=1\)（单一中介 \(M\)），集群内只有 2 个个体（个体 1 与个体 2），处理 \(A\) 为二值。
此时，集群处理向量 \(\mathbf{A} = (A_1, A_2)\) 有 4 种组合。个体 1 的潜在结局为 \(Y_1(A_1, A_2, M_1, M_2)\)，潜在中介为 \(M_1(A_1, A_2)\)。
核心 estimands 的最小内核退化： 1. 自身中介的间接效应：固定他人处理与中介，仅改变自身中介，看结局变化。
- 溢出中介效应：固定自身处理与中介，改变他人中介，看结局变化。
\[IE_{spillover} = Y_1(a_1, 1, m_1, M_2(1, a_1)) - Y_1(a_1, 1, m_1, M_2(0, a_1))\]这捕捉“个体 2 的中介 \(M_2\) 受处理影响而改变时，对个体 1 结局的溢出效应”。
识别的最小内核： 在无干扰经典设定下，自然间接效应识别需顺序可忽略性：\(Y(a, m) \perp M(a) \mid A, X\) 且 \(M(a) \perp Y(a', m') \mid A, X\)。在干扰下，本文将此假设推广为集群层面的顺序可忽略性： - (C1) 给定个体与集群协变量，集群处理分配 \(\mathbf{A}_c\) 与潜在结局/中介独立（类似于无干扰下的处理可忽略性）。 - (C2) 给定处理与协变量，个体中介 \(\mathbf{M}_c\) 与跨世界反事实结局独立（中介-结局可忽略性）。
在此最简特例下，识别公式退化为对联合分布 \(P(Y \mid \mathbf{A}, \mathbf{M}, \mathbf{X})\) 与 \(P(\mathbf{M} \mid \mathbf{A}, \mathbf{X})\) 的积分（期望），即：
这篇论文在数学上到底干了一件什么事： 在一般 \(K\) 中介、\(n_c\) 个体集群设定下，将上述 \(IE_{self}\) 与 \(IE_{spillover}\) 推广到中介特异性版本（区分第 \(k\) 个中介的自身与溢出效应），给出非参数识别公式（定理1），并构造一个贝叶斯非参数先验（NDDPM）来估计识别公式中所需的高维条件期望（定理2与后验一致性）。
三、这篇论文做了什么¶
三句话： ①研究了 CRT 中存在多个中介与个体间干扰时，如何拆解中介特异性溢出效应的识别与估计问题。 ②核心工具是集群层面顺序可忽略性假设与 Nested Dependent Dirichlet Process Mixture（NDDPM）先验。 ③主要结论是给出了各 estimand 的非参数识别公式，并证明了 NDDPM 在特定条件下对结局与中介曲面的后验分布具有强一致性（收敛速率明确）。
关键设定与假设： 在第二节最小记号基础上补全： - 干扰假设：个体 \(i\) 的结局 \(Y_i\) 依赖于集群内所有个体的处理 \(\mathbf{A}_c\) 与中介 \(\mathbf{M}_c\)，但不依赖其他集群的分配（即部分干扰假设，partial interference）。 - 多中介特异性 estimands：定义了自然直接效应（NDE）、自身中介特异性间接效应（\(IE_{self}^{(k)}\)，仅第 \(k\) 个中介改变）、溢出中介特异性间接效应（\(IE_{spillover}^{(k)}\)，仅他人第 \(k\) 个中介改变）。 - 识别假设（核心）： - (A1) 集群处理可忽略性：\(\{Y_i(\mathbf{a}_c, \mathbf{m}_c), \mathbf{M}_i(\mathbf{a}_c)\} \perp \mathbf{A}_c \mid \mathbf{X}_c, \mathbf{V}_c\)。 - (A2) 中介-结局顺序可忽略性：\(Y_i(\mathbf{a}_c, \mathbf{m}_c) \perp \mathbf{M}_c(\mathbf{a}'_c) \mid \mathbf{A}_c, \mathbf{X}_c, \mathbf{V}_c\)，对任意 \(\mathbf{a}_c, \mathbf{a}'_c\)。 - (A3) 中介跨世界可忽略性（跨世界版本的正值假设/一致性桥接）：允许将观测到的中介分布替代跨世界反事实中介分布。 - (A4) 正值性：处理与中介的条件概率有支撑。 - 统计含义：(A2) 是极强假设——它要求在给定处理与协变量后，个体中介与任何反事实结局独立。在多中介且存在干扰时，这意味着同集群内他人的中介不通过未观测的集群共享因子影响结局（类似于无未观测集群层面混杂）。相比 VanderWeele & Vansteelandt (2014) 的无干扰多中介设定，本文的 (A2) 在干扰下更难满足，但作者未在假设强度上做放宽，这是识别的代价。
主要结果： - 定理1（非参数识别）：在 (A1)-(A4) 下，所有中介特异性 estimands（\(NDE, IE_{self}^{(k)}, IE_{spillover}^{(k)}\)）均可表示为观测数据分布 \(P(Y \mid \mathbf{A}, \mathbf{M}, \mathbf{X}, \mathbf{V})\) 与 \(P(\mathbf{M} \mid \mathbf{A}, \mathbf{X}, \mathbf{V})\) 的多重条件期望的迭代积分。直觉：通过 (A2) 将反事实中介替换为观测中介的 do-演算，再通过 (A1) 将处理分布积分掉。 - 定理2（NDDPM 后验一致性）：在结局与中介的真实数据生成分布满足特定光滑度条件下，NDDPM 的后验分布向真实联合分布收敛，收敛速率为 \(O((N/C)^{-\beta/(2\alpha+d)})\)（其中 \(\beta\) 为光滑度参数，\(\alpha\) 为 DP 测度浓度参数，\(d\) 为维度）。必要条件：真实分布属于 NDDPM 先验的拓扑支撑集（即可被 NDDPM 的混合高斯逼近）。技术难点：集群内依赖结构导致标准 BNP 收敛理论不直接适用。
证明路线与技术技巧： - 整体路线（定理1识别）： 1. 写出 estimand 的反事实定义（如 \(IE_{self}^{(k)} = \mathbb{E}[Y_i(1, \mathbf{a}_{c,-i}, M_{ik}(1, \mathbf{a}_{c,-i}), \mathbf{m}_{c,-i,k}) - Y_i(1, \mathbf{a}_{c,-i}, M_{ik}(0, \mathbf{a}_{c,-i}), \mathbf{m}_{c,-i,k})]\)）。 2. 应用 (A2) 将跨世界反事实中介 \(M_{ik}(0, \mathbf{a}_{c,-i})\) 与结局 \(Y_i(1, \ldots)\) 的依赖切断，替换为对观测中介的期望。 3. 应用 (A1) 与 (A4) 将处理分配的积分转化为观测数据的条件期望加权。 4. 递归应用 (A3) 处理多中介间的跨世界依赖，最终化归为纯观测数据的迭代期望公式。 - 整体路线（定理2后验一致性）： 1. 将 NDDPM 的层级结构（集群级 DP + 个体内 DP）映射到依赖混合高斯模型的拓扑空间。 2. 证明 NDDPM 先验在该空间上具有强支撑性（strong support），即真实分布可被先验的有限混合逼近。 3. 利用 Schwartz (1965) 的后验一致性一般框架（先验支撑 + 似然有界），结合 Ghosal et al. (1999) 对 DP 混合的收敛速率结果，将维度与依赖结构的影响通过有效维度 \(d\) 与浓度参数 \(\alpha\) 刻画。 - 关键跳跃点：NDDPM 的层级依赖结构使得个体间不独立，标准 DP 混合后验速率（依赖 i.i.d. 样本的 Ghosal-van der Vaart 熵界）不能直接用。作者通过“将集群视为独立样本，集群内个体视为依赖观测”的降维跳跃，把有效样本量从 \(N\) 降为 \(C\)（集群数），从而在 \(C\) 个 i.i.d. 集群上复用 i.i.d. 收敛理论。 - 技术技巧点名： - Dependent Dirichlet Process (DDP)（MacEachern 1999, 2000）：用于构造集群内个体中介/结局分布随处理分配 \(\mathbf{A}_c\) 变化的依赖结构，实现“同集群、不同处理下分布不同但相关”。 - Nested DP（Rodriguez et al. 2008）：用于刻画集群层面的分布异质性（不同集群有不同的基底分布），外层 DP 分配集群，内层 DDP 分配个体。 - Schwartz 后验一致性框架：用于定理2的拓扑支撑与 Kullback-Leibler 验证。 - Ghosal-van der Vaart 熵界：用于量化 DP 混合模型在非参数空间中的收敛速率。
真实例子与应用： - 数据：National Implementation Study of the Adolescent Community Reinforcement Approach (A-CRA) CRT，评估物质使用障碍治疗方法的推广机制。 - 场景：集群为临床站点，处理为是否接受 A-CRA 推广干预，中介为站点内咨询师对 A-CRA 方法的执行依从性（多中介：不同治疗环节的执行率），结局为青少年患者的物质使用频率。 - 怎么用上去：将站点内各咨询师依从性作为多中介，患者结局受自身咨询师（自身中介）与同站点其他咨询师（溢出中介）影响。用 NDDPM 估计条件期望，计算 \(IE_{self}^{(k)}\) 与 \(IE_{spillover}^{(k)}\)。 - 结果：发现某些治疗环节的溢出中介效应显著（他人依从性对患者结局有影响），而自身中介效应在不同环节方向不同。 - 想说明什么：展示 NDDPM 在真实 CRT 数据中可拆解多中介溢出效应，且相比参数化贝叶斯模型（如线性路径假设），NDDPM 对中介-结局曲面的灵活刻画避免了偏倚。
🔎 结论是否比证明窄： - 定理2的后验一致性在“真实分布属于 NDDPM 支撑集”条件下严格证明，但文中在讨论部分泛泛 claim NDDPM “flexibly capture the outcome and mediator surfaces at different levels”，这比证明窄——证明只保证在支撑集内收敛，不保证对任意光滑分布的逼近效率。 - 识别结果（定理1）严格依赖 (A2) 的跨世界中介-结局可忽略性，但实证分析中无法验证此假设，作者未提供 sensitivity analysis，这是一个 claim 宽于证明的缺口。
四、开放问题（点到为止）¶
-
干扰下多中介的半参数效率界与 influence function 推导：本文给出了非参数识别公式，但估计走贝叶斯非参数路线，未涉及频率学派的半参数效率理论。要估什么：干扰下多中介特异性 estimands 的 efficient influence function 与 semiparametric efficiency bound。扎根点：定理1的识别公式是纯期望积分形式，天然可套用 Robins (1994) 的非参数路径导出 EIF，但干扰导致反事实维度爆炸，EIF 是否仍为多项式阶？需核验 intro 未引用的 Tchetgen Tchetgen 近期工作。
-
顺序可忽略性 (A2) 的 sensitivity analysis：识别依赖极强的跨世界中介-结局可忽略性，实证中极可能因集群共享混杂被违反。要估什么：在 (A2) 被违反时，estimands 的偏倚界或边界。扎根点：作者在 Section 5 实证分析中直接假设 (A2) 成立，未做 sensitivity analysis，这是识别假设与实证应用间的张力。
-
NDDPM 的计算代价与高维中介的收缩：当中介数 \(K\) 或集群内个体数 \(n_c\) 增大时，NDDPM 的内层 DDP 维度爆炸。要算什么：NDDPM 在高维 \(K\) 或大 \(n_c\) 下的 MCMC 收敛速率与后验收缩速率是否退化。扎根点：定理2 的收敛速率显式依赖维度 \(d\)，当 \(K\) 增大时 \(d\) 线性增长，速率指数退化，作者未讨论此计算-统计权衡。
-
从部分干扰到网络干扰的推广：本文假设部分干扰（集群间无交互），但许多 CRT（如社交网络干预）存在跨集群干扰。要证什么：在网络干扰下，溢出中介 estimands 的识别条件与 NDDPM 的拓扑支撑是否仍成立。扎根点：intro 明确将设定限制为 CRT（部分干扰），未触及网络结构，这是作者 framing 的边界。
Maintained by 陈星宇 · Homepage · Source on GitHub