跳转至

Using instrumental variables to address unmeasured confounding in causal mediation analysis

作者: Kara E Rudolph, Nicholas Williams, Iván Díaz
主题: 因果推断
相关性: 9/10
链接: https://doi.org/10.1093/biomtc/ujad037


一、领域脉络与小综述

这个方向是什么

因果中介分析(causal mediation analysis)旨在将总效应分解为直接效应(不通过中介变量 M 的路径)与间接效应(通过 M 的路径)。其根本困难在于:当暴露-中介、中介-结局、暴露-结局路径上存在未观测混杂时,标准的中介分析假设(序贯可忽略性,sequential ignorability)不再成立,直接效应与间接效应无法从观测数据中识别。本文所处理的子问题是:如何利用工具变量(IV)在存在未观测混杂的情况下识别中介效应。该方向处于因果推断中 IV 方法与中介分析的交叉地带,成熟度较低——正如作者在引言中所言,"几乎没有研究将 IV 作为识别策略同时处理暴露-结局与中介-结局的未观测混杂"。

发展脉络

  • 奠基工作:IV 方法用于总效应。Angrist, Imbens & Rubin (1996) 建立了二值工具变量下局部平均处理效应(LATE)的识别框架,其核心思想是利用工具变量的外生变异识别依从者(complier)子群中的因果效应。这是本文单工具变量场景的直接理论来源。
  • IV 用于中介分析的早期尝试。Rudolph et al. (2020b) 首次在观测数据场景 O=(W,A,Z,M,Y) 下定义了依从者随机直接效应(complier stochastic direct effect),但该工作仅使用单一工具变量,且仍需假设中介-结局关系无未观测混杂。作者在引言中明确指出这一局限:"this work was limited in terms of only identifying and estimating the complier direct effect, assuming a known stochastic intervention on the mediator, and therefore still requiring the assumption of no unobserved confounding of the mediator-outcome relationship."
  • 双工具变量策略的提出。Frölich & Huber (2017) 首次系统性地枚举了中介分析中需要两个工具变量的识别策略,但其方法要求两个工具变量相互独立,且对中介变量施加了较强的结构假设(如中介是暴露的确定性函数加外生噪声)。作者指出:"the authors also assume that the instruments A and L are independent from one another, which may occur only rarely in practice."
  • 本文的位置。Rudolph, Williams & Díaz (2021) 填补的缺口是:在允许两个工具变量相关的更一般设定下,定义并识别依从者随机直接效应与间接效应,并给出非参数、稳健、半参数有效的估计量。这是该方向上首次同时放松工具变量独立性假设与中介-结局无未观测混杂假设的工作。

子线索聚类

被引文献大致落在三条子线索上:

  1. IV 识别理论(Angrist et al. 1996; Angrist & Imbens 1995; Abadie 2003; Aronow & Carnegie 2013; Chernozhukov et al. 2020):关注如何利用工具变量在未观测混杂下识别总效应或子群效应。这一线索为本文提供了"依从者"这一子群定义的概念工具。
  2. 中介分析的识别与估计(VanderWeele et al. 2014; VanderWeele & Tchetgen Tchetgen 2017; Díaz et al. 2019; Rudolph et al. 2017, 2018, 2020a, 2020b):关注在无未观测混杂假设下定义和估计(随机)直接/间接效应。本文的 estimand 定义直接继承自这一线索中的"随机中介效应"传统。
  3. 半参数效率理论(Hahn 1998; Bickel et al. 1993; van der Laan & Rose 2011):为本文的估计策略提供了工具——EIF、one-step 估计、cross-fitting。Hahn (1998) 给出了平均处理效应的 EIF,本文的分子估计量直接建立在其上。

核心问题

  1. 识别问题:在存在未观测混杂时,如何定义"依从者"子群中的直接与间接效应?需要哪些假设才能从观测数据中识别这些效应?
  2. 估计问题:如何构造非参数、稳健(double robust)、半参数有效的估计量?在哪些条件下估计量达到半参数效率界?
  3. 工具变量相关性问题:当两个工具变量相关时,识别公式如何调整?效率损失有多大?

⚠️ 作者的 framing

作者将缺口 frame 为:"现有 IV 中介分析方法要么只处理暴露-结局混杂(单工具变量),要么要求两个工具变量独立(Frölich & Huber 2017),而现实中工具变量往往相关,且中介-结局混杂同样普遍。" 因此本文的贡献被定位为"在更现实的假设下,首次给出双工具变量(允许相关)场景下依从者随机直接/间接效应的识别与高效估计"。被淡化的竞争路线包括:不依赖工具变量、而依赖敏感性分析的中介分析方法(如 VanderWeele 的 E-value 方法),以及利用代理变量(proximal causal inference)处理未观测混杂的路线——这两条路线在本文引言中均未提及。

张力

未见明显对立引用。但值得注意的是,Frölich & Huber (2017) 要求工具变量独立,而本文放松了这一假设——这并非矛盾,而是推广。真正的张力在于:放松工具变量独立性后,识别所需的单调性假设(A7: P(CZ = CM ≥ 0) = 1)是否在实证中可检验或可辩护,作者对此着墨不多。


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

符号清单(按本文定义):

记号 含义 类型
W 基线协变量向量 可观测随机变量
A 暴露的工具变量(二值,随机化分配) 可观测随机变量
Z 实际接受的暴露(二值) 可观测随机变量
M 中介变量(可为多值/连续) 可观测随机变量
Y 结局(连续或二值) 可观测随机变量
L 中介的工具变量(二值) 可观测随机变量
U 未观测混杂(影响 Z-Y、M-Y、Z-M 关系) 不可观测潜在变量
Z_a 将 A 设为 a 时的反事实暴露 潜在变量
M_{a,m} 将 A 设为 a、M 设为 m 时的反事实中介 潜在变量
Y_{a,m} 将 A 设为 a、M 设为 m 时的反事实结局 潜在变量
C_Z = Z_1 − Z_0 暴露依从者指示(1=依从者) 潜在变量
C_M = M_1 − M_0 中介依从者指示(1=依从者) 潜在变量
G_{Z=z} 给定 W 下从条件分布随机抽取的中介值 随机变量(随机干预)
q(z|a,w) P(Z=z|A=a,W=w) nuisance 参数
g(a|w) P(A=a|W=w) nuisance 参数
µ(m,z,w) E(Y|M=m,Z=z,W=w) nuisance 参数
r(z|a,m,w) P(Z=z|A=a,M=m,W=w) nuisance 参数
e(a|m,w) P(A=a|M=m,W=w) nuisance 参数
c(m|l,z,w) P(M=m|L=l,Z=z,W=w) nuisance 参数
p(l|z,a,w) P(L=l|Z=z,A=a,W=w) nuisance 参数
ψ_CIDE, ψ_CIIE, ψ_CITE 依从者随机直接/间接/总效应 目标 estimand

模型(单工具变量场景):

观测数据 O = (W, A, Z, M, Y),结构方程为: - A = f(W, U_A)(随机化分配) - Z = f(W, A, U_Z)(暴露,受 A 影响) - M = f(W, Z, U_M)(中介,受 Z 影响) - Y = f(W, Z, M, U_Y)(结局,受 Z 和 M 影响)

关键点:U_Z、U_M、U_Y 之间可以任意相关(未观测混杂),因此 Z 与 Y 之间、M 与 Y 之间、Z 与 M 之间均可能存在未观测混杂。A 是 Z 的工具变量(满足排除限制:A 不直接影响 M 和 Y)。

可观测数据:n 个 i.i.d. 样本 {O_i = (W_i, A_i, Z_i, M_i, Y_i)},i = 1,...,n。

目标 estimand(单工具变量场景):

ψ_CIDE = E[Y_{1,G_0} − Y_{0,G_0} | C_Z = 1]

即:在暴露依从者中,将暴露从 0 改为 1(但中介按暴露=0时的分布随机抽取)的平均效应。

第二步:最小内核

最小内核:假设 W 为空(无协变量),A 为随机化二值工具变量,Z 为二值暴露,M 为二值中介,Y 为连续结局。目标是在存在未观测混杂 U 影响 Z、M、Y 的情况下,识别依从者中的直接效应。

识别公式(单工具变量场景):

ψ_CIDE = ψ_IDE / ψ_FS

其中: - 分子 ψ_IDE = θ(1,0) − θ(0,0),θ(a',a) = ∫ E(Y|w,z,m) dP(z|a',w) dP(m|a,w) dP(w) - 分母 ψ_FS = E[E(Z|W,A=1)] − E[E(Z|W,A=0)](第一阶段效应,即依从者比例)

为什么这个公式成立(直觉):

  1. 分母:在单调性假设 A2 下(Z_1 ≥ Z_0 几乎必然),第一阶段效应 ψ_FS 恰好等于依从者比例 P(C_Z = 1)。这是因为:总是接受者(always-takers,Z_1=Z_0=1)和从不接受者(never-takers,Z_1=Z_0=0)对第一阶段无贡献,只有依从者(Z_1=1, Z_0=0)贡献差异。

  2. 分子:θ(1,0) − θ(0,0) 是"将暴露从 0 改为 1、但中介按暴露=0时的分布抽取"的意向治疗(ITT)效应。在依从者中,由于 A 的随机化,这个 ITT 效应除以依从者比例就得到依从者中的平均效应。

  3. 关键识别条件:排除限制 A1 保证 A 只通过 Z 影响 M 和 Y;随机化保证 A ⊥ (Z_a, M_{a,m}, Y_{a,m}) | W;单调性 A2 保证依从者子群的定义清晰。

为什么这个最小内核"难":

  • 分子 ψ_IDE 涉及对中介分布的反事实干预(将 M 设为 G_0,即暴露=0时的中介分布),这需要估计中介的条件分布,而不仅仅是条件均值。
  • 在存在未观测混杂时,µ(m,z,w) = E(Y|M=m,Z=z,W=w) 不能直接解释为因果量,因为 M 和 Y 可能受共同未观测混杂 U 影响。但在依从者子群中,由于 A 的随机化,µ 的特定组合(通过 q 和 γ 加权)仍然可以识别因果效应。
  • 估计量需要同时估计多个 nuisance 参数(q, g, µ, r, e),且要达到半参数效率界,需要这些 nuisance 估计以足够快的速度收敛(n^{-1/4})。

双工具变量场景的最小内核:

在双工具变量场景中,观测数据为 O = (W, A, Z, L, M, Y),其中 A 是 Z 的工具变量,L 是 M 的工具变量。目标 estimand 变为:

ψ_DCIDE = E[Y_{1,G_0} − Y_{0,G_0} | C_Z = 1, C_M = 1]

其中 C_M = M_1 − M_0 是中介依从者指示。识别公式为:

ψ_DCIDE = ψ_TIIDE / ψ_JFS

其中 ψ_JFS = E[(Z_1−Z_0)(M_1−M_0)] 是联合第一阶段效应,ψ_TIIDE 是相应的分子。这里的关键新困难是:需要同时处理两个依从者子群(暴露依从者和中介依从者),且两个工具变量可能相关(放松了 Frölich & Huber 2017 的独立性假设)。


三、这篇论文做了什么

三句话

① 研究问题:在暴露-结局、暴露-中介、中介-结局路径均可能存在未观测混杂的情况下,如何利用工具变量识别中介分析中的直接与间接效应。② 核心方法:定义了依从者随机直接效应(CIDE)与间接效应(CIIE)两个新 estimand,在单工具变量和双工具变量(允许相关)两种场景下给出非参数识别公式,并基于 EIF 构造 one-step 估计量。③ 主要结论:在单调性、排除限制、序贯随机化等假设下,CIDE 和 CIIE 可由观测数据识别;所提估计量具有 double robustness 性质,且在 nuisance 参数以 n^{-1/4} 速率收敛时达到半参数效率界;模拟研究验证了有限样本性能,MTO 数据应用展示了实际可行性。

关键设定与假设

单工具变量场景(Theorem 1):

  • A1(排除限制):A 对 M 和 Y 无直接效应,只通过 Z 影响它们。即不存在 A→M 和 A→Y 的直接路径。
  • A2(单调性):P(Z_1 − Z_0 ≥ 0) = 1,即工具变量不会"劝阻"任何人接受暴露。这是 IV 文献中的标准单调性假设,保证依从者子群定义清晰。
  • A3(序贯随机化):Y_{a,m} ⊥ A | W,Y_{a,m} ⊥ M | (A,Z,W),M_a ⊥ A | W,Z_a ⊥ A | W。这比标准 IV 假设更强,因为它要求中介-结局关系在给定 (A,Z,W) 下可交换。
  • A4(积极性):p(w) > 0 蕴含 p(a'|w) > 0(a' ∈ {0,1}),且 p(m|a*,w) > 0、p(z|a',w) > 0 蕴含 p(m|z,w) > 0。保证所有条件概率都有正支撑。
  • A5(非零第一阶段):E(Z_1 − Z_0) ≠ 0,保证分母不为零。

双工具变量场景(Theorem 2):

  • A6(排除限制):A 对 M 和 Y 无直接效应,L 对 Y 无直接效应。即 A 只通过 Z 影响后续变量,L 只通过 M 影响 Y。
  • A7(单调性):P(C_Z = C_M ≥ 0) = 1,即暴露依从者和中介依从者的指示变量相等且非负。这是一个比单工具变量场景更强的假设——它要求"暴露依从者"和"中介依从者"是同一群人。
  • A8(可交换性):Y_{a,l} ⊥ A | W,Y_{a,l} ⊥ L | (A,Z,W),M_l ⊥ L | (A,Z,W),M_a ⊥ A | W,Z_a ⊥ A | W。
  • A9(积极性):类似 A4 但涉及 L。
  • A10(非零联合第一阶段):E[(Z_1−Z_0)(M_1−M_0)] ≠ 0。

Theorem 3:在只关心 DCIDE 时,可以弱化假设——不需要 A8 中关于 M_a ⊥ A 的部分,只需要 A11(Y_{a,l} ⊥ A | W,Y_{a,l} ⊥ L | (A,Z,W),M_a ⊥ A | W,Z_a ⊥ A | W)。

相比已有工作的变化: - 相比 Frölich & Huber (2017):放松了 A 和 L 独立的假设(本文允许相关),但增加了 A7 的联合单调性假设。 - 相比 Rudolph et al. (2020b):从单工具变量扩展到双工具变量,从而不再需要假设中介-结局无未观测混杂。

主要结果

识别结果:

  1. 单工具变量场景(Theorem 1):在 A1-A5 下, ψ_CIDE = [θ(1,0) − θ(0,0)] / [E{E(Z|W,A=1)} − E{E(Z|W,A=0)}] 其中 θ(a',a) = ∫ E(Y|w,z,m) dP(z|a',w) dP(m|a,w) dP(w)。

  2. 双工具变量场景(Theorem 2):在 A6-A10 下, ψ_DCIDE = [ϑ(1,0) − ϑ(0,0)] / [φ(1,1) − φ(1,0) − φ(0,1) + φ(0,0)] 其中 ϑ(a',a) = Σ_l ∫ µ̄_Z(l,a',w) γ(l|a,w) dP(w),φ(a,l) = E{E[Z E(M|L=l,Z,W)|A=a,W]}。

  3. 弱化版本(Theorem 3):在只关心 DCIDE 时,可用 A11 替代 A8,识别公式不变。

估计结果:

  • 估计策略:分别估计分子和分母,然后取比值。分子和分母均通过求解各自的 EIF 估计方程得到 one-step 估计量。
  • Double robustness(Lemma 1):单工具变量场景下,只要 (g, q, e, r) 或 (g, q, µ) 中有一组被正确估计,ψ_CIDE 的估计就是一致的。具体地,条件 (i) 要求 (g, q, e, r) 正确,条件 (ii) 要求 (g, q, µ) 正确。
  • Double robustness(Lemma 2):双工具变量场景下,只要 (q, µ, c) 或 (g, q, µ, p) 中有一组被正确估计,ψ_DCIDE 的估计就是一致的。
  • 渐近正态性:在 nuisance 参数以 n^{-1/4} 速率收敛的条件下,one-step 估计量渐近正态,且渐近方差等于 EIF 的方差(即达到半参数效率界)。
  • 方差估计:使用 EIF 的样本方差构造 Wald 型置信区间。

模拟结果(Section 5):

  • 单工具变量场景:当所有 nuisance 参数正确指定时,估计量无偏,相对效率收敛到效率界,95% CI 覆盖率接近名义水平。当 µ 被错误指定但 (g, q, e, r) 正确时,估计量仍然一致(验证了 double robustness)。
  • 双工具变量场景:类似结论,但有限样本性能在 N=500 时有所恶化,N=1000 时表现可接受。
  • 作者明确承认:"we acknowledge that these simulations are not informative of general estimator performance"——即模拟是"有限的"(limited),仅用于说明性质而非全面评估。

实证应用(Section 6):

  • 数据:Moving to Opportunity (MTO) 研究,样本为 12-17 岁男孩,排除巴尔的摩站点。
  • 单工具变量场景:A = 随机化获得住房券,Z = 实际使用住房券搬家,M = 搬家后社区贫困率(连续,0-1),Y = 过去一年 DSM-IV 情绪障碍(二值)。
  • 双工具变量场景:A = 随机化获得住房券,Z = 实际使用住房券搬家,L = 随机化后是否更换学区(M 的工具变量),M = 是否居住于低贫困社区(二值,<30% 贫困率)。
  • 结果:单工具变量场景下,依从者随机直接效应(风险差)为 0.127(95% CI: 0.093-0.161),间接效应为 0.017(95% CI: 0.014-0.020)。双工具变量场景下,直接效应为 0.313(95% CI: 0.130-0.496),间接效应为 0.007(95% CI: -0.002-0.017)。联合第一阶段效应为 0.104(95% CI: 0.080-0.128)。

证明路线与技术技巧

识别证明的路线:

  1. 单工具变量场景:从依从者子群的定义出发,利用 A 的随机化将 ψ_CIDE 表达为 ITT 效应与第一阶段效应之比。关键步骤是证明 θ(1,0) − θ(0,0) 等于 ITT 效应中"通过暴露改变、但不通过中介改变"的部分。这需要:(i) 排除限制 A1 保证 A 不直接影响 M 和 Y;(ii) 序贯随机化 A3 保证在给定 W 下,A 与潜在结果独立;(iii) 单调性 A2 保证依从者子群的定义不模糊。

  2. 双工具变量场景:更复杂。需要同时处理两个依从者子群(C_Z 和 C_M),且两个工具变量可能相关。证明的关键是构造 ϑ(a',a*) 和 φ(a,l) 两个辅助参数,使得它们的比值恰好等于依从者中的直接效应。这里用到了"序贯条件期望"的技巧:先对 M 积分(用 γ 分布),再对 Z 积分(用 q 分布),最后对 W 积分。

EIF 推导的路线:

  1. 对目标参数 ψ = ψ_num/ψ_den(分子/分母),先分别推导分子和分母的 EIF。
  2. 分子的 EIF 通过"路径导数"方法得到:在非参数模型中,计算目标参数在单点扰动下的导数,然后通过 Riesz 表示定理得到 EIF。
  3. 分母的 EIF 直接来自 Hahn (1998) 对平均处理效应的结果。
  4. 最终 EIF 通过 delta method 组合:D_ψ = (D_num − ψ·D_den) / ψ_den。

技术技巧点名:

  • EIF 估计方程:通过求解 Σ_i D(O_i; η̂) = 0 得到 one-step 估计量,其中 η̂ 是 nuisance 参数的估计。
  • Cross-fitting:将数据分为 K 折,每折用其余 K-1 折估计 nuisance 参数,然后在该折上计算 EIF。这避免了过拟合导致的偏差。
  • Double robustness 的证明:通过分析 EIF 的"偏差项"结构,证明当两组 nuisance 参数中任一组正确时,偏差项为零。具体地,偏差项是两个"乘积项"之和,每个乘积项包含一组 nuisance 参数的估计误差。
  • Delta method:用于从分子和分母的联合渐近正态性推导比值的渐近正态性。

🔎 结论是否比证明窄

  • Theorem 1 的陈述与证明一致:识别公式在 A1-A5 下严格成立,证明在补充材料中给出。
  • Lemma 1 的 double robustness 条件:论文证明了条件 (i) 或 (ii) 下的一致性,但没有证明在两组 nuisance 参数都错误时估计量的行为(如偏差的方向或大小)。作者在模拟中只测试了 µ 错误的情况,未测试 (g, q, e, r) 错误的情况。
  • 渐近正态性的条件:论文声称"在 nuisance 参数以 n^{-1/4} 速率收敛的条件下"渐近正态,但没有给出具体的正则条件(如 Donsker 条件、熵条件等),而是引用 Díaz et al. (2019) 的结果。对于双工具变量场景,论文没有明确说明这些条件如何验证。
  • Theorem 3 的弱化:论文声称在 A11 下可以识别 DCIDE,但没有给出证明("The proof for the identification result is given in the Supplementary Materials"),且没有讨论 A11 与 A8 相比在实证中如何验证。
  • 模拟的局限性:作者明确承认模拟是"有限的",但没有讨论在哪些数据生成机制下估计量可能失效(如弱工具变量、依从者比例极低等)。

四、开放问题

  1. 弱工具变量下的行为:本文的估计量是分子与分母之比,当第一阶段效应 ψ_FS 接近零时(弱工具变量),估计量的有限样本偏差和方差会急剧恶化。作者在模拟中使用了较强的工具变量(A 对 Z 的效应较大),未讨论弱工具变量场景。扎根于 Section 5 的模拟设计。

  2. 单调性假设的可检验性:A2(单工具)和 A7(双工具)的单调性假设在实证中通常不可检验。作者在 MTO 应用中直接假设了单调性,但未讨论其合理性或敏感性。扎根于 Theorem 1 的 A2 和 Theorem 2 的 A7。

  3. 双工具变量场景中 A7 的强度:A7 要求 P(C_Z = C_M ≥ 0) = 1,即暴露依从者和中介依从者是同一群人。这在实证中可能过于强——例如,一个人可能愿意接受暴露(搬家)但不愿意改变中介(换学区)。作者未讨论这一假设的实证基础。扎根于 Theorem 2 的 A7。

  4. 中介为多值或连续时的扩展:本文的识别公式在理论上允许 M 为多值/连续(如单工具场景中的社区贫困率),但模拟和理论分析主要针对二值 M。对于连续 M,γ(m|a,w) 的估计需要密度估计,其收敛速率可能达不到 n^{-1/4}。扎根于 Section 2 的模型设定和 Section 5 的模拟设计。

  5. 效率界的显式表达:论文给出了 EIF 的公式,但没有显式计算半参数效率界(即 EIF 方差的闭式表达式)。对于实际应用中的样本量计算和功效分析,这一表达式是有用的。扎根于 Section 4 的估计方法。

  6. 多个中介或多个暴露的扩展:本文只考虑单个中介和单个暴露。当存在多个中介(如社区贫困和学校质量同时作为中介)或多个暴露时,识别条件如何变化?扎根于 Section 2 的模型设定。


提示:若要确认上述开放问题是否为真 gap,建议去读以下近期文献的引言部分:(1) 弱工具变量下的因果中介分析(如 Guo et al. 2021, JRSS-B);(2) 敏感性分析在中介分析中的应用(如 Cinelli & Hazlett 2020);(3) 近端因果推断(proximal causal inference)处理未观测混杂的最新进展(如 Tchetgen Tchetgen et al. 2020)。若这些文献的引言都指向同一缺口,则说明该问题是领域共识;若互相打架,则可能是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论