Alleviating spatial confounding in frailty models¶
作者: Douglas R M Azevedo, Marcos O Prates, Dipankar Bandyopadhyay
来源: Biostatistics
主题: 因果推断
相关性: 7/10
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么： 空间混杂是空间统计与空间流行病学中的一个根本识别与推断问题。在带有空间随机效应的回归模型（如空间广义线性混合模型、空间 frailty 生存模型）中，如果某个固定效应协变量本身具有空间结构（例如环境暴露往往随地理位置平滑变化），它与模型中用来吸收残差空间依赖性的空间随机效应就会发生不可观测的共线性。这导致固定效应的估计发生偏倚且方差膨胀，使得因果效应或关联效应的推断失效。当前该方向已积累了大量针对区域数据与地统计数据的技术提案，但如何将现有维度兼容的正交投影方法移植到维度不匹配的复杂模型（如生存 frailty 模型），是当前的前沿瓶颈。
发展脉络： - 奠基与问题界定：Paciorek (2010) 建立了理解空间混杂的分析框架，指出当未测混杂引入了残差空间结构时，即使方差成分已知，带空间随机效应的回归估计仍是有偏的；偏倚取决于协变量与残差的空间尺度差异——只有当协变量存在比未测混杂更小尺度的变异时，空间模型才能减少偏倚。 - 主要进展（投影与受限空间模型）：Hughes & Haran (2010) 提出了基于投影的受限空间回归（RSM），利用 Moran's I 特征向量将空间随机效应投影到与固定效应设计矩阵正交的子空间，同时实现维度缩减与混杂缓解。随后，Prates et al. (2019) 提出了 SPOCK 方法，通过位移地理中心点来变换空间结构，确保空间随机效应与固定效应正交，且不限制空间误差的分布族。 - 当前 frontier 与本文位置：近期一系列工作（如 Guan & Haran 2018, Thaden & Kneib 2018 等）将投影/正交思路推向了更广泛的 SGLMM 与地统计场景。然而，作者指出，这些投影方法无法直接移植到空间生存 frailty 模型，因为 frailty 模型中固定效应与空间随机效应的维度不兼容（设计矩阵维度 \(n\) vs 空间效应维度 \(r\)），导致原有的正交投影矩阵无法构造。本文正是填补这一缺口，提出两步法在 frailty 模型中实现维度匹配与正交约束。
子线索聚类： 1. 尺度与偏倚的理论分析：以 Paciorek (2010) 为代表，从空间协方差尺度出发，解析偏倚何时存在、何时可通过空间模型消除，侧重理论刻画而非算法。 2. 正交投影与受限空间回归（RSM）：以 Hughes & Haran (2010) 及随后的计算高效投影法为核心，通过构造正交子空间或特征向量基，在 SGLMM 中同时实现维度缩减与混杂缓解。 3. 空间结构变换：以 Prates et al. (2019) 的 SPOCK 为代表，不改动模型参数化，而是通过改变地理坐标（位移中心点）使得隐含的空间协方差矩阵与设计矩阵正交。 4. 空间 frailty 生存模型：以 Scudilio et al. (2018) 等为代表，关注在生存分析中引入 frailty 项捕获未观测异质性，但此前未系统处理 frailty 与固定效应的空间混杂。
这个方向在追问的核心问题： 1. 识别与偏倚：在存在未测空间混杂时，固定效应的因果/关联效应何时可被无偏识别？正交约束是否真正恢复了识别性，还是仅改变了偏倚的方向？ 2. 维度缩减与计算：高维空间随机效应导致 MCMC 混合慢，如何通过低维投影或受限表示加速计算，且不损失空间依赖的吸收能力？ 3. 维度不匹配的投影：当设计矩阵与空间随机效应的维度不一致（如 frailty 模型中 \(n \neq r\)）时，如何构造正交约束？
⚠️ 作者的 framing： - 作者的说法：作者将缺口 frame 为"现有投影方法因维度不兼容而无法用于空间生存 frailty 模型"，从而将本文的两步法（先降维投影设计矩阵至空间效应维度，再施加正交约束）呈现为"显然的下一步"。 - 被淡化或回避的竞争路线：Intro 中未讨论 proximal causal inference 框架。Proximal CI 同样处理未测混杂，但使用负控制变量而非空间正交投影来实现识别。此外，Intro 未提及非参数空间方法（如地理加权回归 GWR）对空间混杂的处理，也未讨论因果 DAG 视角下的空间混杂定义（即空间混杂本质上是特定 DAG 中的后门路径问题）。 - 明显该被引却未出现的：关于空间混杂与因果识别交叉的文献（如 Papadogeorgou et al. 2019, "Adjusting for unmeasured spatial confounding..."），这类工作直接从因果 identification 角度审视空间混杂，而非纯计算/投影视角，是研究者应去查证的重要缺口。
张力： 未见明显对立引用。Paciorek (2010) 指出空间模型在某些尺度下反而加剧偏倚，而 Hughes & Haran (2010) 的 RSM 则声称正交投影可"缓解"混杂。这两者并不矛盾（RSM 的正交性实质上是在特定尺度上强行剥离了协方差），但暗示了正交投影可能牺牲了部分空间残差的吸收能力，这一潜在张力本文未深入剖析。
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
- \(n\)：样本量（观测个体数，如癌症患者数）。
- \(r\)：空间区域数（如加州的县数），\(r \leq n\)。
- \(X\)：固定效应设计矩阵，维度为 \(n \times p\)（\(p\) 为协变量数，如年龄、暴露水平）。
- \(\boldsymbol{\beta}\)：固定效应参数（estimand，即我们想推断的协变量效应）。
- \(W\)：空间邻接矩阵或精度矩阵的基础结构，维度为 \(r \times r\)。
- \(\boldsymbol{\phi}\)：空间随机效应（frailty），维度为 \(r \times 1\)，服从 \(N(\mathbf{0}, \tau^{-1}Q(\boldsymbol{\phi}))\)，其中 \(Q(\boldsymbol{\phi})\) 是基于 \(W\) 构造的精度矩阵，\(\tau\) 是超参数。
- \(t_i, \delta_i\)：个体 \(i\) 的观测生存时间与删失指示变量（可观测数据）。
- \(h(t_i)\)：基准风险函数。
- 潜在/不可观测量：\(\boldsymbol{\phi}\) 本身不可观测，且它与 \(X\) 之间的混杂关系不可观测——我们想要 \(\boldsymbol{\beta}\) 的无偏推断，但 \(\boldsymbol{\phi}\) 吸收了与 \(X\) 空间共线的未测因素。
模型（空间 frailty 生存模型）： 个体的风险函数为 \(h(t_i | X_i, \phi_{s_i}) = h(t_i) \exp(X_i^\top \boldsymbol{\beta} + \phi_{s_i})\)，其中 \(s_i\) 是个体 \(i\) 所属的区域索引。数据生成机制为：给定 \(X\) 和 \(\boldsymbol{\phi}\)，生存时间服从相应风险下的生存分布；\(\boldsymbol{\phi}\) 服从空间先验。
可观测数据： 对每个个体 \(i\)，观测到 \((X_i, t_i, \delta_i, s_i)\)；对每个区域 \(j\)，观测到其地理邻接关系 \(W\)。不可观测的是 \(\boldsymbol{\phi}\) 及其与 \(X\) 的混杂结构。
第二步：最小内核
最简特例：单个固定效应协变量（\(p=1\)），且个体与区域一一对应（\(n=r\)）。
在这个特例下，设计矩阵 \(X\) 退化为 \(n \times 1\) 向量 \(\mathbf{x}\)，空间效应 \(\boldsymbol{\phi}\) 也是 \(n \times 1\)。此时维度匹配，传统的 RSM 方法（Hughes & Haran 2010）直接适用：构造投影矩阵 \(P = I - \mathbf{x}\mathbf{x}^\top / (\mathbf{x}^\top \mathbf{x})\)，将 \(\boldsymbol{\phi}\) 替换为 \(P\boldsymbol{\phi}^*\)，强制新随机效应 \(P\boldsymbol{\phi}^*\) 与 \(\mathbf{x}\) 正交，从而在似然中剥离 \(\mathbf{x}\) 与 \(\boldsymbol{\phi}\) 的共线部分，恢复 \(\beta\) 的识别。
核心数学困难与本文破题点： 当 \(n > r\)（多个个体属于同一区域）时，\(X\) 是 \(n \times p\)，\(\boldsymbol{\phi}\) 是 \(r \times 1\)。此时 \(P = I - X(X^\top X)^{-1}X^\top\) 是 \(n \times n\) 矩阵，无法直接作用于 \(r \times 1\) 的 \(\boldsymbol{\phi}\)（维度不兼容：\(n \neq r\)）。这就是本文要解决的最小问题：如何在不同维度下构造正交约束？
本文的破题想法是两步法： 1. 维度匹配：将 \(X\) 降维投影至 \(r\) 维空间。构造映射矩阵 \(M\)（\(r \times n\)，基于区域聚合），令 \(\tilde{X} = MX\)（\(r \times p\)），此时 \(\tilde{X}\) 与 \(\boldsymbol{\phi}\) 维度匹配。 2. 正交约束：在 \(r\) 维空间内构造投影 \(P_r = I_r - \tilde{X}(\tilde{X}^\top \tilde{X})^{-1}\tilde{X}^\top\)，将 \(\boldsymbol{\phi}\) 替换为 \(P_r \boldsymbol{\phi}^*\)，确保 \(\boldsymbol{\phi}^*\) 与 \(\tilde{X}\) 正交。
在这个最简特例中，要证的命题退化为：在 \(n>r\) 且 \(X\) 经 \(M\) 映射为 \(\tilde{X}\) 的设定下，约束 \(\boldsymbol{\phi} = P_r \boldsymbol{\phi}^*\) 是否使得 \(\beta\) 的后验推断免受 \(\boldsymbol{\phi}\) 与 \(X\) 空间共线的干扰？ 其成立依赖于 \(M\) 必须保留 \(X\) 中与 \(\boldsymbol{\phi}\) 共线的空间信息（即 \(M\) 不能抹平区域间的协变量差异），否则正交约束只作用于聚合后的残差，原个体层面的混杂仍可能残留。
三、这篇论文做了什么¶
三句话： ①研究了空间 frailty 生存模型中固定效应与空间随机效应因维度不兼容而无法直接施加正交投影的空间混杂问题。 ②核心工具是两步法：先将设计矩阵通过区域聚合映射降维至与空间效应同维，再在该同维空间内施加正交投影约束（受限空间 frailty 模型）。 ③主要结论是：该两步法在全贝叶斯 INLA 框架下实现了计算加速与混杂缓解，模拟与加州呼吸道癌症生存数据表明其固定效应估计偏倚更小、模型表现优于传统空间 frailty 模型与替代方案。
关键设定与假设： - 设定：比例风险 frailty 模型，\(h(t_i) = h_0(t_i) \exp(X_i^\top \boldsymbol{\beta} + \phi_{s_i})\)，\(\boldsymbol{\phi} \sim N(\mathbf{0}, \tau^{-1}Q(\boldsymbol{\phi}))\)。 - 映射矩阵 \(M\)：\(r \times n\) 矩阵，将个体级协变量聚合为区域级。文中使用区域指示矩阵（每行对应一个区域，个体属于该区域则对应元素为1，否则为0），并做归一化。 - 假设 1（维度可聚合性）：\(X\) 的空间混杂信息可通过 \(M\) 无损或低损地压缩至 \(\tilde{X} = MX\)。这是两步法生效的前提，但文中未给出严格的统计条件（如要求 \(X\) 在同一区域内个体间变异较小）。 - 假设 2（正交消除混杂）：约束 \(\boldsymbol{\phi} = P_r \boldsymbol{\phi}^*\)（\(P_r \tilde{X} = \mathbf{0}\)）足以消除 \(\boldsymbol{\beta}\) 估计的空间混杂偏倚。相比已有文献（Hughes & Haran 2010 在 \(n=r\) 下严格正交），本文在 \(n>r\) 下的正交性仅对聚合后的 \(\tilde{X}\) 成立，对原始 \(X\) 是近似正交，这是一个放宽。 - 假设 3（INLA 适用性）：模型结构需满足 INLA 的潜高斯马尔可夫假设，即联合似然可分解为潜高斯场与超参数的分层结构。
主要结果： - 定理/命题性质（核心陈述）：文中未给出渐近无偏性或识别性的严格定理，核心结果是方法设计与实证验证。理论层面的陈述是：通过 \(\boldsymbol{\phi} = P_r \boldsymbol{\phi}^*\) 约束，模型变为受限空间 frailty 模型，其潜高斯场的维度从 \(r\) 降至 \(r-p\)（因 \(P_r\) 消去了 \(p\) 个自由度），且 \(\tilde{X}^\top \boldsymbol{\phi}^* = \mathbf{0}\) 保证了区域级正交性。 - 直觉：正交投影切断了 \(\tilde{X}\) 与 \(\boldsymbol{\phi}^*\) 的后验依赖，使得 \(\boldsymbol{\beta}\) 的更新不再受 \(\boldsymbol{\phi}\) 空间波动的牵连，从而缓解偏倚与方差膨胀。 - 必要条件：\(\tilde{X}\) 必须列满秩（\(r \geq p\)），否则 \(P_r\) 无法构造；\(M\) 必须保留 \(X\) 的空间信号。 - 解决的技术难点：在 \(n \neq r\) 的 frailty 模型中构造了维度兼容的正交投影，并证明该投影后的模型仍可嵌入 INLA 的潜高斯框架进行快速推断。
证明路线与技术技巧： 本文为方法型论文，无传统定理证明，但其方法构造有明确的逻辑路线： 1. 问题提出：指出 \(n \times n\) 的正交投影矩阵 \(P\) 无法作用于 \(r \times 1\) 的 \(\boldsymbol{\phi}\)。 2. 维度匹配（关键跳跃点）：引入区域聚合映射 \(M\)，构造 \(\tilde{X} = MX\)。难点在于 \(M\) 的选择——文中选用指示矩阵的归一化版本，确保 \(\tilde{X}\) 是区域级协变量均值（或比例），这利用了空间混杂主要发生在区域间而非个体间的先验信念。 3. 正交约束构造：计算 \(P_r = I_r - \tilde{X}(\tilde{X}^\top \tilde{X})^{-1}\tilde{X}^\top\)，令 \(\boldsymbol{\phi} = P_r \boldsymbol{\phi}^*\)，此时 \(\boldsymbol{\phi}^*\) 的先验需调整为 \(N(\mathbf{0}, \tau^{-1}(P_r Q(\boldsymbol{\phi}) P_r)^{-1})\) 以维持潜高斯结构。 4. INLA 嵌入：将约束后的模型重参数化，利用 INLA 的 Laplace 近似与稀疏精度矩阵计算，实现后验边缘分布的快速近似。 - 技术技巧点名： - 正交投影：用于切断固定效应与随机效应的线性依赖，是 RSM 类方法的核心工具。 - INLA (Integrated Nested Laplace Approximation)：用于规避 MCMC，通过 Laplace 近似与数值积分快速计算潜高斯场边缘后验，依赖于稀疏精度矩阵（此处 \(P_r Q P_r\) 的稀疏性需确认）。 - 重参数化：将 \(\boldsymbol{\phi} = P_r \boldsymbol{\phi}^*\) 视为参数替换，调整先验精度矩阵以适配 INLA 框架。
真实例子与应用： - 数据：加州呼吸道癌症生存数据，包含个体级生存时间、删失指示、固定效应协变量（如年龄、性别等）及所属区域（加州各县）。 - 如何用上去：将个体映射至县，构造 \(M\) 与 \(\tilde{X}\)，拟合受限空间 frailty 模型（本文方法），并与传统空间 frailty 模型（无正交约束）、非空间 frailty 模型对比。 - 结果：本文方法的固定效应估计更稳定（后验方差更小），空间随机效应的吸收更合理（不与固定效应共线），DIC 或类似模型选择指标表现更优。 - 想说明什么：验证两步法在真实数据中确实缓解了混杂偏倚（固定效应估计不再被空间效应扭曲），且计算上通过 INLA 实现了高效推断。
🔎 结论是否比证明窄： 文中声称"缓解了空间混杂"，但严格证明仅限于"在聚合后的 \(\tilde{X}\) 上实现了正交"。对原始个体级 \(X\) 的混杂缓解是隐含假设，未被严格证明。此外，文中未证明 \(\boldsymbol{\beta}\) 的后验均值的偏倚在何种条件下趋于零，仅通过模拟与实证展示偏倚减小。这是一个明显的 claim-证明缺口："缓解混杂"的 claim 比构造正交投影的证明要宽泛。
四、开放问题（点到为止）¶
- 个体级混杂的严格识别条件：当 \(n > r\) 且 \(M\) 为聚合映射时，\(\tilde{X}^\top \boldsymbol{\phi}^* = \mathbf{0}\) 并不保证 \(X^\top \boldsymbol{\phi}_{\text{expanded}} = \mathbf{0}\)（个体级正交）。要证什么：在什么条件下（如区域内协变量变异的尺度限制），聚合级正交足以控制个体级偏倚？扎根点：本文假设 1 与假设 2 的缺口，以及 Paciorek (2010) 关于尺度依赖偏倚的理论。
- 投影估计的半参数效率界：正交投影实质上是一种受限参数化，它改变了模型的有效参数空间。要估什么：在受限空间 frailty 模型下，\(\boldsymbol{\beta}\) 的半参数效率界是什么？投影是否损失了效率？扎根点：本文方法改变了潜高斯场的维度（\(r-p\)），但未讨论这对 \(\boldsymbol{\beta}\) 估计效率的影响。
- 与 proximal CI 的识别等价性：正交投影与 proximal CI 的负控制调整在结构上相似（都是用辅助变量/结构吸收未测混杂）。要证什么：在空间设定下，\(P_r \boldsymbol{\phi}^*\) 是否等价于某个 proximal CI 的识别公式？扎根点：Intro 中完全未引用因果识别文献，这是一个被回避的竞争路线，研究者应去查证 Papadogeorgou et al. (2019) 等工作。
- INLA 近似误差对偏倚的影响：INLA 是 Laplace 近似，存在数值误差。要算什么：在强混杂设定下，INLA 的近似误差是否会引入额外的固定效应偏倚，从而混淆"混杂缓解"与"近似误差"的效应？扎根点：本文所有推断依赖 INLA，但模拟仅对比了 MCMC 基准，未解析分离 INLA 误差与混杂偏倚。
Maintained by 陈星宇 · Homepage · Source on GitHub