跳转至

Estimation and false discovery control for the analysis of environmental mixtures

作者: Srijata Samanta, Joseph Antonelli
来源: Biostatistics
主题: 因果推断
相关性: 6/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

环境混合物分析是环境流行病学中的一个核心统计问题。其根本目标是：在同时暴露于多种化学物质（如多氯联苯、二噁英、重金属等）的人群中，量化这些暴露对健康结局（如端粒长度、神经发育）的联合效应。这面临三个统计挑战：高维性（暴露数量 p 可能接近或超过样本量 n）、强相关性（暴露物常共现，导致多重共线性）、以及非线性与交互效应（暴露-反应关系可能呈 U 型或阈值型，且暴露物之间可能协同或拮抗）。当前该领域的成熟度处于“方法众多但缺乏统一框架”的阶段——已有大量针对变量选择或效应估计的方法，但没有任何方法能在识别重要暴露与交互作用的同时控制任何形式的错误发现率。

发展脉络（history）

从 introduction 和参考文献中，可以梳理出以下发展脉络：

  1. 奠基工作：从单污染物到多污染物，从线性到非线性（~2010-2016）

    • Braun et al. (2016) 和 Lazarevic et al. (2019) 提供了该领域的综述性框架，提出了混合物分析应回答的三个核心问题：单个化学物的效应、交互作用、以及累积暴露的总体效应。
    • Carrico et al. (2014) 提出了加权分位数和回归（WQS），通过构造一个暴露分位数的加权线性组合来估计总体混合物效应。该方法在高度相关的暴露物中识别“坏角色”，但无法处理非线性或交互作用。
    • Henn et al. (2014) 强调了暴露-反应关系的非线性特征，指出这是方法设计的核心难点。

  2. 主要进展：灵活回归与变量选择（~2017-2020）

    • Antonelli et al. (2017) 提出了贝叶斯半参数回归模型，使用多元 spike-and-slab 先验来同时选择主效应和交互作用，并允许非线性关系。这是该领域一个重要的方法学里程碑，但不控制错误发现率。
    • Boss et al. (2020) 提出了层次整合组 LASSO（HiGLASSO），通过强遗传性约束（只有主效应被选入时，其交互作用才可能被选入）和自适应权重来识别非线性主效应和交互作用。该方法证明了变量选择的一致性（sparsistency），但同样不控制 FDR。
    • Ferrari & Dunson (2019, 2020) 提出了两种贝叶斯方法：一种将主效应和交互作用线性分解，并用高斯过程处理非线性偏差；另一种使用潜因子联合模型（FIN）来降维并推断交互作用。这些方法侧重于模型选择和不确定性量化，但不提供 FDR 保证。
    • Wei et al. (2020) 提出了稀疏贝叶斯加性非参数回归，使用多元 Dirichlet-Laplace 先验进行变量选择，并证明了预测和变量选择的一致性。同样不控制 FDR。

  3. 当前 Frontier：高维推断与 FDR 控制（~2014-2019）

    • 在高维线性模型领域，FDR 控制取得了显著进展。Barber & Candès (2014) 提出了 knockoffs 方法，在有限样本下精确控制线性模型的 FDR。G'Sell et al. (2013) 提出了针对有序假设的序列选择程序来控制 FDR。Javanmard & Javadi (2018) 提出了基于 debiased lasso 的 FDR 控制程序。
    • 然而，这些方法要么假设线性模型（knockoffs, debiased lasso），要么需要特定的假设结构（有序假设），无法直接应用于环境混合物分析中常见的非线性、交互效应和强相关设定。

  4. 本文的位置

    • 本文是第一个将 FDR 控制引入环境混合物分析的工作。它填补了“灵活变量选择”与“严格错误率控制”之间的空白。作者的核心论点是：现有方法虽然能识别重要暴露，但无法告诉研究者这些发现的可靠性，而 FDR 控制能提供这种可靠性，并可能改变实质性结论（如 NHANES 数据例子所示）。

子线索聚类

被引文献大致落在以下三条子线索上：

  • 线索一：混合物效应的总体估计与推断。这类方法关注的是“整个混合物的联合效应是什么”，而不是识别单个成分。代表方法包括 WQS 回归（Carrico et al., 2014）、贝叶斯核机器回归（BKMR，在 Gibson et al. 2019 中被提及）、以及潜因子模型（Ferrari & Dunson, 2020）。这些方法通常能提供总体效应的点估计和置信区间，但不进行变量选择。
  • 线索二：重要暴露与交互作用的识别（变量选择）。这是本文的主要竞争路线。代表方法包括贝叶斯半参数回归（Antonelli et al., 2017）、HiGLASSO（Boss et al., 2020）、高斯过程分解（Ferrari & Dunson, 2019）、以及稀疏贝叶斯加性模型（Wei et al., 2020）。这些方法的核心是变量选择，但不控制 FDR。
  • 线索三：高维模型中的 FDR 控制。这是本文的技术来源。代表方法包括 knockoffs（Barber & Candès, 2014）、序列选择（G'Sell et al., 2013）、以及 debiased lasso（Javanmard & Javadi, 2018）。这些方法提供了严格的 FDR 控制，但通常假设线性模型或特定的模型结构，无法直接处理环境混合物分析中的非线性与交互效应。

这个方向在追问的核心问题

  1. 如何同时实现总体效应推断和变量选择？ 大多数方法只专注于其中一个目标。
  2. 如何在存在非线性与交互效应的情况下控制 FDR？ 这是本文要解决的核心问题。
  3. 如何在高相关性的暴露物中检测弱效应？ 传统变量选择方法（如 LASSO）倾向于将弱效应收缩至零，导致漏检。
  4. FDR 控制是否会改变实质性结论？ 这是应用层面的关键问题，本文通过 NHANES 数据给出了一个肯定的答案。

⚠️ 作者的 framing

  • 作者的缺口 frame：作者将缺口 frame 为“现有方法能做变量选择，但无法控制错误发现率”。这使得本文成为“显然的下一步”——既然变量选择已经可行，那么下一步自然是为其提供统计保证。作者通过引用 Herring (2010) 和 Antonelli et al. (2020) 来强调“虽然有方法能同时做两件事（估计与选择），但都不控制 FDR”。
  • 被淡化或回避的竞争路线：作者淡化了 knockoffs 方法。虽然引用了 Barber & Candès (2014) 和 Barber et al. (2018)，但指出 knockoffs 需要已知的暴露物联合分布，这在环境流行病学中通常不现实。作者也回避了 post-selection inference 路线（如 Lockhart et al., 2014; Zhao et al., 2017），因为这些方法关注的是条件推断（给定所选模型），而非 FDR 控制。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 作者没有引用任何关于多重假设检验中依赖结构（dependence） 的文献，例如 Benjamini & Yekutieli (2001) 关于正依赖下 FDR 控制的经典工作。考虑到环境暴露物高度相关，这是一个值得研究者去查的问题：本文的 FDR 控制理论是否依赖于某种特定的依赖结构？作者在定理中是否隐含了这种假设？

张力

未见明显对立引用。所有被引的方法学工作都承认“变量选择”和“FDR 控制”是该领域的两个重要但尚未结合的目标。本文的贡献在于将两者结合，而非挑战任何现有结论。

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：

    • \(Y\)：连续型健康结局（随机变量）。
    • \(\mathbf{X} = (X_1, \dots, X_p)^T\)：\(p\) 个环境暴露物的向量（随机变量）。
    • \(\mathbf{Z}\)：一组协变量（如年龄、性别、BMI），用于调整混杂（随机变量向量）。
    • \(n\)：样本量。
    • \(f(\mathbf{X})\)：暴露-反应函数，即给定暴露水平 \(\mathbf{X}\) 时，结局 \(Y\) 的条件期望（除去协变量效应后）。这是本文的核心 estimand。
    • \(\beta_j\)：第 \(j\) 个暴露物的主效应系数（在模型 (1) 中）。
    • \(\gamma_{jk}\)：第 \(j\) 个和第 \(k\) 个暴露物之间的交互效应系数（在模型 (1) 中）。
    • \(\mathcal{S}_{\text{main}}\)：真正有非零主效应的暴露物下标集合。
    • \(\mathcal{S}_{\text{int}}\)：真正有非零交互效应的暴露物下标集合。
    • \(\hat{\mathcal{S}}_{\text{main}}, \hat{\mathcal{S}}_{\text{int}}\)：由方法估计出的重要主效应和交互作用集合。
    • \(V\)：假发现的数量，即 \(|\hat{\mathcal{S}} \setminus \mathcal{S}_{\text{true}}|\)。
    • \(R\)：总发现的数量，即 \(|\hat{\mathcal{S}}|\)。
    • FDR：假发现率，定义为 \(\mathbb{E}[V / \max(R, 1)]\)。
    • \(q\)：目标 FDR 水平（例如 0.1 或 0.2）。

  • 模型： 本文考虑一个半参数模型：

    \[Y = \mu(\mathbf{X}) + \mathbf{Z}^T \boldsymbol{\alpha} + \epsilon, \quad \mathbb{E}[\epsilon | \mathbf{X}, \mathbf{Z}] = 0\]
    其中 \(\mu(\mathbf{X})\) 是暴露-反应函数，\(\boldsymbol{\alpha}\) 是协变量的线性效应。为了进行变量选择和 FDR 控制，作者将 \(\mu(\mathbf{X})\) 参数化为一个包含主效应和两两交互效应的线性模型：
    \[\mu(\mathbf{X}) = \beta_0 + \sum_{j=1}^p \beta_j X_j + \sum_{1 \le j < k \le p} \gamma_{jk} X_j X_k \tag{1}\]
    注意，这是一个线性模型，但作者声称它可以通过基展开（如样条）来近似非线性关系。这是本文的一个关键假设。

  • 可观测数据： 研究者可以观测到 \(n\) 个独立同分布的样本 \(\{(Y_i, \mathbf{X}_i, \mathbf{Z}_i)\}_{i=1}^n\)。其中 \(Y_i\) 是结局，\(\mathbf{X}_i\) 是 \(p\) 维暴露向量，\(\mathbf{Z}_i\) 是协变量向量。不可观测的是真正的暴露-反应函数 \(\mu(\mathbf{X})\) 的形式（是否真的是线性的？），以及真正的非零效应集合 \(\mathcal{S}_{\text{main}}\) 和 \(\mathcal{S}_{\text{int}}\)。所有推断都依赖于模型 (1) 的正确设定。

第二步：讲最小内核

本文的核心思路可以用一个最简特例来理解：假设没有交互作用，且所有暴露物之间相互独立。

  • 最简设定：

    • 模型简化为：\(Y = \beta_0 + \sum_{j=1}^p \beta_j X_j + \epsilon\)。
    • 假设 \(X_j\) 之间相互独立，且与 \(\epsilon\) 独立。
    • 目标是：在控制 FDR 的前提下，识别出哪些 \(\beta_j \neq 0\)。

  • 核心困难： 在高维线性模型中，LASSO 等变量选择方法虽然能给出一个稀疏解，但无法直接用于 FDR 控制，因为 LASSO 估计量 \(\hat{\beta}_j^{\text{lasso}}\) 是有偏的，且其分布未知。传统的 \(p\) 值（如 OLS 的 \(p\) 值）在 \(p > n\) 时无法计算。

  • 本文的关键想法（以方法二为例）：

    1. 去偏（Debiasing）：使用 debiased lasso 构造一个无偏（或渐近无偏）的估计量 \(\tilde{\beta}_j\)。其形式为：
      \[\tilde{\beta}_j = \hat{\beta}_j^{\text{lasso}} + \frac{\hat{\mathbf{u}}_j^T (\mathbf{Y} - \mathbf{X} \hat{\boldsymbol{\beta}}^{\text{lasso}})}{\hat{\mathbf{u}}_j^T \mathbf{X}_j}\]
      其中 \(\hat{\mathbf{u}}_j\) 是节点回归（nodal regression）的残差向量，用于去除其他变量的影响。这个去偏步骤的关键在于，它使得 \(\tilde{\beta}_j\) 渐近服从正态分布：\(\sqrt{n}(\tilde{\beta}_j - \beta_j) \xrightarrow{d} N(0, \sigma_j^2)\)。
    2. 构造检验统计量：基于 \(\tilde{\beta}_j\) 和其标准误 \(\hat{\sigma}_j\)，可以构造一个 \(z\)-统计量 \(z_j = \tilde{\beta}_j / \hat{\sigma}_j\)，并计算双边 \(p\) 值 \(p_j = 2 \Phi(-|z_j|)\)。
    3. FDR 控制：现在有了 \(p\) 个 \(p\) 值 \(\{p_1, \dots, p_p\}\)，就可以应用标准的 FDR 控制程序，如 Benjamini-Hochberg (BH) 过程。BH 过程按 \(p\) 值升序排序，找到最大的 \(k\) 使得 \(p_{(k)} \le \frac{k}{p} q\)，然后拒绝所有 \(p_{(1)}, \dots, p_{(k)}\) 对应的假设。

  • 为什么这个特例能体现核心思路： 在这个最简设定下，整个流程清晰可见：去偏 → 正态近似 → 标准 FDR 控制。本文的一般化工作就是将这个流程推广到存在交互作用（模型 (1)）和暴露物高度相关（需要更复杂的去偏和方差估计）的设定。交互作用的引入使得问题从 \(p\) 个假设变为 \(p + \binom{p}{2}\) 个假设，并且交互作用项与主效应项之间存在相关性，这给 FDR 控制带来了额外的挑战。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了在环境混合物分析中，如何同时实现两个目标：(i) 估计并推断总体混合物效应（即所有暴露物的联合效应），(ii) 识别重要的单个暴露物及其交互作用，同时控制假发现率（FDR）。
  2. 核心工具 / 方法：提出了两种方法。方法一（基于数据分割）先使用变量选择（如 LASSO）筛选变量，然后在保留的数据上对所选变量进行 OLS 回归，并通过多重检验校正（如 BH 过程）控制 FDR。方法二（基于 debiased lasso）直接对包含主效应和交互效应的扩展模型使用 debiased lasso，构造渐近正态的检验统计量，然后应用 BH 过程控制 FDR。
  3. 主要结论：两种方法都能渐近控制 FDR。在模拟研究中，相比现有方法（如 HiGLASSO, NLinteraction），本文方法在检测弱效应时具有显著更高的统计功效。应用于 NHANES 持久性有机污染物数据时，控制 FDR 导致与未控制时截然不同的结论，表明 FDR 控制对于得出可靠的实质性结论至关重要。

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：

  • 模型：\(Y = \mu(\mathbf{X}) + \mathbf{Z}^T \boldsymbol{\alpha} + \epsilon\)，其中 \(\mu(\mathbf{X})\) 由模型 (1) 定义，即线性主效应 + 线性两两交互效应。这是核心参数化假设。作者在模拟中通过样条基展开来近似非线性，但在理论分析中假设模型 (1) 是正确设定的。
  • 稀疏性假设：真正的非零主效应和交互效应数量 \(s_0 = |\mathcal{S}_{\text{main}}| + |\mathcal{S}_{\text{int}}|\) 远小于总参数数量 \(p + \binom{p}{2}\)。具体地，对于方法二，作者假设 \(s_0 = o(\sqrt{n} / (\log p)^2)\)，这与 Javanmard & Javadi (2018) 的假设一致。
  • 设计矩阵条件：暴露物矩阵 \(\mathbf{X}\) 需要满足一定的条件，如受限特征值条件（Restricted Eigenvalue condition）或不相干条件（Irrepresentable condition），以保证 LASSO 的变量选择一致性。对于方法二，还需要 \(\mathbf{X}\) 的精度矩阵（precision matrix）是稀疏的或可良好估计的。
  • FDR 控制假设：对于方法一，假设在数据分割后，OLS 回归的 \(p\) 值是有效的（即误差项是正态的或样本量足够大）。对于方法二，假设 debiased lasso 的 \(p\) 值是渐近有效的。两种方法都假设 \(p\) 值之间满足某种弱依赖条件，使得 BH 过程能控制 FDR。
  • 相比已有文献的强化/放宽：相比 knockoffs，本文放宽了对暴露物联合分布的精确知识的要求（knockoffs 需要已知分布，本文不需要）。相比 post-selection inference，本文强化了目标（从条件推断到无条件 FDR 控制）。相比纯变量选择方法（如 HiGLASSO），本文增加了对 FDR 控制的保证，但增加了对模型线性假设的依赖。

主要结果

  • 定理 1（方法一的 FDR 控制）：在数据分割和变量选择后，对所选变量进行 OLS 回归，并对得到的 \(p\) 值应用 BH 过程。在正则条件下，该方法能渐近控制 FDR 在目标水平 \(q\) 以下。直觉：数据分割保证了变量选择和 \(p\) 值计算所使用的数据是独立的，从而避免了“双重使用数据”导致的过拟合和 \(p\) 值膨胀。必要条件：第一阶段的变量选择需要以概率趋近于 1 地包含所有真正重要的变量（即选择一致性），且所选模型的大小不能太大。
  • 定理 2（方法二的 FDR 控制）：对包含所有主效应和交互效应的扩展模型应用 debiased lasso，构造 \(p\) 值，然后应用 BH 过程。在正则条件下，该方法能渐近控制 FDR 在目标水平 \(q\) 以下。直觉：debiased lasso 提供了渐近正态的检验统计量，使得 \(p\) 值有效，从而 BH 过程可以控制 FDR。必要条件：稀疏性条件 \(s_0 = o(\sqrt{n} / (\log p)^2)\) 和设计矩阵条件。
  • 功效分析：作者通过模拟展示了两种方法的功效。关键发现是：在检测弱效应时，方法二（debiased lasso）显著优于方法一（数据分割）。这是因为数据分割浪费了一半的样本，而 debiased lasso 利用了全部样本。此外，两种方法都优于不控制 FDR 的现有方法（如 HiGLASSO），因为后者倾向于将弱效应收缩至零。

证明路线与技术技巧

  • 整体路线（以方法二为例）：

    1. 步骤一：构造扩展设计矩阵。将原始 \(p\) 个暴露物及其 \(\binom{p}{2}\) 个两两交互项合并成一个 \(p^* = p + \binom{p}{2}\) 维的设计矩阵 \(\tilde{\mathbf{X}}\)。
    2. 步骤二：节点回归与去偏。对于每个参数 \(j \in \{1, \dots, p^*\}\)，计算节点回归残差 \(\hat{\mathbf{u}}_j\)（即用 \(\tilde{\mathbf{X}}_{-j}\) 预测 \(\tilde{\mathbf{X}}_j\) 的残差）。然后构造 debiased lasso 估计量 \(\tilde{\beta}_j\)。
    3. 步骤三：渐近正态性。证明 \(\sqrt{n}(\tilde{\beta}_j - \beta_j) / \hat{\sigma}_j \xrightarrow{d} N(0, 1)\)。这依赖于节点回归的收敛性、LASSO 初始估计的一致性、以及稀疏性条件。
    4. 步骤四：构造 \(p\) 值并应用 BH 过程。基于渐近正态性计算 \(p\) 值 \(p_j\)。然后对所有 \(p^*\) 个 \(p\) 值应用 BH 过程，得到拒绝集 \(\hat{\mathcal{S}}\)。
    5. 步骤五：FDR 控制证明。证明 BH 过程在 \(p\) 值渐近有效且满足弱依赖条件时，能控制 FDR。这通常需要证明 \(p\) 值的联合分布满足“正回归依赖”（PRDS）性质，或者使用更鲁棒的 BH 变体。

  • 关键跳跃点：

    • 交互项的加入：将 debiased lasso 从线性模型推广到包含交互项的模型，关键在于处理交互项与主效应项之间的相关性。节点回归需要同时考虑所有 \(p^*\) 个变量，其收敛性分析比标准线性模型更复杂。
    • FDR 控制的证明：在 \(p^*\) 个假设中，许多假设（如交互项）可能高度相关。证明 BH 过程在这种复杂依赖结构下仍能控制 FDR 是一个技术难点。作者可能依赖于 \(p\) 值的渐近独立性或某种弱依赖条件。

  • 技术技巧点名：

    • Debiased Lasso：核心工具，用于构造渐近正态的估计量。用在步骤二。
    • 节点回归（Nodal Regression）：用于计算去偏项 \(\hat{\mathbf{u}}_j\)。用在步骤二。
    • Benjamini-Hochberg (BH) 过程：标准的 FDR 控制程序。用在步骤四。
    • 数据分割（Data Splitting）：方法一的核心技巧，用于保证变量选择和推断的独立性。用在方法一的步骤一。

真实例子与应用

  • 数据：NHANES 2001-2002 数据，包含 1003 名美国成年人的 18 种持久性有机污染物（POPs）暴露水平和白细胞端粒长度（LTL）。该数据先前已在 Gibson et al. (2019) 中被分析过。
  • 方法应用：作者将两种方法应用于该数据，目标是在控制 FDR 的前提下，识别与 LTL 显著相关的 POPs 及其交互作用。
  • 结果：
    • 当不控制 FDR 时（即仅使用变量选择方法，如 LASSO），发现大量 POPs 与 LTL 显著相关。
    • 当控制 FDR 在 0.2 水平时，方法一和方法二都只识别出少数几个 POPs（如 PCB 126, PCB 169）与 LTL 显著相关。
    • 关键发现：控制 FDR 导致与未控制时截然不同的结论。例如，一些在未控制 FDR 时被认为“显著”的 POPs，在控制 FDR 后不再显著。这表明，如果不进行 FDR 控制，研究者可能会报告大量假阳性发现。
  • 这个例子想说明什么：这个例子旨在验证本文的核心论点：FDR 控制对于环境混合物分析至关重要，因为它能显著改变实质性结论，避免报告不可靠的发现。同时，它也展示了本文方法在实际数据中的可操作性。

🔎 结论是否比证明窄

  • 窄结论 1：理论证明假设模型 (1) 是正确设定的（线性主效应 + 线性交互效应）。然而，作者在模拟和真实数据中通过样条基展开来近似非线性。结论是否适用于真正的非线性模型，并未被严格证明。作者在文中可能将其作为 conjecture 或 future work 提及。
  • 窄结论 2：FDR 控制的渐近性质依赖于 \(p\) 值之间的弱依赖条件。在真实数据中，由于暴露物高度相关，交互项与主效应项之间也存在相关性，这种依赖结构是否满足理论条件，并未被严格验证。作者可能依赖于 BH 过程对某些依赖结构的鲁棒性，但这并非严格证明。
  • 窄结论 3：方法一的 FDR 控制依赖于第一阶段变量选择的一致性（即能以概率 1 包含所有真正重要的变量）。在高维、强相关、弱效应的设定下，这一条件可能难以满足。如果第一阶段遗漏了重要变量，后续的 FDR 控制将失效。

四、开放问题

  1. 非线性模型的 FDR 控制：本文的理论建立在线性模型 (1) 之上。如何将 FDR 控制推广到真正的非线性模型（如高斯过程、加法模型）？这需要发展新的去偏或检验方法。扎根点：作者在模拟中使用了样条基展开，但理论分析并未覆盖这一设定。
  2. 存在未测量混杂时的 FDR 控制：环境流行病学中，未测量混杂是普遍存在的。本文的方法假设所有混杂 \(\mathbf{Z}\) 都被观测到。如何将 FDR 控制与因果推断中的敏感性分析或工具变量方法结合？扎根点：本文的模型是关联性模型，而非因果模型。作者在引言中提到了因果推断，但并未深入。
  3. 更高阶交互作用的 FDR 控制：本文只考虑了两两交互作用。当需要考虑三阶或更高阶交互作用时，参数数量会爆炸性增长。如何在高维、高阶交互的设定下进行有效的变量选择和 FDR 控制？扎根点：模型 (1) 只包含两两交互项。
  4. 依赖结构下的 FDR 控制理论：本文的 FDR 控制证明依赖于 \(p\) 值之间的弱依赖条件。在环境混合物数据中，暴露物高度相关，导致 \(p\) 值之间存在复杂依赖。是否存在更鲁棒的 FDR 控制程序，能在这种强依赖下仍提供精确的 FDR 控制？扎根点：作者在模拟中可能假设了某种依赖结构，但未在真实数据中验证。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论