跳转至

Propensity weighting plus adjustment in proportional hazards model is not doubly robust

作者: Erin E Gabriel, Michael C Sachs, Ingeborg Waernbaum, Els Goetghebeur, Paul F Blanche et al.
来源: Biometrics
主题: 因果推断
相关性: 8/10
链接: 期刊页 · arXiv

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问题是：在观察性研究中，当结局为生存时间（time-to-event）且存在删失时，如何稳健地估计暴露（处理）对生存结局的因果效应。具体而言，研究者希望得到一个双重稳健（doubly robust, DR）的估计量——即只要倾向性评分模型（propensity score model）和结局模型（outcome model）中有一个被正确设定，估计量就是一致的。这个方向在广义线性模型（GLM）框架下已有成熟理论（如 Seaman & Vansteelandt, 2018），但在生存分析领域，尤其是比例风险模型（Cox 模型）下，双重稳健性是否成立一直存在争议。本文的核心贡献是证明：在比例风险模型下，倾向性评分加权 + 回归调整的组合不是双重稳健的，除非在零假设（无因果效应）下。

发展脉络（history）

奠基工作：双重稳健估计的思想可追溯到 Robins et al. (1994) 和 Scharfstein et al. (1999)，他们指出，在缺失数据或因果推断中，将倾向性评分加权与结局模型结合可得到“只要一个模型正确就一致”的估计量。Seaman & Vansteelandt (2018) 给出了一个清晰的入门介绍，并指出这种性质在 GLM 框架下成立。

主要进展：在生存分析领域，研究者尝试将双重稳健思想推广到比例风险模型。Dukes et al. (2019) 开发了条件风险差（hazard difference）的双重稳健估计量，Tchetgen Tchetgen & Robins (2012) 提出了边际风险比（hazard ratio）的双重稳健估计量。Bai et al. (2013) 利用半参数理论推导了处理特定生存分布的双重稳健估计量。这些工作表明，在某些特定设定下（如风险差、特定时间点的生存概率），双重稳健性是可能的。

当前 frontier 与本文的位置：然而，一个常见的实践是：直接用 Cox 模型 + 倾向性评分加权（IPTW）来估计风险比（hazard ratio），并默认这种组合是双重稳健的。Gabriel et al. (2024) 已经指出，即使对于可折叠（collapsible）的 estimand，非规范链接的 GLM 模型在回归标准化后也不具备双重稳健性。本文则进一步聚焦于比例风险模型，通过理论证明和模拟揭示：当存在真实的因果效应时，Cox 模型 + IPTW 的组合不满足双重稳健性。作者将此归因于风险比（hazard ratio）的不可折叠性（non-collapsibility）——即条件风险比与边际风险比在数值上不同，且这种差异无法通过简单的加权或标准化消除。作为替代，作者提出了两个在给定时间点对生存差异（survival difference）双重稳健的估计量，以及一个对完整生存曲线双重稳健的估计方法。

子线索聚类

这些被引文献大致落在三条子线索上：

  1. 双重稳健估计的理论与方法：核心是研究在什么模型下、对什么 estimand，加权+回归的组合是双重稳健的。代表工作：Seaman & Vansteelandt (2018) 的入门介绍、Gabriel et al. (2024) 对 GLM 的讨论、Dukes et al. (2019) 对风险差的 DR 估计、Bai et al. (2013) 对生存分布的 DR 估计。本文属于这一线索，但给出了一个负面结果。

  2. 风险比（hazard ratio）的因果解释与性质：核心是揭示风险比作为因果效应度量的困难，尤其是其不可折叠性和时间依赖性。代表工作：Hernán (2010) 指出风险比的因果解释困难；Daniel et al. (2020) 和 Sjölander et al. (2016) 深入讨论了不可折叠性。本文利用这一性质来解释为什么 DR 不成立。

  3. 应用实践：许多应用论文（如 Vaughan et al., 2015; Estruch et al., 2018; Simon et al., 2020; Ionescu et al., 2021）直接使用 Cox 模型 + IPTW，但通常不提供方法选择的理由。本文的动机正是纠正这种“默认 DR”的误解。

这个方向在追问的核心问题

  1. 对于生存结局，什么 estimand 可以做到双重稳健？ 风险差（hazard difference）可以（Dukes et al., 2019），但风险比（hazard ratio）不行。生存差异（survival difference）在给定时间点可以（本文提出的替代估计量），但完整生存曲线需要更复杂的假设。

  2. 不可折叠性如何破坏双重稳健性？ 核心机制是：条件模型（Cox 模型）估计的是条件风险比，而加权后想要的是边际风险比。当存在效应时，两者不等，且加权无法消除这种差异。本文的证明正是基于这一观察。

  3. 在比例风险模型下，是否存在任何双重稳健的估计量？ 本文的回答是：仅在零假设下。这暗示了在非零效应下，需要放弃比例风险假设，或改用其他 estimand（如生存差异）。

⚠️ 作者的 framing

这是作者的说法：作者将缺口 frame 成“应用研究者错误地认为 Cox 模型 + IPTW 是双重稳健的，而实际上它只在零假设下成立”。因此，本文的贡献是“纠正误解 + 提供替代方案”。作者淡化了以下竞争路线： - 风险差（hazard difference）的双重稳健估计（Dukes et al., 2019）：作者承认其存在，但指出它估计的是条件风险差，而非边际风险比，且需要保证非负风险。 - 边际风险比的双重稳健估计（Tchetgen Tchetgen & Robins, 2012）：作者在引言中提及，但未深入讨论其与本文结果的关系。 - 其他生存模型（如加速失效时间模型 AFT）：作者未提及，这可能是一个值得探索的方向。

什么明显该被引 / 该存在、却没出现在 intro 里？ - 关于加速失效时间模型（AFT）的双重稳健估计工作。AFT 模型是可折叠的，因此可能不存在本文揭示的问题。这是一个值得研究者去查的 gap。 - 关于时变处理（time-varying treatment）的生存分析双重稳健估计。本文只考虑点处理（point treatment），但许多应用涉及纵向数据。 - 关于高维协变量下的生存分析双重稳健估计。本文的模拟和证明都假设低维协变量，高维场景下是否会有不同表现？

张力

未见明显对立引用。所有被引工作基本认同风险比的不可折叠性，且都承认双重稳健性在生存分析中的困难。本文的负面结果与 Dukes et al. (2019) 的正面结果并不矛盾，因为后者针对的是风险差而非风险比。

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：
  • \(A\)：暴露/处理变量，二值（0 = 未处理，1 = 处理）。
  • \(T\)：真实的生存时间（潜在结果：\(T^1\) 若 \(A=1\)，\(T^0\) 若 \(A=0\)）。
  • \(C\)：删失时间。
  • \(U = \min(T, C)\)：观测到的随访时间。
  • \(\Delta = I(T \leq C)\)：事件指示符（1 = 观察到事件，0 = 删失）。
  • \(X\)：协变量向量（包含所有混杂）。
  • \(g(X) = P(A=1|X)\)：倾向性评分（propensity score）。
  • \(\lambda(t|A, X)\)：给定 \(A\) 和 \(X\) 的风险函数（hazard function）。
  • \(\lambda_0(t)\)：基线风险函数（baseline hazard）。
  • \(\beta\)：Cox 模型中的对数风险比（log hazard ratio），即 \(\lambda(t|A, X) = \lambda_0(t) \exp(\beta A + \gamma^T X)\)。
  • \(\psi\)：目标 estimand，通常是边际风险比（marginal hazard ratio），即 \(E[\lambda(t|A=1, X)] / E[\lambda(t|A=0, X)]\) 的某种平均，或更常见地，通过加权后拟合的 Cox 模型中的系数。

  • \(w_i = 1/g(X_i)\) 或 \(w_i = A_i/g(X_i) + (1-A_i)/(1-g(X_i))\)：IPTW 权重。

  • 模型：

  • 数据生成机制：假设 \((X, A, T^0, T^1, C)\) 来自某个联合分布。我们观测到 \((X_i, A_i, U_i, \Delta_i)\) 的 i.i.d. 样本。
  • 因果假设：无未观测混杂（ignorability / no unmeasured confounders）：\(T^a \perp A | X\)；正值性（positivity）：\(0 < g(X) < 1\)；一致性（consistency）：若 \(A=a\) 则 \(T=T^a\)。
  • 删失假设：删失时间 \(C\) 独立于 \(T\) 给定 \(A, X\)（独立删失），或更一般地，可通过逆概率删失加权（IPCW）处理。
  • 结局模型：比例风险模型（Cox 模型）：\(\lambda(t|A, X) = \lambda_0(t) \exp(\beta A + \gamma^T X)\)。注意，这是一个条件模型，\(\beta\) 是条件对数风险比。

  • 倾向性评分模型：例如 logistic 回归：\(\text{logit}(g(X)) = \alpha^T X\)。

  • 可观测数据：研究者实际能观测到的是 \((X_i, A_i, U_i, \Delta_i)\)。想要但观测不到的是：

  • 潜在结果 \(T^0, T^1\)（只能观测到其中一个）。
  • 真实的基线风险函数 \(\lambda_0(t)\)（半参数模型中视为 nuisance）。
  • 真实的倾向性评分 \(g(X)\)（需要估计）。
  • 边际风险比 \(\psi\)（这是目标 estimand，需要从条件模型推导或通过加权估计）。

第二步：讲最小内核

最简特例：假设只有一个二值协变量 \(X \in \{0, 1\}\)，且无删失（\(C = \infty\)，即所有个体都观察到事件）。此时，Cox 模型简化为：

\[\lambda(t|A, X) = \lambda_0(t) \exp(\beta A + \gamma X)\]
其中 \(\beta\) 是条件对数风险比。倾向性评分 \(g(X) = P(A=1|X)\) 可以通过一个简单的 logistic 模型估计。

核心问题：我们想估计边际风险比 \(\psi\)，即处理组相对于对照组的平均风险比。一个常见做法是： 1. 用 IPTW 对样本加权，使得加权后的样本中 \(A\) 与 \(X\) 独立。 2. 在加权后的样本中拟合一个不含 \(X\) 的 Cox 模型：\(\lambda(t|A) = \lambda_0^*(t) \exp(\psi A)\)。 3. 得到的 \(\psi\) 就是边际风险比的估计。

为什么这不双重稳健？

  • 情形 1：倾向性评分模型正确，结局模型错误。 如果 \(g(X)\) 被正确估计，那么 IPTW 可以消除 \(X\) 的混杂。在加权后的样本中，\(A\) 与 \(X\) 独立，因此拟合不含 \(X\) 的 Cox 模型可以得到边际风险比 \(\psi\) 的一致估计。这是正确的。

  • 情形 2：结局模型正确，倾向性评分模型错误。 如果 Cox 模型（包含 \(X\)）被正确设定，那么 \(\beta\) 是条件对数风险比的一致估计。然而，我们想要的是边际风险比 \(\psi\)。由于风险比的不可折叠性，\(\psi \neq \beta\)（除非 \(\beta=0\) 或 \(X\) 与 \(A\) 独立）。即使我们通过回归标准化（g-formula）来边际化，即计算 \(E_X[\lambda_0(t) \exp(\beta A + \gamma X)]\)，得到的边际风险比也依赖于 \(\lambda_0(t)\) 和 \(\gamma\) 的估计。如果倾向性评分模型错误，IPTW 权重不正确，那么加权后的样本中 \(A\) 与 \(X\) 不独立，导致 \(\beta\) 的估计有偏，进而导致边际风险比的估计有偏。因此，当结局模型正确但倾向性评分模型错误时，估计量不一致。

结论：只有当两个模型都正确，或者倾向性评分模型正确（情形 1）时，估计量才一致。当只有结局模型正确时，估计量不一致。因此，这不是双重稳健的。双重稳健性要求：只要有一个模型正确，估计量就一致。这里只满足了一半。

关键洞察：这个失败的根本原因是风险比的不可折叠性。对于可折叠的 estimand（如风险差、均值差），条件估计和边际估计在数值上是一致的（在无混杂下），因此回归标准化可以工作。但对于风险比，条件估计和边际估计不同，且这种差异无法通过简单的加权消除。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在比例风险模型（Cox、Weibull、flexible parametric）中，将倾向性评分加权（IPTW）与回归调整（Cox 模型）结合，是否能得到双重稳健的估计量？
  2. 核心工具/方法：通过理论证明（基于部分似然和全似然的渐近性质）和模拟研究，揭示这种组合在非零因果效应下不满足双重稳健性；并提出替代的、对生存差异双重稳健的估计量。
  3. 主要结论：当存在真实的因果效应时，Cox 模型 + IPTW 的组合不是双重稳健的——它只在零假设（无因果效应）下才具有双重稳健性。作为替代，作者提出了两个基于逆概率删失加权（IPCW）和回归标准化的估计量，它们在给定时间点对生存差异是双重稳健的。

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：

  • 定义：
  • 目标 estimand：边际风险比（marginal hazard ratio），记为 \(\psi\)。作者通过 IPTW 加权后的 Cox 模型（不含协变量）来估计。
  • 估计方法：
    1. IPTW-Cox：先用倾向性评分模型估计 \(g(X)\)，计算 IPTW 权重 \(w_i\)，然后在加权后的数据中拟合 Cox 模型（仅含 \(A\)），得到 \(\hat{\psi}\)。
    2. IPTW-regression standardization：先用倾向性评分模型估计 \(g(X)\)，计算 IPTW 权重，然后在加权后的数据中拟合包含 \(X\) 的 Cox 模型，再通过标准化（g-formula）得到边际风险比。

  • 替代估计量：

    1. 生存差异（survival difference）：在给定时间点 \(t\)，\(S_1(t) - S_0(t)\)，其中 \(S_a(t) = P(T > t | A=a)\)。作者提出基于 IPCW 和回归标准化的双重稳健估计量。
    2. 完整生存曲线：通过 IPCW 和回归标准化，对完整生存曲线进行双重稳健估计。

  • 假设：

  • 因果假设：无未观测混杂（\(T^a \perp A | X\)）、正值性（\(0 < g(X) < 1\)）、一致性。
  • 删失假设：删失时间 \(C\) 独立于 \(T\) 给定 \(A, X\)（独立删失）。对于替代估计量，需要正确建模删失机制 \(G_c(t|A, X) = P(C > t | A, X)\)。
  • 模型假设：
    • 倾向性评分模型：例如 logistic 回归，假设其形式正确（或至少是参数正确的）。
    • 结局模型：比例风险模型（Cox、Weibull、flexible parametric），假设其形式正确。
  • 相比已有文献的放宽/强化：本文没有放宽任何假设，而是揭示了在标准假设下，双重稳健性不成立。相比 Dukes et al. (2019) 对风险差的 DR 估计，本文聚焦于风险比，这是一个更困难（且更常用）的 estimand。

主要结果

定理 1（非正式陈述）：在比例风险模型下，IPTW-Cox 和 IPTW-regression standardization 估计量不是双重稳健的。具体地： - 当倾向性评分模型正确时，估计量一致（无论结局模型是否正确）。 - 当结局模型正确但倾向性评分模型错误时，估计量不一致，除非 \(\beta = 0\)（即无因果效应）。 - 证明路线：作者利用部分似然和全似然的得分函数（score function）的渐近性质。核心思想是：当倾向性评分模型错误时，IPTW 权重不能消除混杂，导致 Cox 模型中的 \(\beta\) 估计有偏。由于风险比的不可折叠性，即使结局模型正确，有偏的 \(\beta\) 也会导致边际风险比的估计有偏。只有在 \(\beta=0\) 时，条件风险比等于边际风险比（均为 1），此时偏倚消失。

定理 2（非正式陈述）：在零假设（\(\beta=0\)）下，IPTW-Cox 和 IPTW-regression standardization 估计量是双重稳健的。 - 直觉：当无因果效应时，条件风险比等于边际风险比（均为 1），因此不可折叠性问题消失。此时，只要有一个模型正确，估计量就一致。

替代估计量（非正式陈述）：作者提出两个对生存差异 \(S_1(t) - S_0(t)\) 双重稳健的估计量： 1. IPCW + 回归标准化：先通过 IPCW 处理删失，然后对处理组和对照组分别拟合生存模型（如 Cox 模型），再通过标准化得到边际生存曲线，最后计算差异。 2. 直接双重稳健估计：基于半参数理论，构造一个对生存差异双重稳健的估计方程。 - 关键：这些替代估计量对生存差异是双重稳健的，但不是对风险比。它们需要正确建模删失机制。

证明路线与技术技巧

整体路线（针对定理 1 的证明）：

  1. 设定：假设数据来自一个比例风险模型，且无删失（或删失机制已知）。考虑 IPTW-Cox 估计量：先估计倾向性评分 \(\hat{g}(X)\)，然后求解加权部分似然得分方程：

    \[\sum_{i=1}^n w_i \left[ A_i - \frac{\sum_{j: U_j \geq U_i} w_j \exp(\psi A_j)}{\sum_{j: U_j \geq U_i} w_j \exp(\psi A_j)} \right] = 0\]
    其中 \(w_i = A_i/\hat{g}(X_i) + (1-A_i)/(1-\hat{g}(X_i))\)。

  2. 渐近展开：将得分方程在真实参数 \(\psi^*\) 处进行泰勒展开，得到 \(\hat{\psi} - \psi^*\) 的渐近表达式。这个表达式包含两项：一项来自倾向性评分估计的误差，一项来自 Cox 模型估计的误差。

  3. 分析偏倚：

    • 如果倾向性评分模型正确（\(\hat{g}(X) \xrightarrow{p} g(X)\)），则 IPTW 权重使得加权后的样本中 \(A\) 与 \(X\) 独立。此时，得分方程在 \(\psi^*\)（边际风险比）处的期望为零，因此 \(\hat{\psi}\) 一致。
    • 如果倾向性评分模型错误（\(\hat{g}(X) \xrightarrow{p} g^*(X) \neq g(X)\)），则 IPTW 权重不能完全消除混杂。此时，加权后的样本中 \(A\) 与 \(X\) 仍然相关。Cox 模型（不含 \(X\)）估计的是某个“伪”边际风险比 \(\psi^\dagger\)，它不等于真实的边际风险比 \(\psi^*\)。作者证明，只有当真实的因果效应为零（\(\beta=0\)）时，\(\psi^\dagger = \psi^*\)。

  4. 关键跳跃点：证明 \(\psi^\dagger \neq \psi^*\) 当 \(\beta \neq 0\) 时。这依赖于风险比的不可折叠性。作者利用一个引理：在比例风险模型下，边际风险比是条件风险比的加权平均，但权重依赖于协变量分布和基线风险。当倾向性评分模型错误时，加权后的协变量分布改变，导致加权平均的结果偏离真实边际风险比。

技术技巧点名： - 部分似然（partial likelihood）：用于 Cox 模型的估计。 - M-估计理论（M-estimation theory）：用于推导估计量的渐近分布和偏倚。 - 泰勒展开（Taylor expansion）：用于将估计量展开为影响函数之和。 - 不可折叠性（non-collapsibility）：核心概念，用于解释为什么条件估计和边际估计不同。

真实例子与应用

本文有模拟研究，无真实数据例子。

  • 模拟设计：
  • 数据生成：生成一个协变量 \(X\)（正态分布），处理 \(A\)（基于 logistic 模型，\(g(X)\) 为线性或非线性），生存时间 \(T\)（基于 Cox 模型或 Weibull 模型，\(\beta\) 取不同值），删失时间 \(C\)（独立于 \(T\) 给定 \(A, X\)）。
  • 场景：考虑四种组合：
    1. 倾向性评分模型正确，结局模型正确。
    2. 倾向性评分模型正确，结局模型错误（如省略 \(X\) 的非线性项）。
    3. 倾向性评分模型错误（如省略 \(X\) 的非线性项），结局模型正确。
    4. 两个模型都错误。
  • 估计量：比较 IPTW-Cox、IPTW-Weibull、IPTW-flexible parametric，以及替代的生存差异估计量。
  • 结果：
    • 在场景 1 和 2 中，所有估计量都一致（因为倾向性评分模型正确）。
    • 在场景 3 中，IPTW-Cox 等估计量有偏，且偏倚随 \(\beta\) 增大而增大。替代的生存差异估计量无偏（因为对生存差异是双重稳健的）。
    • 在场景 4 中，所有估计量都有偏。
  • 这个例子想说明什么：验证了理论结果——IPTW-Cox 只在倾向性评分模型正确时一致，不是双重稳健的。同时展示了替代估计量的有效性。

🔎 结论是否比证明窄

是的，结论比证明窄。 作者在摘要和引言中声称“这种组合不产生双重稳健估计量”，但证明和模拟主要针对边际风险比（通过 IPTW 加权后的 Cox 模型估计）。作者没有证明： - 对于条件风险比（即包含所有协变量的 Cox 模型中的 \(\beta\)），IPTW 加权是否破坏其双重稳健性？实际上，对于条件风险比，如果结局模型正确，即使倾向性评分模型错误，\(\beta\) 的估计也可能一致（因为 Cox 模型本身可以调整混杂）。但作者没有讨论这一点。 - 对于其他生存模型（如 AFT 模型），结论是否成立？作者只讨论了比例风险模型。 - 对于其他加权方案（如重叠权重、匹配权重），结论是否成立？作者只讨论了 IPTW。

因此，本文的结论应被理解为：对于边际风险比的 IPTW-Cox 估计，双重稳健性不成立。这是一个重要的负面结果，但不应过度泛化。

四、开放问题

  1. AFT 模型下的双重稳健性：加速失效时间（AFT）模型是可折叠的，因此 IPTW + AFT 的组合是否可能是双重稳健的？本文未讨论。扎根点：作者在引言中只提到比例风险模型，未提及 AFT 模型。这是一个值得探索的 gap。

  2. 高维协变量下的表现：本文的模拟和证明都假设低维协变量。在高维场景下（如 \(p > n\)），倾向性评分和结局模型都需要正则化估计（如 Lasso）。此时，双重稳健性是否还能在零假设下成立？扎根点：作者在讨论中未提及高维场景。

  3. 时变处理（time-varying treatment）：本文只考虑点处理。在纵向数据中，处理随时间变化，且存在时变混杂。此时，IPTW + Cox 模型的组合是否具有双重稳健性？扎根点：作者在引言中未提及时变处理，这是一个自然的扩展方向。

  4. 其他 estimand 的双重稳健性：除了生存差异，还有哪些生存分析中的 estimand（如限制平均生存时间 RMST）可以做到双重稳健？扎根点：作者提出了对生存差异双重稳健的替代估计量，但未讨论 RMST 等。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论