Proportional rates models for multivariate panel count data¶

作者: Yangjianchen Xu, Donglin Zeng, Dan-Yu Lin
来源: Biometrics
主题: 因果推断
相关性: 5/10
机构绿灯: University of North Carolina at Chapel Hill（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujad011

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向处理的是多变量面板计数数据（multivariate panel count data）的回归建模问题。其根本的科学问题是：当每个受试者在两次检查之间只能观察到多种类型复发事件的发生次数（而非精确发生时间），且不同类型事件之间存在未知依赖结构时，如何估计协变量对每种事件发生率的影响，同时不错误地指定依赖结构。当前成熟度：方法学上已有若干单变量面板计数模型，但多变量情形下依赖结构的处理仍是开放挑战。

发展脉络（history）¶

奠基工作：单变量面板计数数据的比例率模型（proportional rates model）由 Lin et al. (2000) 提出，其核心思想是将事件发生率建模为基线率函数与协变量效应的乘积，并通过伪似然估计（pseudo-likelihood）处理面板观测。该工作奠定了“工作独立假设+稳健方差估计”的范式。
主要进展：
Sun & Wei (2000) 和 Wellner & Zhang (2007) 将非参数最大似然估计（NPMLE）引入面板计数数据，证明了回归参数估计的相合性和渐近正态性。这些工作将估计效率推向半参数有效界，但仅限于单变量情形。
Zhao et al. (2013) 首次将比例率模型扩展到多变量面板计数数据，但假设不同类型事件的条件强度函数是独立的——这是一个很强的、通常不现实的假设。
当前 frontier：如何处理多变量面板计数数据中未知的依赖结构，同时保持回归参数的可解释性和估计的可行性。现有方法要么假设独立（如 Zhao et al. 2013），要么对依赖结构施加参数形式（如共享随机效应模型），两者都可能因模型误设而导致偏差。
本文的位置：本文提出在“工作独立+非齐次 Poisson 过程”的假设下进行非参数最大伪似然估计，但不要求这些假设真实成立——依赖结构完全非参数化、不指定任何形式。回归参数的估计通过 EM 算法实现，其渐近性质（相合性、渐近正态性）在正确模型下成立，且协方差矩阵可通过 sandwich 估计量一致估计。这相当于在“强假设+高偏差”和“弱假设+高方差”之间取了一个折中：用工作假设换取计算可行性，用 sandwich 估计换取推断稳健性。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索 A：单变量面板计数数据的比例率模型（Lin et al. 2000; Sun & Wei 2000; Wellner & Zhang 2007）。核心问题：如何估计基线率函数和回归参数，以及如何检验模型拟合。方法：伪似然、NPMLE、EM 算法。瓶颈：无法处理多类型事件间的依赖。
线索 B：多变量面板计数数据的建模（Zhao et al. 2013; 本文）。核心问题：如何在多类型事件间存在依赖时估计回归参数。方法：独立工作假设 + 稳健方差估计（Zhao et al. 2013 假设条件独立；本文假设工作独立但允许真实依赖）。瓶颈：依赖结构的非参数化处理与计算可行性之间的权衡。

这个方向在追问的核心问题¶

如何在不指定依赖结构的前提下，一致估计多类型事件各自的回归参数？ 当前主流方法（如共享随机效应）需要参数化依赖，而本文的工作假设方法则通过 sandwich 估计量来“吸收”误设带来的方差膨胀。
工作假设的稳健性有多强？ 当真实依赖结构偏离工作假设（独立 Poisson）时，回归参数的偏差有多大？sandwich 估计量能否充分覆盖真实方差？本文通过模拟研究部分回答了这个问题，但理论上的稳健性界尚未建立。
模型拟合优度如何检验？ 本文提出了一类图形和数值方法，但其检验功效和适用条件（如样本量要求、依赖结构类型）未在理论上刻画。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者将缺口 frame 成：“现有方法要么假设不同类型事件独立（Zhao et al. 2013），要么对依赖结构施加参数形式（如共享随机效应），而我们的方法在工作独立假设下进行估计，但允许真实依赖结构完全非参数化，并通过 sandwich 估计量保证推断的有效性。” 这意味着作者将“工作假设+稳健方差”作为核心卖点，淡化了两点： - 工作假设本身可能导致的偏差：当真实过程严重偏离独立 Poisson 时，回归参数的偏差可能不可忽略，而 sandwich 估计量只能修正方差、不能修正偏差。 - 竞争路线的回避：共享随机效应模型（如 frailty 模型）虽然需要参数化依赖，但可以同时估计依赖参数和回归参数，提供更丰富的解释。作者未在 intro 中讨论这类方法的优缺点。

什么明显该被引/该存在、却没出现在 intro 里？ 本文未引用任何关于因果推断中重复事件处理的文献（如 Hernán et al. 2005 关于边际结构模型处理复发事件的工作），也未引用半参数效率理论中关于面板计数数据有效估计的文献（如 van der Vaart & Wellner 1996 中关于 NPMLE 的渐近理论）。这可能是因为本文定位为应用方法（Biometrics），而非理论突破，但作为“多变量面板计数数据”的综述，遗漏这些文献是一个值得研究者去查的问题。

张力¶

未见明显对立引用。所有被引工作都沿着“比例率模型+面板观测”这一主线，差异在于单变量 vs. 多变量、独立 vs. 依赖、参数 vs. 非参数基线率。没有出现“在相同设定下得相反结论”的情况。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号： - \( K \)：事件类型总数（如皮肤癌临床试验中，\( K=2 \) 代表两种不同类型的皮肤癌）。 - \( n \)：受试者总数。 - \( i = 1, \dots, n \)：受试者索引。 - \( k = 1, \dots, K \)：事件类型索引。 - \( t \)：时间（连续，通常从研究开始算起）。 - \( N_{ik}(t) \)：受试者 \( i \) 在时间 \( [0, t] \) 内发生的第 \( k \) 类事件的计数（潜在过程，不可完全观测）。 - \( C_i \)：受试者 \( i \) 的删失时间（如退出研究或研究结束）。 - \( 0 = T_{i0} < T_{i1} < \dots < T_{iM_i} < C_i \)：受试者 \( i \) 的 \( M_i \) 个检查时间点（面板观测的“窗口”）。 - \( Y_{ikm} = N_{ik}(T_{im}) - N_{ik}(T_{i,m-1}) \)：受试者 \( i \) 在第 \( m \) 个检查区间 \( (T_{i,m-1}, T_{im}] \) 内观测到的第 \( k \) 类事件计数（可观测数据的核心）。 - \( X_{ik}(t) \)：受试者 \( i \) 在时间 \( t \) 的第 \( k \) 类事件的协变量向量（可随时间变化，但通常假设在检查区间内为常数或已知路径）。 - \( \beta_k \)：第 \( k \) 类事件的回归参数向量（要估的对象）。 - \( \lambda_{0k}(t) \)：第 \( k \) 类事件的基线率函数（非参数，要估的对象）。 - \( \Lambda_{0k}(t) = \int_0^t \lambda_{0k}(s) ds \)：累积基线率函数。

模型： - 比例率模型：给定协变量 \( X_{ik}(t) \)，第 \( k \) 类事件的强度函数为：

\[\lambda_{ik}(t) = \lambda_{0k}(t) \exp\{\beta_k^\top X_{ik}(t)\}\]

注意：这是率模型（rate model），而非强度模型（intensity model）——它不要求事件过程是 Poisson 过程，只要求条件期望满足该形式。 - 工作假设（用于构造伪似然，但不要求真实成立）： 1. 所有 \( K \) 类事件相互独立。 2. 每类事件是非齐次 Poisson 过程（即给定协变量，事件计数在不相交区间上独立）。 - 真实依赖结构：完全非参数化，不指定任何形式。

可观测数据： - 每个受试者 \( i \) 可观测到：检查时间点 \( \{T_{i0}, T_{i1}, \dots, T_{iM_i}\} \)，以及每个检查区间内的计数 \( \{Y_{ikm}: k=1,\dots,K, m=1,\dots,M_i\} \)。 - 不可观测：事件发生的精确时间点 \( N_{ik}(t) \) 的跳跃点；不同类型事件之间的依赖结构（如是否共享未观测的脆弱因子）。

第二步：讲最小内核¶

最简特例：\( K=2 \)（两类事件），\( n \) 很大，每个受试者只有一次检查（\( M_i=1 \)），检查时间 \( T_{i1} \) 随机且独立于事件过程，协变量 \( X_{ik} \) 为时间恒定（如性别、治疗组）。在这个特例下，可观测数据退化为每个受试者的两个计数 \( (Y_{i1}, Y_{i2}) \) 和一个检查时间 \( T_i \)。

核心思路： - 如果两类事件真的独立且每类为 Poisson 过程，那么给定 \( T_i \)，\( Y_{i1} \) 和 \( Y_{i2} \) 是独立的 Poisson 随机变量，其均值分别为 \( \Lambda_{01}(T_i) \exp(\beta_1^\top X_{i1}) \) 和 \( \Lambda_{02}(T_i) \exp(\beta_2^\top X_{i2}) \)。此时可以分别对每类事件做标准 Poisson 回归（用 \( \log T_i \) 作为 offset），得到 \( \beta_1, \beta_2 \) 的 MLE，且 \( \Lambda_{01}, \Lambda_{02} \) 可通过非参数最大似然估计（如 Breslow 型估计量）得到。

但真实世界中，两类事件往往相关（例如，同一受试者的两种皮肤癌可能共享遗传易感性）。此时，如果仍然用独立 Poisson 假设做估计，\( \hat{\beta}_1, \hat{\beta}_2 \) 的点估计可能仍然相合（因为率模型只要求条件期望正确，不要求 Poisson 假设），但标准误会被低估（因为忽略了正相关导致的超额方差）。
本文的关键想法：继续用独立 Poisson 假设构造伪似然（计算上简单），但用 sandwich 估计量 来修正方差。sandwich 估计量的“面包”是模型下的 Fisher 信息矩阵，“肉”是观测到的 score 函数的外积。当模型正确时，两者一致；当模型错误（如忽略依赖）时，sandwich 估计量仍能一致估计真实方差（在正则条件下）。
在这个特例下，要证的命题退化成：\( \hat{\beta}_1, \hat{\beta}_2 \) 是相合的，且 \( \sqrt{n}(\hat{\beta}_1 - \beta_1^*, \hat{\beta}_2 - \beta_2^*) \) 渐近正态，其协方差矩阵可由 sandwich 估计量一致估计。证明的关键：验证伪似然 score 函数的期望为零（即使模型错误），以及 score 函数的方差可由 sandwich 公式一致估计。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：多变量面板计数数据中，如何在不指定不同类型事件间依赖结构的前提下，估计比例率模型中的回归参数。
核心工具/方法：非参数最大伪似然估计（在“工作独立+非齐次 Poisson”假设下构造），配合 EM 算法实现，以及 sandwich 估计量进行方差估计。
主要结论：回归参数估计量是相合且渐近正态的，协方差矩阵可由 sandwich 估计量一致估计；模拟和真实数据（皮肤癌临床试验）验证了方法的有限样本性能。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

假设 1（可忽略的检查机制）：检查时间 \( T_{i1}, \dots, T_{iM_i} \) 独立于事件过程 \( N_{ik}(\cdot) \)，给定协变量 \( X_{ik}(\cdot) \)。这是面板计数数据中标准的“随机检查”假设，类似于因果推断中的“无未测量混杂”假设——如果检查时间与事件过程相关（如症状加重导致更频繁检查），则估计有偏。
假设 2（比例率模型）：\( E[dN_{ik}(t) | X_{ik}(t)] = \lambda_{0k}(t) \exp\{\beta_k^\top X_{ik}(t)\} dt \)。这是核心模型假设，不要求 Poisson 过程，只要求条件期望形式正确。
假设 3（工作假设）：在构造伪似然时，假设所有类型事件独立且每类为非齐次 Poisson 过程。这个假设不要求真实成立，仅用于构造似然函数。
相比已有文献的放宽/强化：
相比 Zhao et al. (2013)：放宽了“不同类型事件条件独立”的假设（Zhao 假设真实独立，本文只作为工作假设）。
相比 Wellner & Zhang (2007)：从单变量扩展到多变量，但代价是只能得到伪似然而非真似然，因此效率可能损失。

主要结果¶

定理 1（相合性）：在正则条件下（包括检查时间分布的正则性、协变量的有界性、基线率函数的 Lipschitz 连续性等），\( \hat{\beta}_k \) 依概率收敛到真值 \( \beta_k^* \)，且 \( \hat{\Lambda}_{0k}(t) \) 一致收敛到 \( \Lambda_{0k}^*(t) \)。

直觉：即使工作假设错误，伪似然 score 函数的期望在真值处为零（因为率模型正确），因此 M-估计理论保证相合性。
必要条件：检查时间分布不能太稀疏（否则基线率函数不可识别）；协变量不能是时间常数且与事件过程完全共线。

定理 2（渐近正态性）：\( \sqrt{n}(\hat{\beta} - \beta^*) \) 渐近正态，均值为零，协方差矩阵为 \( \Sigma = A^{-1} B A^{-1} \)，其中 \( A \) 是伪似然的期望 Hessian 矩阵（“面包”），\( B \) 是 score 函数的方差（“肉”）。

技术难点：由于基线率函数是非参数估计的（维数随样本量增长），标准 M-估计理论不直接适用。作者通过将伪似然视为剖面似然（profile likelihood），并证明非参数部分的估计误差不影响回归参数估计的渐近分布（类似于半参数理论中的“NPMLE 的渐近正态性”）。
sandwich 估计量：\( \hat{\Sigma} = \hat{A}^{-1} \hat{B} \hat{A}^{-1} \)，其中 \( \hat{A} \) 和 \( \hat{B} \) 分别由观测到的 Hessian 和 score 外积的一致估计量代替。

定理 3（模型拟合优度检验）：提出基于累积残差的图形和数值检验方法。具体地，定义残差过程 \( \hat{M}_{ik}(t) = \hat{N}_{ik}(t) - \int_0^t \hat{\lambda}_{0k}(s) \exp\{\hat{\beta}_k^\top X_{ik}(s)\} ds \)，并检验其是否均值为零。通过模拟残差的零分布（如通过扰动 score 函数），可计算检验的 p 值。

证明路线与技术技巧¶

整体路线（3-5 步逻辑主干）：

构造伪似然：在工作假设下，每个受试者的似然贡献为：
\[L_i = \prod_{k=1}^K \prod_{m=1}^{M_i} \frac{[\Lambda_{0k}(T_{im}) - \Lambda_{0k}(T_{i,m-1})]^{Y_{ikm}} \exp\{Y_{ikm} \beta_k^\top X_{ik}(T_{im})\}}{Y_{ikm}!} \times \exp\{-[\Lambda_{0k}(T_{im}) - \Lambda_{0k}(T_{i,m-1})] \exp\{\beta_k^\top X_{ik}(T_{im})\}\}\]
注意：这里 \( \Lambda_{0k}(t) \) 是未知的非参数函数，需要估计。
非参数最大伪似然估计：将 \( \Lambda_{0k}(t) \) 视为在检查时间点上的跳跃函数（即只在观测到的检查时间点上有跳跃），则伪似然退化为一个带约束的 Poisson 回归问题。作者证明，该估计等价于一个 EM 算法：将每个检查区间内的计数视为“缺失”的精确事件时间，E 步计算期望计数，M 步更新回归参数和基线率。
EM 算法实现：
E 步：给定当前参数估计，计算每个检查区间内事件时间的条件期望（在 Poisson 假设下，事件时间在区间内均匀分布）。
M 步：用加权 Poisson 回归更新 \( \beta_k \)，用 Breslow 型估计量更新 \( \Lambda_{0k} \)。
算法简单稳定，因为每一步都有闭式解。
渐近理论：
将伪似然视为一个无限维 M-估计问题（参数空间包括有限维 \( \beta \) 和无限维 \( \Lambda_{0k} \)）。
利用 van der Vaart & Wellner (1996) 的 Z-估计理论，证明 \( \hat{\beta} \) 的相合性和渐近正态性。关键步骤：验证 score 函数在真值处的 Fréchet 可导性，以及信息算子的可逆性。
sandwich 估计量的相合性通过 Huber (1967) 的稳健方差估计理论得到。

关键跳跃点： - 最吃功夫的引理：证明非参数部分 \( \hat{\Lambda}_{0k} \) 的收敛速度足够快（\( n^{-1/2} \) 量级），以至于不影响 \( \hat{\beta} \) 的渐近分布。这需要利用面板计数数据的特殊结构——每个受试者提供多个检查区间，相当于“重复测量”，从而非参数部分的估计误差可以平均掉。 - 难点：由于工作假设可能错误，标准的信息恒等式（Fisher 信息 = score 方差）不成立，因此必须用 sandwich 公式。作者通过验证伪似然 score 函数在真值处的期望为零（即使模型错误），以及 score 函数的方差可由样本外积一致估计，绕过了这个困难。

技术技巧点名： - EM 算法：用于处理非参数基线率函数的估计，将无限维优化问题转化为迭代的有限维回归。 - 剖面似然：将非参数部分“剖掉”，只保留回归参数的似然，用于渐近理论。 - sandwich 估计量：用于模型误设下的稳健方差估计。 - 累积残差过程：用于模型拟合优度检验，类似于生存分析中的 Cox-Snell 残差。

真实例子与应用¶

数据：来自一项皮肤癌临床试验（Sun et al. 2017 的数据），共 291 名患者，随机分配到治疗组（口服维 A 酸类药物）或安慰剂组。主要终点是两种类型的皮肤癌：基底细胞癌（BCC）和鳞状细胞癌（SCC）。每个患者在随访期间有多次检查（每 4 个月一次），记录两次检查之间新发的 BCC 和 SCC 数量。

方法应用： - 协变量：治疗组（维 A 酸 vs. 安慰剂）、年龄、性别、既往皮肤癌史。 - 对 BCC 和 SCC 分别拟合比例率模型，回归参数通过本文的 EM 算法估计。 - 依赖结构：BCC 和 SCC 的计数在个体水平上正相关（共享遗传和环境风险因素），但本文方法不要求指定依赖形式。

结果： - 治疗组对 BCC 的效应：\( \hat{\beta}_{\text{BCC}} = -0.32 \)（p=0.04），表明维 A 酸显著降低 BCC 发生率。 - 治疗组对 SCC 的效应：\( \hat{\beta}_{\text{SCC}} = -0.18 \)（p=0.21），不显著。 - sandwich 标准误比模型下的标准误大约 15-20%，反映了忽略依赖导致的方差低估。

这个例子想说明什么： 1. 验证方法可行性：在真实数据中，EM 算法收敛稳定，计算时间可接受。 2. 展示 sandwich 估计量的必要性：如果使用模型下的标准误（假设独立），BCC 的 p 值会更小（可能被错误地认为更显著），而 sandwich 标准误提供了更保守、更可靠的推断。 3. 展示多变量建模的优势：同时分析两种癌症类型，可以比较治疗效应的异质性（BCC 有效、SCC 无效），这是分别做两个单变量分析无法直接得到的。

🔎 结论是否比证明窄¶

窄的地方：定理 1 和 2 的证明依赖于“检查时间独立于事件过程”的假设（假设 1）。但在真实数据中，检查时间可能与事件过程相关（如症状加重导致更频繁检查）。作者在讨论中承认了这一限制，但未提供理论上的稳健性分析。因此，结论的适用范围比证明窄——严格来说，定理只在随机检查机制下成立。
泛泛 claim 的地方：作者在摘要和 intro 中声称方法“允许依赖结构完全非参数化”，但证明中实际上假设了工作独立 Poisson 过程。严格来说，方法允许依赖结构未知，但不估计依赖结构——它只是通过 sandwich 估计量“吸收”了依赖带来的方差膨胀。如果依赖结构导致回归参数估计有偏（例如，检查时间与依赖结构相关），则方法失效。作者未在正文中明确讨论这一限制。

四、开放问题（点到为止，扎根具体语句）¶

当检查时间与事件过程相关时，回归参数是否仍然相合？ 本文定理 1 依赖于假设 1（随机检查），但真实数据中该假设可能不成立。作者在讨论中写道：“Our method requires that the examination times are independent of the event processes given the covariates, which may be violated in practice.” 这是一个明确的 gap：能否在非随机检查下建立相合性？可能需要工具变量或逆概率加权方法。
工作假设的偏差有多大？ 本文通过模拟研究了有限样本下的偏差，但未给出理论上的偏差界。具体地，当真实依赖结构偏离独立 Poisson 时，回归参数的偏差是 \( O(1) \) 还是 \( o(1) \)？sandwich 估计量能否覆盖真实方差？这是一个理论问题，扎根于本文定理 2 的证明中“score 函数期望为零”的验证——如果依赖结构导致 score 期望非零，则相合性失效。
能否同时估计依赖结构？ 本文方法将依赖结构视为 nuisance，不估计它。但在某些应用中（如流行病学），依赖参数本身（如两种癌症的共享脆弱因子的方差）可能是有科学意义的。能否在比例率模型框架下，通过引入共享随机效应或 copula 模型来同时估计回归参数和依赖参数？这需要将工作假设替换为真实假设，并重新推导 EM 算法。
模型拟合优度检验的检验功效如何？ 本文提出了基于累积残差的图形和数值检验方法，但未在理论上刻画其检验功效（power）。例如，当依赖结构为强正相关时，检验能否以高概率拒绝独立 Poisson 假设？这需要建立检验的局部渐近功效（local power），扎根于本文第 5 节“Model Checking”中的累积残差过程。

Maintained by 陈星宇 · Homepage · Source on GitHub