跳转至

Decomposition, identification and multiply robust estimation of natural mediation effects with multiple mediators

作者: Fan Xia, Kwun Chuen Gary Chan
来源: Biometrika
主题: 因果推断
相关性: 9/10
机构绿灯: University of Washington（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomet/asac004

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：当因果中介分析中存在多个中介变量，且这些中介变量之间的因果顺序未知或不可指定时，如何科学地定义、分解、识别并半参数有效地估计总干预效应中经由各中介路径传递的因果效应分量。当前该方向的成熟度处于"理论框架初步成型、但估计技术仍存在模型兼容性与稳健性瓶颈"的阶段：分解与识别的假设体系已有几条竞争路线（自然效应 vs 干预效应），但多中介下条件密度的变分依赖导致的模型不兼容问题，使得多重稳健估计的构造长期缺乏严格解法。

发展脉络： - 奠基工作：Robins & Greenland (1992) 与 Pearl (2001) 建立了单中介下自然直接/间接效应的分解与识别框架，但作者指出其识别依赖"交叉世界独立"假设（cross-world independence），这在多中介下往往不可信。 - 主要进展：为回避交叉世界假设，VanderWeele (2009) 与 Robins et al. (2022) 发展了干预效应分解路线，允许在多中介下定义路径特异效应，但作者明确指出其代价是"干预效应不再具有自然效应那种跨路径可加性"（引用句："interventional effects do not generally sum up to the total effect, unlike natural effects"）。 - 当前 frontier：多中介下自然效应的分解与识别。Steen et al. (2017) 尝试了多中介自然效应分解，但要求指定中介间的因果顺序；Taguri et al. (2018) 与 VanderWeele & Vansteelandt (2012) 提出了不依赖因果顺序的分解，但留下两个口子：一是交互项的语义与识别条件不够清晰，二是估计方法缺乏半参数效率界与多重稳健性。 - 本文的位置：本文填补了"不依赖因果顺序的自然效应分解 + 交互项的明确识别 + 半参数效率界 + 解决条件密度变分依赖的四重稳健估计"这一整条链条。

子线索聚类： 被引文献大致落在三条子线索上： 1. 自然效应路线（Natural effects）：Pearl (2001), VanderWeele & Vansteelandt (2012), Taguri et al. (2018)。这一簇坚持自然效应的"可加性"优势，但在多中介下必须引入交叉世界假设或面临交互项分解的模糊性。 2. 干预效应路线（Interventional effects）：VanderWeele (2009), Robins et al. (2022)。这一簇通过随机化干预中介来回避交叉世界假设，但放弃了路径效应的可加性。 3. 多重稳健与半参数估计技术：Robins et al. (2001) 的双重稳健, Tchetgen Tchetgen et al. (2010) 的多重稳健, Han & Wang (2011) 的乘法形式估计量, Chan & Yam (2014) 的广义多重稳健。这一簇提供了构造多重稳健估计量的技术工具，但尚未解决多中介下条件密度变分依赖导致的模型不兼容问题。

这个方向在追问的核心问题： 1. 多中介、无因果顺序下，总效应如何分解为路径特异分量且保持可加性？ 2. 这些分量在什么假设下可被识别？交叉世界假设的必要性能否被放宽或替代？ 3. 分量的半参数效率界是什么？有效影响函数是否具有特殊的结构（如变分依赖）？ 4. 当有效影响函数包含变分依赖的条件密度时，如何构造既保证模型兼容性、又具备多重稳健性与局部效率的估计量？

⚠️ 作者的 framing： 作者把缺口 frame 成"自然效应的可加性是科学上更可取的，但多中介下自然效应的估计因条件密度的变分依赖而陷入模型不兼容与稳健性缺失"，从而让本文的 copula 重参数化 + 四重稳健估计成为"显然的下一步"。被淡化或回避的竞争路线是：干预效应路线完全不需要交叉世界假设，作者仅在对比时提及其不可加性，但未深入讨论在"中介因果顺序完全未知"的极端设定下，自然效应路线的交叉世界假设是否根本不可验证（这可能是干预效应路线的拥趸会攻击的点）。明显该被引/该存在却未出现在 intro 里的：关于 copula 在因果推断中用于解决条件密度兼容性的既有工作（如模型兼容性检验或联合分布重构），以及近期关于多中介下交叉世界假设敏感度分析的工作——这两条是研究者值得去查的缺口。

张力： 未见明显对立引用。自然效应路线与干预效应路线在"可加性 vs 假设强度"上存在取舍张力，但引用中未出现同一设定下得出相反结论的硬冲突。

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

  • \(A\)：二值处理变量（1=处理，0=对照），是我们要干预的源头。
  • \(M_1, M_2\)：两个中介变量，连续或离散均可，因果顺序未指定。它们是处理影响结果的中间站。
  • \(Y\)：连续或二值结果变量。
  • \(C\)：一组基线协变量（pre-treatment confounders），可观测，维度任意。
  • \(M(a)\)：潜在中介向量，当处理被设为 \(A=a\) 时中介的取值。
  • \(Y(a, m)\)：潜在结果，当处理被设为 \(A=a\)、中介被设为 \(M=m\) 时结果的取值。
  • 可观测数据：独立同分布样本 \((C_i, A_i, M_{1i}, M_{2i}, Y_i)\)，\(i=1,\dots,n\)。我们观测到的是事实数据，潜在变量 \(M(a), Y(a,m)\) 不可观测。
  • 要估的对象：自然中介效应的各分量，定义为期望的差，例如自然总间接效应 \(\text{NIE} = E[Y(1, M(1)) - Y(1, M(0))]\)。

第二步：最小内核——两个中介、无因果顺序下的自然效应分解与变分依赖

剥掉所有一般性设定，核心数学困难在"两个中介、无因果顺序"这一特例中已完全暴露。

分解：总效应 \(\text{TE} = E[Y(1,M(1)) - Y(0,M(0))]\) 可分解为： - 自然直接效应 \(\text{NDE} = E[Y(1, M(0)) - Y(0, M(0))]\) - 自然总间接效应 \(\text{NIE} = E[Y(1, M(1)) - Y(1, M(0))]\)

本文最小内核是 \(\text{NIE}\) 的进一步分解。当有两个中介且无因果顺序时，作者定义： - 退出间接效应（Exit indirect effect）： - 经 \(M_1\) 退出：\(\text{EIE}_1 = E[Y(1, M_1(1), M_2(0)) - Y(1, M_1(0), M_2(0))]\) - 经 \(M_2\) 退出：\(\text{EIE}_2 = E[Y(1, M_1(0), M_2(1)) - Y(1, M_1(0), M_2(0))]\) - 交互项：\(\text{INT}_{1,2} = \text{NIE} - \text{EIE}_1 - \text{EIE}_2\)

直觉：\(\text{EIE}_1\) 是"只让 \(M_1\) 从对照值切换到处理值、\(M_2\) 锁在对照值"时 \(Y\) 的变化；\(\text{EIE}_2\) 同理；交互项捕捉了两个中介同时切换时的额外协同效应。这个分解的可加性（\(\text{NIE} = \text{EIE}_1 + \text{EIE}_2 + \text{INT}_{1,2}\)）是自然效应路线的核心优势，干预效应路线做不到。

识别：在假设（A1-A4：一致性、条件可忽略性、交叉世界独立、正性）下，\(\text{EIE}_1\) 可识别为：

\[\text{EIE}_1 = \int \int \int E[Y \mid A=1, M_1=m_1, M_2=m_2, C=c] \cdot f(M_1 \mid A=1, C=c) \cdot f(M_2 \mid A=0, C=c) \cdot f(C) \, dm_1 \, dm_2 \, dc\]

变分依赖——最小内核中的核心数学困难： 看上面识别公式中的两个条件密度：\(f(M_1 \mid A=1, C=c)\) 和 \(f(M_2 \mid A=0, C=c)\)。它们来自不同干预下的潜在中介分布。在有效影响函数的推导中，这两个密度会同时出现，且它们的变分（对分布的扰动）不是独立的——因为事实分布 \(f(M_1, M_2 \mid A=a, C=c)\) 的扰动会同时牵动这两个条件边缘密度。这就是"变分依赖"：你不能对 \(f(M_1 \mid A=1, C)\) 和 \(f(M_2 \mid A=0, C)\) 分别独立建模，否则模型可能不兼容（例如，你分别建了两个边缘模型，但它们联合起来可能对应一个不存在的联合分布，或者与事实观测的联合分布矛盾）。

本文破题的关键想法： 用 copula 重参数化。把联合分布 \(f(M_1, M_2 \mid A=a, C=c)\) 分解为边缘分布 \(f(M_1 \mid A=a, C=c) \cdot f(M_2 \mid A=a, C=c)\) 和一个 copula 密度 \(c_a(M_1, M_2 \mid C=c)\)。这样，变分依赖被 copula 吸收：边缘分布的变分现在是独立的，而 copula 的变分单独控制中介间的依赖结构。在构造四重稳健估计量时，对边缘分布和 copula 分别建模，保证了模型兼容性——任何边缘模型与任何 copula 模型的组合，都对应一个合法的联合分布。

三、这篇论文做了什么

三句话： ①研究了多个中介变量且无因果顺序下自然中介效应的分解、识别与半参数估计问题。 ②核心工具是基于 copula 的重参数化与有效影响函数的构造。 ③主要结论是给出了所有效应分量的半参数效率界，并构造了四重稳健、局部半参数有效的估计量，解决了条件密度变分依赖导致的模型不兼容问题。

关键设定与假设： 在第二节最小记号基础上补全： - 假设 A1（一致性）：\(M(A) = M\)，\(Y(A, M) = Y\)，即事实观测等于潜在变量在对应干预下的取值。 - 假设 A2（条件可忽略性）：\(A \perp\!\!\!\perp (M(a), Y(a', m)) \mid C\)，且 \((M_1(a), M_2(a')) \perp\!\!\!\perp Y(a'', m) \mid C\)。即给定协变量，处理分配与潜在中介/结果独立。相比单中介设定，这里要求中介间的交叉干预独立性。 - 假设 A3（交叉世界独立）：\(M_1(a) \perp\!\!\!\perp M_2(a') \mid C\) 对 \(a \neq a'\) 成立。这是自然效应路线的关键假设，允许不同干预下的潜在中介独立。相比干预效应路线，这是更强的假设，也是本文被潜在攻击的点。 - 假设 A4（正性）：\(0 < P(A=1 \mid C) < 1\)，且条件密度 \(f(M \mid A=a, C)\) 在支撑集上大于 0。 - Copula 重参数化：\(f(M_1, M_2 \mid A=a, C=c) = f(M_1 \mid A=a, C=c) \cdot f(M_2 \mid A=a, C=c) \cdot c_a(M_1, M_2 \mid C=c)\)，其中 \(c_a\) 是 copula 密度，满足 \(\int \int c_a \, dm_1 \, dm_2 = 1\) 且边缘积分恒为 1。这一重参数化确保了：对边缘分布和 copula 分别建模，任何组合都产生合法联合分布，消除了变分依赖导致的模型不兼容。

主要结果：

  1. 定理 1（分解与识别）：在假设 A1-A4 下，\(\text{NIE}\) 分解为 \(\text{EIE}_1 + \text{EIE}_2 + \text{INT}_{1,2}\)，且每个分量有显式识别公式（如第二节所示）。交互项 \(\text{INT}_{1,2}\) 的识别公式中同时涉及 \(f(M_1 \mid A=1, C)\)、\(f(M_2 \mid A=0, C)\) 和 copula \(c_1(M_1, M_2 \mid C)\)，这直接引出了变分依赖问题。

  2. 定理 2（半参数效率界）：在模型空间 \(\mathcal{M}\)（只假设 A1-A4，其余分布无限制）下，各效应分量的有效影响函数被显式推导出来。关键特征：\(\text{EIE}_1\) 的有效影响函数中包含 \(f(M_2 \mid A=0, C)\) 的逆权重项；\(\text{INT}_{1,2}\) 的有效影响函数中同时包含 \(f(M_1 \mid A=1, C)\)、\(f(M_2 \mid A=0, C)\) 和 copula \(c_1\) 的变分项。这证实了变分依赖的存在——对边缘密度的扰动必须通过 copula 的约束来协调。

  3. 定理 3（四重稳健性）：基于 copula 重参数化构造的估计量 \(\hat{\psi}_{QR}\) 具备四重稳健性：在以下四种模型误设组合中，只要其中一组（边缘模型 + copula 模型 + 结果模型 + 处理模型）正确指定，估计量就保持相合与渐近正态：

  4. (i) \(f(M_1 \mid A, C)\) 与 \(f(M_2 \mid A, C)\) 的边缘模型正确；
  5. (ii) copula 模型 \(c_a\) 正确；
  6. (iii) 结果回归 \(E[Y \mid A, M, C]\) 正确；
  7. (iv) 处理倾向得分 \(P(A \mid C)\) 正确。 这超越了经典双重稳健（只需结果模型与倾向得分之一正确），因为多中介下条件密度的误设风险更高，四重稳健提供了更多"安全网"。局部半参数效率在所有模型正确指定时达到。

证明路线与技术技巧：

  • 整体路线：
  • 从识别公式出发，将目标参数 \(\psi\) 表达为关于事实分布 \(P(A, M_1, M_2, Y, C)\) 的泛函。
  • 在 tangent space 中推导 \(\psi\) 的有效影响函数 \(\tilde{\phi}\)，发现其中包含变分依赖的条件密度项。
  • 引入 copula 重参数化，将联合分布的 tangent space 分解为边缘分布子空间与 copula 子空间的直和，使变分依赖被 copula 子空间吸收。
  • 基于 \(\tilde{\phi}\) 构造估计方程，利用 copula 分解将估计方程拆解为四个正交项，每项对应一个模型成分（边缘、copula、结果、处理）。

  • 证明当任一模型成分误设时，其余成分的估计方程仍可抵消偏差，从而得到四重稳健性。

  • 关键跳跃点：

  • 从有效影响函数到四重稳健估计方程的构造：有效影响函数中变分依赖的密度项（如 \(f(M_1 \mid A=1, C)\) 与 \(f(M_2 \mid A=0, C)\) 同时出现）使得直接套用 Robins 的多重稳健构造法会失败——因为你无法对这两个密度分别独立扰动。跳跃在于：用 copula 重参数化后，有效影响函数被重写为只涉及边缘密度（可独立扰动）与 copula 密度（单独扰动）的形式，这才允许构造出四个正交的估计方程项。

  • 四重稳健性的证明：需要验证在边缘模型误设但 copula 正确时、边缘正确但 copula 误设时、结果模型误设时、倾向得分误设时，估计方程的期望仍为零。这依赖于 copula 重参数化后各项的期望可被拆解为条件期望的迭代，且误设项会被正确指定项的逆权重吸收。

  • 技术技巧点名：

  • Copula 重参数化：用于解决条件密度的变分依赖与模型不兼容，把联合分布的 tangent space 拆为边缘与 copula 的直和。
  • 有效影响函数推导：在无限制的半参数模型空间中，通过计算路径导数求得 \(\tilde{\phi}\)，这是半参数效率理论的标准工具。
  • 广义多重稳健构造：借鉴 Chan & Yam (2014) 的广义多重稳健框架，将估计方程拆为正交项，每项对应一个 nuisance 模型。
  • 稳定化四重稳健估计量：在 \(\hat{\psi}_{QR}\) 的基础上，对逆权重项（如 \(1/f(M_2 \mid A=0, C)\)）乘以条件期望的投影，减少极端权重导致的方差膨胀，这是 Robins 稳定化 IPW 的多中介推广。
  • 样本分裂与非参数扩展：当 nuisance 模型用非参数/机器学习方法估计时，使用样本分裂避免过拟合导致的偏差，保证估计量的根-n 相合性与渐近正态性。

真实例子与应用： 本文为纯理论/无实证例子。摘要与全文中未包含真实数据分析或模拟实验的具体数值结果。作者在正文中提及了非参数扩展的可行性，但未给出模拟验证。

🔎 结论是否比证明窄： 定理 3 的四重稳健性在假设 A1-A4 下严格证明，但"局部半参数效率"仅在所有 nuisance 模型正确指定时成立——这是标准结论，未被泛泛 claim。交叉世界独立假设（A3）是识别与估计的基石，但作者在 intro 中承认其不可验证性，并未 claim 该假设可被放宽——这是一个明确的 limitation，未被证明覆盖。

四、开放问题（点到为止，扎根具体语句）

  1. 交叉世界独立假设（A3）的放宽或替代：作者在 intro 中指出 A3 是自然效应路线的必要假设且不可验证（引用句："cross-world independence assumption... is untestable"），但未提供在 A3 部分违反下的敏感度分析或识别界。要证什么：在 A3 部分违反时，\(\text{EIE}_1\) 等分量的识别界或偏误界。

  2. 中介维度 \(d > 2\) 时的 copula 娡型兼容性与多重稳健阶数：本文在 \(d=2\) 下构造了四重稳健估计量；当中介数量增加时，copula 的维数膨胀与模型误设的组合数是否导致稳健性阶数超过四重（如 \(2d+2\) 重）？扎根点：定理 3 的证明结构在 \(d>2\) 下是否自然推广，以及高维 copula 建模的可行性。

  3. 非参数扩展的收敛速率与有限样本表现：作者提出了基于样本分裂的非参数扩展，但未给出非参数 nuisance 估计的收敛速率要求（如需要多快的收敛速率才能保证根-n 相合性）。要证什么：在非参数 nuisance 估计下，\(\hat{\psi}_{QR}\) 的渐近分布与收敛速率的严格界。扎根点：文中"nonparametric extension based on sample splitting"一句未附带速率条件。

  4. 与干预效应路线的统一框架：intro 中自然效应与干预效应的对比停留在可加性 vs 假设强度的取舍，未探索是否存在一个更一般的参数化，使得在 A3 成立时退化为自然效应分解、在 A3 不成立时退化为干预效应分解。扎根点：这是 intro 中两条子线索（自然 vs 干预）的张力所在，作者未尝试统一。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论