Bayesian pathway analysis over brain network mediators for survival data¶

作者: Xinyuan Tian, Fan Li, Li Shen, Denise Esserman, Yize Zhao
来源: Biometrics
主题: 因果推断
相关性: 6/10
机构绿灯: Yale University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujae132

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是因果中介分析（causal mediation analysis），但将中介变量（mediator）设定为高维、结构化对象——全脑连接网络（对称矩阵），并将结局变量从常见的连续型或二值型扩展到生存时间（time-to-event）。其根本的科学问题是：如何从观测数据中识别并估计“遗传暴露 → 脑网络 → 疾病发病时间”这一因果路径上的直接效应与间接效应，同时保留脑网络的完整拓扑结构（而非降维为边向量或汇总指标）。该方向当前处于方法开发早期：已有网络中介分析的工作多针对连续/二值结局，且常将网络向量化；生存结局下的网络中介分析几乎空白。

发展脉络（history）¶

从 introduction 引用的工作可梳理出以下脉络：

奠基工作：经典中介分析框架
Baron & Kenny (1986)：提出线性结构方程模型下的中介分析框架，定义了直接效应与间接效应。这是所有后续工作的起点。
Imai, Keele & Tingley (2010)：将中介分析纳入潜在结果（potential outcomes）框架，给出了非参数识别条件（序贯可忽略性，sequential ignorability），并推广到非线性模型。本文引用它作为“现代中介分析”的理论基础。
主要进展：中介变量从标量/向量到结构化对象
VanderWeele (2011)：将中介分析扩展到生存结局，提出了基于加速失效时间（AFT）模型和Cox比例风险模型的中介效应分解。这是本文在“生存结局”这一维度的直接前驱。
Zhao et al. (2018)：首次将中介变量设为脑网络（对称矩阵），但采用“边向量化”策略（将网络的上三角元素拉直为向量），然后应用标准的高维中介分析（如HIMA）。本文批评这种做法“导致大量信息丢失”（原文：“disaggregate the entire network into a vector of unique edges or summary measures, leading to a substantial loss of information”）。
Zhang & Li (2022)：提出对称矩阵响应回归（symmetric matrix response regression），用于建模“暴露 → 网络”路径，但未涉及中介分析或生存结局。
当前 frontier：保留网络拓扑的中介分析
Tian et al. (2023)（本文作者之一的前作）：提出贝叶斯框架用于“遗传暴露 → 脑网络 → 连续结局”的中介分析，但结局是连续型（如认知评分），未处理生存数据。本文是它的直接扩展。
本文（Tian et al., 2024）：将上述框架扩展到生存结局，同时保留对称矩阵中介变量的完整结构，并引入图内稀疏性（within-graph sparsity）和图间收缩（between-graph shrinkage）先验。

子线索聚类¶

这些被引文献大致落在三条子线索上：

线索A：经典中介分析的理论与识别（Baron & Kenny 1986, Imai et al. 2010, VanderWeele 2011）——关注识别条件、效应分解、以及从线性到非线性/生存结局的推广。这是本文的“理论骨架”。
线索B：网络型中介变量的建模（Zhao et al. 2018, Zhang & Li 2022, Tian et al. 2023）——关注如何将脑网络作为中介变量纳入统计模型。其中Zhao et al. 采用向量化策略，Zhang & Li 和 Tian et al. 则保留矩阵结构。本文属于这一线索的延续。
线索C：贝叶斯稀疏化与图结构先验（未在intro中明确点名，但从方法部分可推断出引用了如Park & Casella (2008)的LASSO贝叶斯解释、以及图模型中的马蹄铁先验（horseshoe prior）等）——关注如何通过先验分布实现高维参数的选择与收缩。本文的“within-graph sparsity”和“between-graph shrinkage”属于这一簇。

这个方向在追问的核心问题¶

识别问题：在“暴露 → 网络 → 生存结局”的设定下，序贯可忽略性（sequential ignorability）是否成立？特别是，网络中介变量（高维矩阵）是否存在未观测的混杂因素？
高维挑战：脑网络有约 \(p(p-1)/2\) 条唯一边（\(p\) 为脑区数，通常 \(p \approx 100\)，边数约5000），样本量通常 \(n < 1000\)。如何在高维、低样本量下实现稳定估计？
结构保留 vs. 降维：保留矩阵结构（而非向量化）能否带来统计效率或可解释性的提升？代价是什么（计算复杂度、识别条件更强）？
生存结局的特殊性：删失（censoring）如何影响中介效应的识别与估计？AFT模型的选择是否合理（相对于Cox模型）？

当前主流方法与已知瓶颈：主流方法（如Zhao et al. 2018）将网络向量化后应用标准高维中介分析（如HIMA），但丢失了网络拓扑信息（如模块结构、hub节点）。保留矩阵结构的方法（如Tian et al. 2023）仅适用于连续结局，且计算上依赖MCMC，在大脑网络（\(p \approx 100\)）下已显吃力。生存结局下的网络中介分析尚无现成方法。

⚠️ 作者的 framing¶

作者将缺口 frame 为：“现有网络中介分析要么将网络向量化（信息丢失），要么仅适用于连续/二值结局（未覆盖生存数据）”。因此，本文的定位是“显然的下一步”：将保留矩阵结构的贝叶斯中介分析从连续结局扩展到生存结局。

被淡化或回避的竞争路线： - 频率学派方法：作者完全采用贝叶斯框架，未讨论频率学派替代方案（如基于debiased Lasso的高维中介分析）。这可能是因为频率学派方法在处理矩阵结构中介变量时缺乏现成工具，但作者未明确说明。 - Cox比例风险模型：作者选择AFT模型而非Cox模型，理由是“AFT模型直接建模生存时间而非风险比，更易与中介效应分解兼容”。但Cox模型在生存分析中更主流，且已有中介分析扩展（VanderWeele 2011同时覆盖了AFT和Cox）。作者未比较两种选择的优劣。

什么明显该被引/该存在、却没出现在intro里？ - 高维中介分析的频率学派方法（如Zhang et al. 2016的HIMA、或基于debiased Lasso的 mediation test）未被引用。这些方法虽针对向量化中介变量，但作为“竞争基线”本应被提及。 - 图结构学习（graphical model）与因果发现的交叉文献（如Maathuis et al. 2009的IDAs算法）未被引用。这些工作关注从观测数据中学习因果图，与本文的“网络作为中介变量”有概念重叠。 - 生存分析中的高维变量选择（如Tibshirani 1997的Lasso-Cox、Fan & Li 2002的SCAD）未被引用。本文的AFT模型涉及高维参数（网络边），但未引用高维生存分析的经典文献。

张力¶

未见明显对立引用。所有被引工作基本是“递进”关系，而非“竞争”关系。唯一的潜在张力是“向量化 vs. 保留矩阵结构”之间的选择，但作者明确站在保留矩阵结构一侧，并给出了理由（信息丢失）。

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： - \(n\)：样本量（被试人数）。 - \(p\)：脑区（ROI）数量。脑网络是一个 \(p \times p\) 对称矩阵，其 \((i,j)\) 元素表示脑区 \(i\) 与 \(j\) 之间的连接强度（如纤维束数量）。 - \(X_i\)：暴露变量，标量或向量。在本文的应用中，\(X_i\) 是遗传因素（如APOE ε4基因型，二值：携带/不携带）。 - \(M_i\)：中介变量，是一个 \(p \times p\) 对称矩阵。其对角线元素为0（无自连接），上三角元素 \(m_{i,jk}\)（\(j<k\)）是唯一边。注意：\(M_i\) 是可观测的（通过弥散张量成像DTI构建），但作为中介变量，它同时是“暴露的响应”和“结局的预测因子”。 - \(T_i\)：结局变量，是生存时间（如从基线到诊断为阿尔茨海默病的时间）。由于删失，实际观测到的是 \((Y_i, \delta_i)\)，其中 \(Y_i = \min(T_i, C_i)\)（\(C_i\) 为删失时间），\(\delta_i = I(T_i \leq C_i)\) 为事件指示符。 - \(Z_i\)：协变量向量（如年龄、性别、教育程度），用于调整混杂。 - \(\beta\)：暴露 \(X\) 对结局 \(T\) 的直接效应（在AFT模型中）。 - \(\gamma\)：暴露 \(X\) 对中介 \(M\) 的效应（在矩阵响应回归中）。 - \(\alpha\)：中介 \(M\) 对结局 \(T\) 的效应（在AFT模型中）。 - \(\theta\)：暴露 \(X\) 对结局 \(T\) 的总效应（\(\theta = \beta + \gamma \alpha\) 在无交互假设下）。 - 潜在量：本文采用贝叶斯框架，因此所有参数都是随机变量（有先验分布）。但因果推断意义上的潜在结果（potential outcomes）未被显式建模——作者采用“结构模型”而非“潜在结果”框架。

模型（数据生成机制）：本文假设以下结构模型（structural model）： 1. 中介模型（暴露 → 网络）：

\[M_i = \gamma X_i + \Gamma Z_i + E_i\]

其中 \(M_i\) 是 \(p \times p\) 对称矩阵，\(\gamma\) 是 \(p \times p\) 对称矩阵（暴露对每条边的效应），\(\Gamma\) 是 \(p \times p \times q\) 的三维张量（协变量效应，\(q\) 为协变量个数），\(E_i\) 是 \(p \times p\) 对称误差矩阵，假设其元素独立同分布（或至少服从某种矩阵正态分布）。 2. 结局模型（网络 → 生存时间）：

\[\log T_i = \beta X_i + \langle A, M_i \rangle + \zeta^T Z_i + \epsilon_i\]

其中 \(\langle A, M_i \rangle = \sum_{j<k} a_{jk} m_{i,jk}\) 是矩阵内积（\(A\) 是 \(p \times p\) 对称系数矩阵，衡量每条边对生存时间的影响），\(\beta\) 是直接效应，\(\zeta\) 是协变量效应，\(\epsilon_i\) 是误差项（假设服从某种参数分布，如极值分布以得到AFT模型）。 3. 删失机制：假设删失时间 \(C_i\) 独立于 \(T_i\) 给定 \((X_i, M_i, Z_i)\)（非信息删失）。

可观测数据：研究者实际能观测到的是：\(\{ (X_i, M_i, Y_i, \delta_i, Z_i) \}_{i=1}^n\)，其中： - \(X_i\)（遗传暴露）是标量/向量，完全观测。 - \(M_i\)（脑网络）是 \(p \times p\) 对称矩阵，完全观测（通过DTI构建）。 - \(Y_i = \min(T_i, C_i)\) 和 \(\delta_i = I(T_i \leq C_i)\) 是删失后的生存数据。 - \(Z_i\)（协变量）完全观测。

想要但观测不到的量： - 潜在生存时间 \(T_i\)（若删失则未知）。 - 误差项 \(\epsilon_i\) 和 \(E_i\)。 - 参数 \(\beta, \gamma, A, \zeta, \Gamma\)（待估计）。 - 因果效应（直接效应、间接效应）——它们是参数的函数。

第二步：讲最小内核¶

最简特例：假设只有 \(p=2\) 个脑区，因此脑网络 \(M_i\) 是一个 \(2 \times 2\) 对称矩阵，只有一条唯一边 \(m_i = m_{i,12}\)（标量）。暴露 \(X_i\) 是二值（0/1），结局 \(T_i\) 是生存时间（无删失，简化）。协变量 \(Z_i\) 不存在。

在这个特例下，模型退化为： 1. 中介模型：\(m_i = \gamma X_i + e_i\)，其中 \(e_i \sim N(0, \sigma_m^2)\)。 2. 结局模型：\(\log T_i = \beta X_i + a m_i + \epsilon_i\)，其中 \(\epsilon_i \sim\) 极值分布（AFT模型的标准假设）。

核心思路：本文要做的，就是在这个特例下估计三个参数 \((\beta, \gamma, a)\)，然后计算： - 直接效应：\(DE = \beta\)（暴露对生存时间的直接效应，控制中介后）。 - 间接效应：\(IE = \gamma \times a\)（暴露通过中介对生存时间的效应）。 - 总效应：\(TE = \beta + \gamma a\)。

为什么这个特例抓住了核心：即使 \(p=2\)，本文的所有关键要素都已出现： - 中介变量是“结构化的”（虽然只有一条边，但它是矩阵的一个元素）。 - 结局是生存时间（需处理删失，但特例中先忽略）。 - 需要同时估计两个回归模型，并组合参数得到中介效应。 - 需要先验分布（贝叶斯框架）来处理参数不确定性。

一般情形（\(p>2\)）的额外困难： - 参数维度爆炸：\(\gamma\) 和 \(A\) 各有 \(p(p-1)/2\) 个自由参数（约5000当 \(p=100\)），而样本量 \(n\) 通常只有几百。这需要稀疏化先验（within-graph sparsity）来假设大多数边不受暴露影响（\(\gamma_{jk}=0\)）或不影响结局（\(a_{jk}=0\)）。 - 矩阵结构约束：\(\gamma\) 和 \(A\) 必须是对称矩阵，且需保持网络拓扑（如模块性）。本文通过“图间收缩”（between-graph shrinkage）先验来鼓励相似脑区的效应相近。 - 删失处理：AFT模型在贝叶斯框架下通过数据增广（data augmentation）处理删失——将删失的 \(T_i\) 视为潜在变量，从截断分布中采样。

最小内核的数学表述：本文要解决的数学问题是：给定观测数据 \(\{ (X_i, M_i, Y_i, \delta_i) \}_{i=1}^n\)，在贝叶斯框架下，从后验分布 \(p(\beta, \gamma, A, \sigma^2 | \text{data})\) 中采样，并报告直接效应 \(\beta\) 和间接效应 \(\gamma \circ A\)（\(\circ\) 表示逐元素乘积再求和）的后验均值与可信区间。其中，\(\gamma\) 和 \(A\) 是 \(p \times p\) 对称矩阵，且被施加了稀疏性先验（如马蹄铁先验或 spike-and-slab 先验）。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在“遗传暴露 → 全脑连接网络（对称矩阵中介变量）→ 疾病发病时间（生存结局）”的因果路径中，如何识别并估计直接效应与间接效应，同时保留网络的完整拓扑结构。
核心工具/方法：一个贝叶斯结构模型，包含对称矩阵变量加速失效时间模型（用于结局）和对称矩阵响应回归（用于中介变量），并引入图内稀疏性（within-graph sparsity）和图间收缩（between-graph shrinkage）先验以实现高维参数的选择与收缩。
主要结论：模拟表明，本文方法在估计中介效应时优于将网络向量化的替代方案（如HIMA）；应用于ADNI数据，发现了APOE ε4基因型通过影响默认模式网络（DMN）和海马体相关连接来加速阿尔茨海默病发病的神经生物学路径。

关键设定与假设¶

完整设定（在第二节最小记号的基础上补充）：

中介模型（公式1，原文）：
\[M_i = \gamma X_i + \Gamma Z_i + E_i, \quad E_i \sim \text{Matrix-Normal}(0, \Sigma_r, \Sigma_c)\]
其中 \(\Sigma_r\) 和 \(\Sigma_c\) 是行和列的协方差矩阵（假设为可分离结构，separable covariance）。这比第二节的独立同分布假设更一般，允许脑区之间存在相关性。
结局模型（公式2，原文）：
\[\log T_i = \beta X_i + \langle A, M_i \rangle + \zeta^T Z_i + \epsilon_i, \quad \epsilon_i \sim \text{Log-F}(0, \sigma^2)\]
其中 Log-F 分布是AFT模型的常见选择（灵活且包含极值分布作为特例）。\(\langle A, M_i \rangle = \text{tr}(A^T M_i)\) 是矩阵内积。
删失模型：假设非信息删失（non-informative censoring），即 \(C_i \perp T_i \mid (X_i, M_i, Z_i)\)。这是标准假设，但未在文中明确检验。
先验分布：
对 \(\gamma\) 和 \(A\) 的每个元素：采用 spike-and-slab 先验（或马蹄铁先验的变体），以实现“within-graph sparsity”——即大多数边不受暴露影响（\(\gamma_{jk}=0\)）或不影响结局（\(a_{jk}=0\)）。
对 \(\gamma\) 和 \(A\) 的行/列结构：采用 graph Laplacian 先验（或融合Lasso类型的先验），以实现“between-graph shrinkage”——即如果两个脑区在解剖上相近或功能上相似，它们的效应参数应被收缩向彼此。
对 \(\beta, \zeta, \sigma^2\)：采用无信息先验或弱信息先验（如 \(\beta \sim N(0, 1000)\)）。
识别假设（隐含）：
序贯可忽略性（sequential ignorability）：给定协变量 \(Z\)，暴露 \(X\) 与中介 \(M\) 的潜在结果独立（即无未观测混杂影响 \(X \rightarrow M\)）；给定 \(X\) 和 \(Z\)，中介 \(M\) 与结局 \(T\) 的潜在结果独立（即无未观测混杂影响 \(M \rightarrow T\)）。这是中介分析的标准假设，但本文未显式讨论其合理性（尤其在脑网络背景下，可能存在未观测的遗传或环境混杂）。
无交互作用：暴露 \(X\) 与中介 \(M\) 对结局 \(T\) 无交互效应（即效应可加）。这是结构模型隐含的假设，但未在文中检验。

相比已有文献的放宽或强化： - 放宽：相比Zhao et al. (2018)的向量化策略，本文保留了矩阵结构，允许利用网络拓扑信息（如模块性）。 - 强化：相比Tian et al. (2023)的连续结局版本，本文增加了AFT模型和删失处理，但同时也引入了更强的分布假设（Log-F误差）和更复杂的MCMC采样。

主要结果¶

理论结果：本文是应用型论文，无新定理或渐近理论。主要结果来自模拟和真实数据应用。

模拟结果（原文Section 4）： - 设定：生成 \(n=200\) 或 \(500\) 个被试，\(p=30\) 个脑区（即 \(30 \times 29/2 = 435\) 条唯一边）。暴露 \(X\) 为二值（0/1），生存时间由AFT模型生成，删失率约20%或40%。比较方法包括： - 本文方法（BANAN）：贝叶斯网络中介分析（Bayesian ANAlysis of Networks）。 - HIMA：高维中介分析（Zhao et al. 2018的向量化方法）。 - Naive：忽略中介，直接回归 \(T\) 对 \(X\)。 - Oracle：使用真实的中介效应参数（仅用于比较，实际不可行）。 - 核心量化结论： - 在估计间接效应（IE）时，BANAN的均方误差（MSE）比HIMA低约30-50%（具体数值见原文Table 1，例如当 \(n=200\)、删失率20%时，BANAN的MSE为0.12，HIMA为0.21）。 - BANAN的95%后验可信区间覆盖率接近名义水平（约92-96%），而HIMA的置信区间覆盖率偏低（约80-85%），说明HIMA低估了不确定性。 - 当网络结构更稀疏（即只有少数边是真正的中介）时，BANAN的优势更明显（因为其spike-and-slab先验能有效筛选）。 - 稳健性：对删失率、样本量、网络密度进行了敏感性分析，结论基本稳健。

真实数据应用（原文Section 5）： - 数据：ADNI（Alzheimer’s Disease Neuroimaging Initiative）数据，包含约800名被试。暴露 \(X\)：APOE ε4基因型（携带/不携带）。中介 \(M\)：基于DTI构建的全脑结构连接网络（\(p=90\) 个脑区，即4005条边）。结局 \(T\)：从基线到诊断为阿尔茨海默病的时间（年），删失率约60%。 - 方法应用：将BANAN应用于数据，从后验分布中提取直接效应（\(\beta\)）和间接效应（\(\gamma \circ A\)）的后验均值与95%可信区间。 - 结果： - 直接效应：APOE ε4对发病时间的直接效应显著（后验均值 \(\hat{\beta} = -0.32\)，95%可信区间 \([-0.51, -0.13]\)），即携带ε4使发病时间缩短约27%（\(e^{-0.32} \approx 0.73\)）。 - 间接效应：APOE ε4通过脑网络的间接效应也显著（后验均值 \(\hat{IE} = -0.18\)，95%可信区间 \([-0.30, -0.06]\)），占总效应的约36%。 - 关键中介边：后验概率高的边主要集中在默认模式网络（DMN） 内部（如后扣带回与楔前叶之间的连接）以及海马体与颞叶之间的连接。这与神经生物学文献一致：DMN是阿尔茨海默病最早受影响的网络之一。 - 这个例子想说明什么：验证了方法在真实数据上的可行性，并展示了其发现神经生物学合理路径的能力。同时，间接效应占总效应36%这一结果暗示，APOE ε4的部分致病作用是通过破坏脑网络结构实现的，这可能为干预提供靶点（如保护DMN连接）。

证明路线与技术技巧¶

整体路线（MCMC采样算法）： 1. 数据增广：对于删失的观测（\(\delta_i=0\)），将潜在生存时间 \(T_i\) 视为缺失数据，从截断分布 \(p(T_i \mid T_i > Y_i, \text{rest})\) 中采样。这是贝叶斯生存分析的标准技巧。 2. 参数采样：采用Gibbs采样与Metropolis-Hastings混合算法，依次更新： - \(\beta, \zeta, \sigma^2\)：从条件后验中直接采样（共轭先验下为解析形式）。 - \(\gamma, A\)：由于高维且先验非共轭，采用块坐标Metropolis-Hastings（block-wise MH），每次更新一个脑区对应的所有边（即 \(\gamma\) 或 \(A\) 的一行/列）。这利用了网络结构：一个脑区与所有其他脑区的连接构成一个“块”，块内参数可能相关。 - 稀疏性先验的超参数：从条件后验中采样（如spike-and-slab的混合概率）。 3. 后验推断：从MCMC样本中计算直接效应 \(\beta\) 和间接效应 \(\gamma \circ A\) 的后验均值与可信区间。

关键跳跃点： - 高维矩阵参数的采样：\(\gamma\) 和 \(A\) 各有约4000个参数（当 \(p=90\)），直接对所有参数进行MH采样会极其低效。作者的解决方案是块坐标更新：利用脑网络的模块结构，将参数按脑区分组，每次更新一个脑区对应的所有边。这相当于将 \(p(p-1)/2\) 维问题分解为 \(p\) 个 \(p-1\) 维子问题，每个子问题仍高维，但通过稀疏性先验（大多数边为0）实现了有效降维。 - 图间收缩先验的实现：作者采用图Laplacian惩罚（或等价于多元正态先验的精度矩阵为图Laplacian），鼓励相邻脑区（在解剖或功能上相近）的效应参数相似。这需要预先定义一个“脑区邻近图”（brain region adjacency graph），通常基于解剖坐标或功能连接模板。该先验的引入使MCMC采样更复杂，因为条件后验不再是标准分布，需用MH步骤。

技术技巧点名： - 数据增广（data augmentation）：用于处理删失生存时间。将删失的 \(T_i\) 视为潜在变量，从截断Log-F分布中采样。这是贝叶斯生存分析的标准技巧（如Albert & Chib 1993）。 - 块坐标Metropolis-Hastings：用于高维矩阵参数的采样。利用网络结构将参数分组，每组内采用随机游走MH（random walk MH）或自适应MH。这是高维贝叶斯计算中的常见策略（如分块Gibbs）。 - Spike-and-slab先验：用于实现图内稀疏性。每个参数 \(\gamma_{jk}\) 或 \(a_{jk}\) 被建模为来自两个正态分布的混合：一个集中在0附近（spike，方差很小），一个分散（slab，方差很大）。通过后验概率判断该边是否“活跃”。这是贝叶斯变量选择的经典工具（如George & McCulloch 1993）。 - 图Laplacian先验：用于实现图间收缩。假设参数向量（如 \(\gamma\) 的某一列）服从多元正态分布，其精度矩阵为图Laplacian矩阵 \(L = D - W\)（\(D\) 为度矩阵，\(W\) 为邻接权重矩阵）。这等价于对相邻脑区的参数差施加二次惩罚。这是空间统计和图模型中的常见技巧（如Rue & Held 2005）。

🔎 结论是否比证明窄¶

本文为纯应用/方法论文，无严格理论证明。所有结论来自模拟和真实数据，而非渐近定理。因此，不存在“证明比结论窄”的问题，但存在“模拟设定比实际应用窄”的问题：
模拟中 \(p=30\)（435条边），而真实数据中 \(p=90\)（4005条边）。模拟的稀疏性假设（只有约5%的边是真正的中介）在真实数据中是否成立？作者未提供敏感性分析。
模拟中删失率最高40%，而ADNI数据删失率约60%。高删失率下MCMC的收敛性未在模拟中评估。
作者在结论部分声称“方法可推广到其他类型的中介变量（如功能连接网络）”，但未提供任何证据或讨论推广所需的假设变化。

四、开放问题¶

识别条件的检验：本文隐含假设序贯可忽略性（sequential ignorability），但在脑网络背景下，可能存在未观测的混杂因素（如其他遗传变异、生活方式）同时影响暴露、网络和结局。扎根于：原文未讨论识别假设的合理性，也未进行敏感性分析。可参考Imai et al. (2010)的敏感性分析方法，将其扩展到网络中介设定。
频率学派替代方案：本文完全采用贝叶斯框架，但频率学派方法（如基于debiased Lasso的高维中介分析）可能提供更快的计算和更清晰的渐近理论。扎根于：原文未与任何频率学派方法比较（除HIMA外）。可尝试将Zhang & Li (2022)的对称矩阵回归与debiased Lasso结合，构建频率学派版本的网络中介分析。
高维删失下的理论性质：本文未提供任何渐近理论（如估计量的相合性、收敛速度、后验覆盖率的频率学派性质）。扎根于：原文为纯应用论文，无定理。可尝试推导在 \(p \gg n\) 且存在删失时，贝叶斯网络中介估计量的 minimax 收敛速度，或后验收缩率（posterior contraction rate）。
计算可扩展性：本文的MCMC算法在 \(p=90\) 时已显吃力（原文提到“计算耗时约12小时”）。对于更高分辨率（\(p=200\) 或 \(p=400\)）的脑网络，算法可能不可行。扎根于：原文在讨论部分提到“计算负担是当前限制”。可探索变分贝叶斯（variational Bayes）或基于随机梯度的方法来加速计算。

Maintained by 陈星宇 · Homepage · Source on GitHub