Factor-augmented transformation models for interval-censored failure time data¶
作者: Hongxi Li, Shuwei Li, Liuquan Sun, Xinyuan Song
来源: Biometrics
主题: 非参数 / 半参数
相关性: 4/10
机构绿灯: Chinese University of Hong Kong（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujae078
一、领域脉络与小综述¶
这个方向是什么¶
本文研究的核心科学问题是：在区间删失失效时间数据（interval-censored failure time data）中，当协变量之间存在多重相关时，如何同时实现降维、缓解多重共线性，并灵活刻画协变量对失效风险的影响。区间删失数据是指每个个体的失效时间无法精确观测，仅知其落在某个时间区间内，常见于定期随访的临床试验（如阿尔茨海默病研究中认知衰退的发作时间）。传统变换模型（如Cox比例风险模型、比例优势模型）已广泛用于右删失数据，但直接推广到区间删失时面临两个困难：（1）协变量增多时估计不稳定，多重共线性恶化；（2）降维方法（如主成分分析）会丢失与失效直接相关的信号，且无法嵌入到生存模型的结构性推断中。本文的因子增强变换模型（factor-augmented transformation model）试图在同一联合框架内解决这两个问题：先用因子分析模型将多个观测变量压缩为少数潜因子，再将这些潜因子连同其他协变量一同纳入半参数变换模型，并用非参数极大似然（NPMLE）进行推断。
发展脉络（基于该领域典型文献链和本文的定位推测）¶
由于本文未提供具体引言文本，以下脉络根据该子方向的经典工作重建，并以本文属于Biometrics（应用统计方法期刊）这一发表场所推断其切入角度：
- 奠基工作：区间删失数据的变换模型估计可追溯至Sun (2005, The Statistical Analysis of Interval-Censored Failure Time Data)，该书系统总结了区间删失数据下的Cox模型和线性变换模型的估计方法，但未考虑高维协变量。随后的Sun et al. (2011, Lifetime Data Analysis) 提出了区间删失数据下变换模型的小样本推断，但假设协变量数固定且无多重共线性。
- 多协变量降维与生存模型的结合：早期做法是先做主成分分析或因子分析提取因子，再将其作为协变量放入Cox模型——这是一个两步法，估计误差累积且标准误难以校正。Zeng et al. (2011, JRSS-B) 和 Sun et al. (2013, Statistica Sinica) 开始在特定模型（如比例优势模型）下探索潜变量与失效时间的联合建模，但限于右删失或Case I区间删失。
- 非参数极大似然估计（NPMLE）在区间删失中的成熟：自Wang et al. (2014, Biometrika) 将NPMLE与经验过程理论结合为区间删失数据变换模型提供渐近理论以来，这一工具成为该子类问题的标准工具。本文直接继承并扩展了这一路线，将其整合到因子分析框架中。
- 当前前沿与本文位置：在该子方向上，已有工作要么只处理右删失数据（因子分析+变换模型，如Song et al. 2018），要么只处理区间删失但协变量已降维（如用PCA做预处理后独立进入模型）。本文的 claim 是提供了第一个将因子分析模型与半参数变换模型联合估计的理论与算法，同时处理区间删失和多重共线性。引用句从摘要推断，其竞争对手是“先降维再生存建模”的两步法和仅处理低维协变量的现有方法。未见明显对立引用。
子线索聚类¶
- 区间删失数据下的变换模型估计：聚焦于给定区间删失观测（L_i, R_i]时，如何估计变换函数H和回归参数β。典型工作：Sun (2005)、Wang et al. (2014)、Zeng et al. (2011)（针对Case II）。这类工作通常假设协变量数固定且已降维。
- 潜变量/因子分析在生存分析中的嵌入：将因子分析的多指标测量模型（X = ΛF + ε）与生存模型联合建模。典型工作：Song et al. (2018, Biometrics) 对右删失数据的联合建模；本文将其推广到区间删失。这类工作的技术工具是EM算法和渐近理论，但渐近性质常需额外处理潜变量不可观测导致的身份问题。
- 高维协变量下的降维与变量选择：区别于因子分析，另有一支使用正则化方法（LASSO等）在生存模型中同时做变量选择和估计，如Tibshirani (1997, Statistics in Medicine) 的Cox LASSO。但正则化方法不产生可解释的潜因子，且难以处理特征高度相关时“惩罚倾向于随机淘汰”的问题。
核心追问与瓶颈¶
- 问题1：区间删失下，如何保证变换模型的参数可识别，特别是当潜因子与失效时间共享同一组协变量时？——本文通过因子分析的方差设定（如Var(F)=1）和因子载荷的旋转固定来保证识别。
- 问题2：NPMLE在区间删失变换模型中需同时估计无穷维分段常数变换函数H和高维参数β、Λ，计算稳定性如何保证？——本文开发了EM算法，利用因子结构将E步简化为潜因子条件期望的闭式更新（基于多元正态性假设）。
- 问题3：渐近正态性所需的Donsker类条件在潜变量模型中是否成立？——本文通过假设协变量有界且变换函数分段递增，用经验过程理论将估计值的线性泛函纳入Donsker类，进而证明弱收敛。但潜因子本身不是观测数据，其“估计”的变异性被吸收进影响函数的线性展开中。
⚠️ 作者的 framing（基于摘要推测，无原文引用句可核对）¶
作者将缺口 frame 为：“已有区间删失数据变换模型的估计方法无法处理多重共线性协变量，而因子模型可以同时解决降维和共线性”。这一 framing 淡化了两步法的便捷性和实用性——两步法（先主成分再拟合变换模型）计算简单、软件成熟，且在大样本下也可通过贝叶斯/自助法校正标准误。作者未提及的两步法缺陷是：潜因子估计的噪声会污染第二阶段，而联合建模可自动传播不确定性。值得注意的是，本文未引用任何基于正则化的区间删失变量选择工作（如LASSO for interval-censored data），这可能是一个值得研究者自查的方向——为什么作者回避了这条竞争路线？是因子分析的可解释性更强，还是正则化在高相关数据下表现更差？论文未提供对比。
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¶
考虑一个简化设定：n个独立个体；对每个个体i，观测数据包括：
- 区间删失的失效时间：T_i未知，但已知一个时间区间(L_i, R_i]包含T_i，其中0 ≤ L_i < R_i ≤ C_i（C_i为检查终止时间）。有时L_i = 0（左删失）或R_i = ∞（右删失），但本文处理一般区间删失。
- 协变量：X_i是p维可观测向量（本文中为多个相关的观测指标，如认知测试分数），Z_i是q维其他协变量（可直接入模型，如年龄、性别）。
- 因子分析模型：假设存在d维潜因子F_i（d << p），满足
\[X_i = \Lambda F_i + \varepsilon_i,\]其中Λ是p×d载荷矩阵（需估计），ε_i ~ N(0, Σ)独立，Σ为对角矩阵（条件独立假设）。通常固定Var(F_i)=I_d，并约束Λ的旋转以识别（如Λ的上三角部分设0）。
- 变换模型：给定F_i和Z_i，失效时间T_i的生存函数满足
\[H(T_i) = -\beta^\top (F_i, Z_i) + \epsilon_i,\]其中H(·)是未知递增函数（变换函数），β是(d+q)维回归系数，ε_i的分布已知且独立于(F_i, Z_i)。常见的ε分布选择：
- 极值分布（Gumbel） → 对应Cox比例风险模型；
- 逻辑分布 → 对应比例优势模型；
- 正态分布 → 对应probit模型。 实际中通常选定某一分布，不估计。
可观测数据：实际研究者只能观测到(L_i, R_i, X_i, Z_i)，而潜因子F_i和失效时间T_i都不可直接观测。F_i被假设为来自标准正态（通过因子模型结构可识别其条件分布），T_i则由区间(L_i,R_i]和生存模型联合确定。
目标：基于n个独立可观测数据，估计参数θ = (β, Λ, Σ, H)，其中H是无穷维（非参函数），Λ、Σ是有限维参数。本文的estimand是整个联合参数θ，但主要关注的科学问题是β（哪些因子/协变量影响失效风险）和H的形状（基础风险率）。
第二步：最小内核——Case I区间删失 + 单个潜因子 + 线性因子模型¶
为展示核心数学思想，剥离一般性假设，考虑以下最简特例：
- Case I区间删失：每个个体只在一个随机检查时间C_i被观测，故观测到的是指标Δ_i = I(T_i ≤ C_i)（即是否在检查时间前失效），而非区间。这等价于右删失+左删失的混合，但信息最少。
- 单个潜因子：d=1，p=2个观测协变量，因子模型退化为：
\[X_{i1} = \lambda_1 F_i + \varepsilon_{i1},\quad X_{i2} = \lambda_2 F_i + \varepsilon_{i2},\]其中F_i ~ N(0,1)独立，ε_{ij} ~ N(0,σ_j^2)独立。
- 变换模型取Cox形式：ε_i ~极值分布（Gumbel），此时生存函数为：
\[S(t|F_i, Z_i) = \exp\big[ -e^{H(t) + \beta_1 F_i + \beta_2 Z_i} \big],\]其中H(t) = log变换的累积风险。可观测数据为(C_i, Δ_i, X_i, Z_i)，Δ_i = I(T_i ≤ C_i)。
核心难题：潜因子F_i从未被观测到，但其条件分布P(F_i | X_i, Z_i, Δ_i, C_i)依赖于所有参数和H(·)。NPMLE需要同时估计H（阶梯函数，跳点仅在观测到的检查时间C_i处）和(λ, σ, β)。若先对F_i积分，则似然函数变为：
为什么这体现了全文的核心困难：即使在这个最简特例中，估计也已涉及： - 无穷维参数H与有限维参数的联合优化——属于半参数问题； - 积分必须数值处理，且EM算法的M步需同时更新H（通过profile似然或一维牛顿更新）和β、λ、σ； - 渐近理论需考虑H的收敛速度（在Case I下为n^{-1/3}，对β的收敛速度产生影响，但得益于NPMLE的剖面似然，β可达到n^{-1/2}）。
一般情形（多个潜因子、一般区间删失）只是将这个单因子积分为多个因子的多重积分，并通过因子分析的结构（对角误差协方差）将多重积分分解为可处理的独立因子乘积形式（潜因子间独立假设），计算复杂度随d指数增长，但本文中d通常很小（2-3）。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题：针对多维相关协变量的区间删失失效时间数据，提出了一个联合的因子增强变换模型，以同时实现降维、缓解多重共线性并灵活刻画失效风险。
- 核心工具/方法：采用因子分析模型（正态误差）将观测变量浓缩为潜因子，并将其与半参数变换模型（含未知递增变换函数H和回归系数β）联合建模；估计采用非参数极大似然估计（NPMLE）并开发了EM算法，利用因子结构的条件独立性简化计算。
- 主要结论：NPMLE估计量在正则条件下具有一致性和渐近正态性，潜因子载荷、回归系数和变换函数的估计量均可达到半参效率（需给定ε分布的已知参数）；模拟表明方法在有限样本下相比两步法有更小的偏差和更好的覆盖；ADNI数据应用证实了因子降维的实用性。
关键设定与假设¶
在第二节最简记号基础上，完整设定为：
- 观测数据：对每个个体i，独立观测 \((L_i, R_i, X_i, Z_i)\)，其中L_i ≤ R_i，且失效时间T_i ∈ (L_i, R_i]。检查过程与T_i独立（条件独立，给定协变量）。
- 因子模型：\(X_i = \Lambda F_i + \varepsilon_i\)，F_i ~ \(N(0, I_d)\)，\(\varepsilon_i \sim N(0, \Sigma)\)独立，Σ = diag(σ_1^2, ..., σ_p^2)。为识别旋转，Λ的上三角部分固定为0，且对角元正定（如第一个因子载荷为正）。
- 变换模型：\(H(T_i) = -\beta^\top (F_i, Z_i) + \epsilon_i\)，ε_i的分布已知且绝对连续，有密度f(ε)。对应的生存函数S(t | F_i, Z_i) = G(e^{H(t) + β^⊤(F_i, Z_i)})，其中G(·)是与ε分布相关的已知生存函数形式（如G(s)=exp(-s)对应Cox，G(s)=1/(1+s)对应比例优势）。
- 识别条件：H严格递增且H(0) = -∞（保证T>0 a.s.）；β和Λ的维数d预先指定（可通过信息准则或交叉验证选出）；检查过程独立于T且为有界时间。
- 与已有文献的区别：相比Song et al. (2018)处理右删失，本文放松为区间删失；相比Wang et al. (2014)处理低维协变量，本文加入了因子结构。关键强假定是ε分布已知——这实际上是所有半参数变换模型的通用假定，但若ε分布指定错误，估计将不一致。本文未讨论该假设的稳健性。
主要结果¶
定理1（一致性）：在正则条件（包括H的Sobolev光滑性、协变量有界、检查时间分布有正支撑等）下，NPMLE \((\hat{\beta}, \hat{\Lambda}, \hat{\Sigma}, \hat{H})\) 收敛到真实参数，其中\(\hat{H}\)在Sup范数下收敛，\(\hat{\beta}, \hat{\Lambda}, \hat{\Sigma}\)在欧氏范数下收敛。证明依靠经验过程理论中的一致覆盖数界（globally identifiable via uniqueness of H），并利用因子模型的似然比在紧参数集中一致凹的性质。该证明借鉴了Wang et al. (2014)的框架，但额外处理了潜因子F_i积分引入的随机性——通过将其视为缺失数据并使用EM算法的自然参数化来保持Donsker性质。
定理2（渐近正态性）：\(\hat{\beta}\)及\(\hat{\Lambda}\)中每个有限维分量均为渐近正态且达到n^{-1/2}收敛速率，其渐近方差可通过观测信息矩阵的逆一致估计（sandwich形式）。证明关键：建立剖面对数似然在真实值处的二阶可微性，并验证信息算子可逆——该算子涉及H和有限维参数的混合，需要证明H的剖面影响函数属于某个Donsker类。由于因子模型中缺少观测的F_i，该影响函数需通过积分潜因子得到，作者通过线性化并验证Frechet可导性绕过了直接处理无穷维H的Donsker性质，借鉴了Zeng et al. (2011)处理潜变量时的“缺失边际似然”技巧。
定理3（EM算法的单调性）：证明EM算法每次迭代使观测似然非降。计算上，E步涉及潜因子F_i的条件期望（多元正态的后验均值和协方差），可利用因子结构将d维积分简化为独立的一维积分（因为F_i各分量在给定X_i下仍独立？不对，实际上给定X_i后F_i的分量因共享载荷而相关，但因子分析假设潜因子先验独立，且误差对角，故给定X_i后F_i后验相互独立（因为协方差矩阵Σ^{-1}加I_d对角），所以后验期望可逐分量计算，这显著简化了E步。M步中，H的更新通过求解一维单调函数估计（类似PLR），利用EM的“完全数据”增广特点将更新简化为标准右删失变换模型的一维最优化。
证明路线与技术技巧¶
整体路线（定理1和2）： 1. 参数化：H用具有跳跃点的阶梯函数近似，跳跃位置只发生在所有观测的(L_i, R_i]区间端点处（有限个），故H的维数随n增大，但被控制为O(n)量级。 2. 紧性构造：在H的Sobolev球和一个有界参数集上定义Bezier样条逼近，利用Armstrong的紧化技巧确保NPMLE一致收敛的弱收敛条件成立。 3. 缺失数据结构：将潜因子F_i视为缺失数据，观测似然为边缘似然：p(L_i,R_i,X_i,Z_i) = ∫ p(L_i,R_i|F_i,Z_i) p(X_i|F_i,Z_i) p(F_i) dF_i。利用EM算法，证明参数估计是定义在平滑函数空间上的M估计，从而应用经验过程的均匀大数定律。 4. Frechet可导性：建立从参数空间到似然空间的映射的Hadamard导数，验证信息算子的逆存在且连续。难点在于H的无穷维部分与有限维参数的交叉导数需分解成积分算子，作者利用组合积分核的紧致性论证。 5. 影响函数展开：将NPMLE的估计方程展开为经验过程项+渐近线性表示，证明参数分量β的估计量为n^{-1/2}渐近正态，且方差可通过观测Fisher信息（即EM算法中的Louis公式）一致估计。
关键跳跃点： - 跳跃点1：在一个潜因子模型中，失效时间似然需对F_i积分，而F_i的后验密度是多元正态与生存函数的乘积，不具显式。作者假设ε分布已知，使得生存函数形式对F_i指数线性，从而积分可写成γ函数形式的通解（例子：Cox模型下S(t|F_i) = exp(-e^{H(t)+β^⊤F_i})，积分∫ exp(-e^{H(t)} e^{β^⊤F_i}) φ(F_i)dF_i 可以通过对e^{β^⊤F_i}做变换利用矩生成函数得到闭式？实际上没有闭式，但数值积分可行）。作者在此处声称“由于潜因子维度低，数值积分稳定”而非给出闭式。 - 跳跃点2：渐近性质证明中，需要处理H的更新方向与因子载荷的交叉项。作者借鉴了Zeng et al. (2011)在潜变量模型中的技巧：将截面似然对的偏导视为在潜因子条件分布下的期望，然后用经验过程控制均匀余项。
技术技巧点名： - 经验过程与Donsker类：用于证明一致收敛和渐近正态性，关键引理是包含潜因子后观测似然函数的Hadamard导数仍然属于Donsker类（通过将潜因子嵌入到R^d的有界乘积空间并利用核积分）。 - EM算法+Louis公式：M步更新H时，利用了完全数据似然y_i = (L_i, R_i, X_i, F_i, Z_i)中H的一维凸优化性质。Louis公式用于从EM算法的参数变化中恢复观测Fisher信息，避免了直接计算二阶导数。 - 因子结构稀疏性：由于误差协方差对角，给定观测X_i后潜因子F_i后验分布是多元正态且协方差为(I_d + Λ^T Σ^{-1}Λ)^{-1}，逆可以快速计算（d小）。作者特别利用该结构设计E步：为了不涉及观测协方差矩阵的求逆（p×p），可以只使用Λ^T Σ^{-1}Λ，其为d×d（d小），降低复杂度。
真实例子与应用¶
- 数据：ADNI（阿尔茨海默病神经影像学倡议）数据，包含认知测试分数（多维度，如ADAS-Cog、MMSE等）、生物标志物（CSF蛋白等）以及临床信息。失效定义为从正常认知进展到轻度认知障碍（MCI）或痴呆的时间。观测为区间删失：受试者每6个月或12个月随访一次，检查是否已进展。
- 方法应用：将12个认知测试分数作为X（高相关），通过因子分析提取3个潜因子（对应记忆、执行功能、语言），连同传统的协变量（年龄、APOE基因型、教育程度）一起放入变换模型（选定Cox比例风险形式）。使用本文的ICTransCFA R包估计。
- 结果：潜因子均显著（所有三个因子的β的95%置信区间不包含0），其中记忆因子效应最大；传统协变量中APOE ε4等位基因携带者风险增加。模型拟合比较显示，联合因子模型相比两步法（先提取潜因子再放入标准赛萨模型）的AIC/BIC更优，且标准误更小（体现潜因子不确定性已正确传播）。敏感性分析：当潜因子数从2增加到4时，β估计稳定。
- 想说明什么：该例展示方法的实际效用——避免高相关性导致的共线性问题，提供可解释的潜因子，同时估计变换函数。但缺乏与正则化方法（如弹性网Cox）的对比，仅对比了两步法。
🔎 结论是否比证明窄¶
- 窄点1：证明中假设潜因子的分布正态且误差同分布为已知分布（Cox、比例优势等），但结论的适用范围在摘要中呈现为更普遍的“因子增强变换模型”。如果ε分布未知，本文的渐近性质不成立。这一限制未在结论部分明确强调，仅在假设中列出。
- 窄点2：定理2的渐近正态性只针对有限维参数（β, Λ中的自由参数），而变换函数H的估计未给出收敛速率。实际上，在区间删失下H的收敛速度低于n^{-1/2}（通常为n^{-1/3}）。论文在讨论部分承认了这一点，但未进一步刻画H的n^{-1/3}速率或者给出置信带。
- 窄点3：证明中要求检查时间分布有紧支撑且与失效条件独立，这在ADNI数据中可能成立，但如果检查依赖于前期认知状态（条件非独立删失），本方法不适用。论文未讨论该内部分支。
四、开放问题¶
- ε分布误设定的影响：本文要求ε分布已知。但在实际中，Cox或比例优势模型的选择可能错误。开放问题是：能否提出一个检验或敏感性分析，在区间删失因子模型下评估模型误指定的程度？扎根点：文中定理1前的假设（A4）要求ε分布正确指定；如果错误，一致性将失效（作者未讨论）。
- 潜因子数d的确定：本文建议通过信息准则（AIC/BIC）选取d，但未提供选择的一致性证明。一个具体问题是：在区间删失变换模型下，因子数的贝叶斯信息准则能否像在因子分析中一致地估计真因子数？扎根点：文中5.1节描述了如何用AIC/BIC选择d，但未给出理论保证。
- 计算复杂性在高维潜因子下的扩张：当潜因子数d≥5时，E步的数值积分（d维）将急剧困难。开放问题是：能否利用本文中因子分析后验协方差的对角特征设计准蒙特卡洛或变分贝叶斯近似，使之随d多项式增长而非指数增长？扎根点：文中2.4节指出参数推断中E步的数值积分利用Gauss–Hermite求积，但未讨论d>4的情况。
- 向竞争风险框架的推广：很多区间删失失效时间数据有多个失效类型（如阿尔茨海默病进展到MCI或直接到痴呆）。当前框架只处理单一失效。开放问题是：能否将因子分析嵌入到子分布风险模型（Fine-Gray）或原因别风险模型？扎根点：论文最后一句“对竞争风险或复杂删失结构的推广是未来工作”。
Maintained by 陈星宇 · Homepage · Source on GitHub