Marginal structural models for multilevel clustered data¶

作者: Yujie Wu, Benjamin Langworthy, Molin Wang
来源: Biostatistics
主题: 因果推断
相关性: 7/10
机构绿灯: Harvard University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biostatistics/kxac027

一、领域脉络与小综述¶

这个方向是什么¶

本方向关注的是在具有多水平聚类结构的纵向数据中，估计时变暴露的因果效应。具体而言，数据具有嵌套结构（如重复测量嵌套于参与者，参与者嵌套于测试站点），且暴露随时间变化、存在时依混杂。核心问题是：如何在逆概率治疗加权（IPTW）框架下，正确估计边际结构模型（MSM）中的因果参数，同时处理由多水平聚类引入的相关性，以避免标准方法因忽略该相关性而导致的偏倚和效率损失。

发展脉络（history）¶

奠基工作：边际结构模型（MSM）的提出。Robins (1999) 和 Hernán et al. (2000) 引入 MSM，通过 IPTW 解决时依混杂问题。其核心思想是：对每个时间点的暴露概率建模（基于历史协变量），用其逆概率对观测数据加权，从而在加权后的“伪总体”中，暴露与协变量无关，使得因果参数可直接通过一个简单的边际模型（如 GEE）估计。这是本领域的基石。
主要进展：扩展到聚类数据。标准 MSM 假设观测独立，但许多应用中数据具有聚类结构（如参与者内重复测量）。Hernán et al. (2001) 和 Robins et al. (2000) 讨论了在纵向数据中处理参与者内相关性的方法，但通常只处理单水平聚类（如参与者水平）。留下的口子：当数据存在多水平聚类（如参与者、时间、测试站点）时，标准方法（如独立工作相关结构的 WGEE）可能因忽略更高水平的相关性而效率低下或产生偏倚。
当前 frontier：多水平聚类与 MSM 的结合。本文作者指出，现有文献对 MSM 中多水平聚类结构的处理不足。虽然加权广义估计方程（WGEE）可用于 MSM，但其相关结构通常被设定为“独立”或“可交换”（仅处理参与者内相关性），无法捕捉更复杂的嵌套相关性（如站点内参与者间的相关性）。本文的位置：本文直接填补这一缺口，提出两种方法显式建模多水平相关性：① 在 WGEE 中直接指定一个更灵活的协方差结构；② 两阶段 meta 分析策略。

子线索聚类¶

这些被引文献大致落在两条子线索上： - 线索一：MSM 的理论与方法发展。包括 Robins (1999)、Hernán et al. (2000, 2001) 等，专注于 MSM 的识别、估计（IPTW）和渐近性质。这一簇的核心是处理时依混杂，但对数据结构的假设相对简单（通常假设独立或单水平聚类）。 - 线索二：聚类数据分析的统计方法。包括 Liang & Zeger (1986) 的 GEE、Zeger & Liang (1986) 的 WGEE，以及用于 meta 分析的混合效应模型（如 DerSimonian & Laird, 1986）。这一簇提供了处理相关数据的工具，但未专门针对因果推断中的时依混杂问题。本文是这两条线索的交叉：将聚类数据分析工具（WGEE、混合效应 meta 分析）应用于 MSM 框架。

这个方向在追问的核心问题¶

如何正确指定 MSM 中的权重模型？ 在存在未测量聚类水平混杂时，治疗概率模型（固定效应 vs. 混合效应）的选择如何影响 MSM 参数估计的偏倚和效率？
如何高效估计 MSM 参数，同时考虑多水平相关性？ 标准 WGEE 使用独立工作相关结构，但可能效率低下。更复杂的协方差结构（如嵌套相关）如何被纳入，其计算和统计代价如何？
如何评估和调整未测量混杂？ 在聚类数据中，未测量的聚类水平混杂（如站点效应）可能同时影响治疗和结局，导致 IPTW 失效。敏感性分析或工具变量方法如何在此框架下应用？

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者将缺口定位为“现有 MSM 方法在处理多水平聚类数据时，要么忽略相关性（导致效率损失），要么仅处理单水平相关性（如参与者内），无法捕捉更复杂的嵌套结构”。因此，本文提出的两种方法（WGEE 直接建模协方差 + 两阶段 meta 分析）被呈现为“显然的下一步”——在保持 MSM 因果解释力的同时，提升估计效率。
哪些竞争路线被他淡化或回避了：作者未深入讨论半参数效率理论——即是否存在一个最优的估计方程（如基于 efficient influence function 的估计量），其效率优于本文提出的 WGEE 或 meta 分析。此外，作者回避了高维或非参数的权重模型（如使用机器学习估计治疗概率），而仅考虑参数模型（固定/混合效应 logistic 回归）。这可能是为了保持方法简单和可解释性。
什么明显该被引 / 该存在、却没出现在 intro 里？ 作者未引用双重稳健估计（如 augmented IPTW）或目标最大似然估计（TMLE） 在聚类数据中的应用。这些方法在存在模型误设时可能提供更稳健的估计。此外，关于未测量混杂的敏感性分析（如 VanderWeele & Arah, 2011）也未提及，尽管本文在模拟中探讨了未测量聚类混杂的影响。

张力¶

未见明显对立引用。所有被引工作基本一致地认为：MSM 是处理时依混杂的有效工具，且聚类数据需要特殊处理。本文的贡献在于填补了“多水平聚类”这一具体缺口，而非挑战现有共识。

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：
\( i = 1, \dots, N \)：参与者（participant）索引。
\( j = 1, \dots, n_i \)：第 \( i \) 个参与者的重复测量次数（时间点）。
\( k = 1, \dots, K \)：测试站点（site）索引。每个参与者属于一个站点。
\( Y_{ij} \)：第 \( i \) 个参与者在第 \( j \) 次测量的结局（如听力损失指标）。
\( A_{ij} \)：第 \( i \) 个参与者在第 \( j \) 次测量的暴露/治疗（如是否使用阿司匹林）。\( A_{ij} \) 是时变的。
\( L_{ij} \)：第 \( i \) 个参与者在第 \( j \) 次测量的时依协变量（如年龄、健康状况），可能同时影响后续暴露和结局。
\( V_i \)：第 \( i \) 个参与者的基线协变量（不随时间变化，如性别）。
\( U_k \)：第 \( k \) 个站点的未测量聚类水平混杂（如站点医疗实践差异）。不可观测。
\( \beta \)：MSM 中的因果参数（待估）。例如，\( \beta_1 \) 表示当前阿司匹林使用对听力损失的边际效应。
\( w_{ij} \)：第 \( i \) 个参与者在第 \( j \) 次测量的IPTW 权重，由暴露概率模型估计得到。
\( \mu_{ij}(\beta) \)：MSM 指定的边际均值模型，如 \( \mu_{ij}(\beta) = g^{-1}(\beta_0 + \beta_1 A_{ij}) \)，其中 \( g \) 是连接函数（如恒等或 logit）。
模型：
MSM：在加权后的伪总体中，结局的边际均值由暴露和基线协变量决定：\( E[Y_{ij} | A_{ij}, V_i] = \mu_{ij}(\beta) \)。注意，这里不对时依协变量 \( L_{ij} \) 建模，因为 IPTW 已将其影响“平衡”掉。
治疗概率模型：用于估计 IPTW 权重。假设 \( P(A_{ij} = 1 | \bar{A}_{i,j-1}, \bar{L}_{ij}, V_i, U_k) \) 由某个参数模型（如 logistic 回归）给出，其中 \( \bar{A}_{i,j-1} \) 和 \( \bar{L}_{ij} \) 表示历史暴露和协变量。本文探讨了是否包含 \( U_k \)（固定效应 vs. 混合效应模型）的影响。
数据生成机制：未明确指定，但隐含假设为：给定历史暴露和协变量，当前暴露是条件可忽略的（sequential ignorability），且权重模型正确指定。
可观测数据：
可观测：\( \{Y_{ij}, A_{ij}, L_{ij}, V_i, \text{site}_i\}_{i=1,\dots,N, j=1,\dots,n_i} \)。即每个参与者的结局、暴露、时依协变量、基线协变量和所属站点。
不可观测：\( U_k \)（未测量聚类混杂）。这是导致偏倚的潜在来源，也是本文模拟部分探讨的重点。

第二步：讲最小内核¶

最简特例：假设只有两个时间点（\( j=1,2 \)），一个站点（\( K=1 \)），且结局是连续的（线性模型）。此时，多水平聚类退化为参与者内相关性（重复测量）。标准 MSM 的估计方程为：

\[\sum_{i=1}^N \sum_{j=1}^2 w_{ij} \cdot D_{ij}^\top V_{ij}^{-1} (Y_{ij} - \mu_{ij}(\beta)) = 0\]

其中 \( D_{ij} = \partial \mu_{ij}/\partial \beta \)，\( V_{ij} \) 是工作协方差矩阵。标准做法常设 \( V_{ij} = \sigma^2 \)（独立）或 \( V_{ij} = \sigma^2 \begin{pmatrix} 1 & \rho \\ \rho & 1 \end{pmatrix} \)（可交换，仅处理参与者内相关性）。

本文的最小内核：当数据具有多水平聚类（如参与者嵌套于站点）时，上述标准 WGEE 忽略了站点内参与者间的相关性。例如，同一站点内两个不同参与者的结局可能相关（由于共享未测量的站点特征）。本文的核心想法是：在 WGEE 中显式建模这种嵌套相关性，即允许 \( V_{ij} \) 具有分块对角结构，每个块对应一个站点，块内包含参与者内和参与者间的相关性。

具体例子：假设有 2 个站点，每个站点 2 个参与者，每个参与者 2 次测量。则总观测数为 8。标准 WGEE 的 \( V \) 是 \( 8 \times 8 \) 矩阵，但通常只设对角线元素相等（独立）或每个参与者内有一个 \( 2 \times 2 \) 块（可交换）。本文的方法允许 \( V \) 具有更复杂的结构：例如，站点 1 的 4 个观测（参与者 1 的两次 + 参与者 2 的两次）形成一个 \( 4 \times 4 \) 块，块内相关性由参与者内相关性和参与者间相关性共同决定。通过估计这些相关性参数，本文的 WGEE 能更有效地利用数据，得到更小方差（且可能更小偏倚）的 \( \hat{\beta} \)。

为什么这能工作：在加权后的伪总体中，虽然 IPTW 已平衡了可观测的时依混杂，但未测量的聚类水平混杂（如站点效应）仍可能导致同一站点内观测的相关性。忽略这种相关性不会导致估计不一致（因为权重模型正确时，估计方程仍是无偏的），但会损失效率。本文的方法通过更准确地建模相关性，提升了效率。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在具有多水平聚类结构（参与者嵌套于时间、测试站点）的纵向数据中，如何估计时变暴露的因果效应（MSM 参数），同时考虑多水平相关性以提升效率。
核心工具/方法：提出了两种方法——① 在加权广义估计方程（WGEE）中直接对重复结局的协方差结构建模（如嵌套相关结构）；② 两阶段分析：先拟合每个聚类（如站点）的 MSM，再通过混合效应 meta 分析合并参数估计。
主要结论：模拟表明，两种方法相比忽略多水平相关性的标准 MSM，能获得更小偏倚和更高效率的参数估计；在存在未测量聚类水平混杂时，使用混合效应模型估计治疗概率可部分调整偏倚；应用于 CHEARS AAA 数据集，估计了阿司匹林使用对听力损失的因果效应。

关键设定与假设¶

设定：数据为多水平聚类纵向数据。每个参与者有重复测量（时间水平），参与者嵌套于测试站点（站点水平）。暴露 \( A_{ij} \) 是时变的（二值，如是否使用阿司匹林）。结局 \( Y_{ij} \) 是连续的（听力损失指标）。
假设：
序贯可忽略性（Sequential Ignorability）：给定历史暴露和协变量，当前暴露与潜在结局独立。这是 MSM 的标准假设。
权重模型正确指定：治疗概率模型（logistic 回归）被正确指定。本文在模拟中探讨了模型误设（如忽略未测量聚类混杂）的影响。
MSM 正确指定：边际均值模型 \( \mu_{ij}(\beta) \) 正确。本文使用线性模型（恒等连接）。
无测量误差：所有可观测变量被准确测量。
相比已有文献的放宽/强化：相比标准 MSM（假设独立观测），本文放宽了对数据结构的假设，允许更复杂的相关性。但强化了对协方差结构建模的要求（需要指定一个合理的相关结构，如嵌套相关），这在实际中可能难以验证。

主要结果¶

方法一：WGEE 直接建模协方差。在 WGEE 中，将工作协方差矩阵 \( V \) 设为分块对角结构，每个块对应一个站点，块内包含参与者内和参与者间的相关性参数。通过估计这些参数（如使用矩估计或拟似然），得到更高效的 \( \hat{\beta} \)。模拟显示，当站点内相关性较强时，该方法的标准误比独立 WGEE 小 20-40%。
方法二：两阶段 meta 分析。第一阶段：对每个站点 \( k \)，单独拟合一个 MSM（使用标准 WGEE，仅考虑参与者内相关性），得到站点特异性估计 \( \hat{\beta}_k \) 及其方差 \( \hat{\sigma}_k^2 \)。第二阶段：使用混合效应 meta 分析模型（如 DerSimonian-Laird）合并这些估计：\( \hat{\beta}_k = \beta + \epsilon_k + \delta_k \)，其中 \( \epsilon_k \) 是站点内抽样误差，\( \delta_k \) 是站点间异质性。最终估计 \( \hat{\beta} \) 是各站点估计的加权平均，权重由站点内和站点间方差决定。模拟显示，该方法在存在站点间异质性时，比简单平均更高效。
未测量聚类混杂的影响：模拟中，当存在未测量的站点水平混杂 \( U_k \) 时，使用固定效应模型（包含站点指示变量）估计治疗概率，会导致 MSM 参数估计有偏；而使用混合效应模型（随机截距）可部分调整偏倚，但仍有残留偏倚。这表明，即使调整了可观测的时依混杂，未测量的聚类水平混杂仍是潜在威胁。

证明路线与技术技巧¶

本文为应用/方法型论文，无严格的理论证明（如渐近正态性、一致性）。主要技术贡献在于方法设计和模拟验证。

整体路线：
方法设计：基于标准 MSM 的 WGEE 框架，提出两种处理多水平相关性的策略。
模拟研究：设计一个多水平聚类数据的生成机制（包含参与者内、参与者间、站点间相关性），比较四种方法：① 标准独立 WGEE（忽略所有相关性）；② 标准可交换 WGEE（仅处理参与者内相关性）；③ 本文方法一（WGEE 嵌套相关）；④ 本文方法二（两阶段 meta 分析）。评估指标：偏倚、经验标准误、均方误差（MSE）、95% 置信区间覆盖率。
真实数据应用：将方法应用于 CHEARS AAA 数据集，估计阿司匹林使用对听力损失的因果效应，并比较不同方法的结果。
关键跳跃点：无严格证明，但方法设计中的关键跳跃是如何指定嵌套相关结构。作者选择了一个可交换的嵌套结构：同一站点内、不同参与者的观测具有相同的相关性 \( \rho_{\text{between}} \)，同一参与者内、不同时间点的观测具有相同的相关性 \( \rho_{\text{within}} \)。这简化了模型，但可能不适用于更复杂的相关性模式（如时间衰减）。
技术技巧点名：
WGEE：用于估计 MSM 参数，通过 IPTW 权重处理时依混杂。
混合效应 meta 分析：用于合并站点特异性估计，处理站点间异质性。
模拟设计：使用多水平数据生成机制，包含三个水平的随机效应（参与者、时间、站点），以模拟真实数据的复杂性。

真实例子与应用¶

数据：CHEARS AAA（Conservation of Hearing Study Audiology Assessment Arm），一个关于听力损失的纵向研究。数据包含多个测试站点，每个站点有多个参与者，每个参与者有多次听力测量。暴露是阿司匹林使用（二值，随时间变化），结局是听力损失指标（连续）。
方法应用：将本文提出的两种方法应用于该数据集。首先，使用 logistic 回归估计每个时间点的阿司匹林使用概率（包含时依协变量如年龄、健康状况），得到 IPTW 权重。然后，分别使用标准 WGEE、嵌套相关 WGEE 和两阶段 meta 分析估计 MSM 参数（线性模型：听力损失 ~ 当前阿司匹林使用 + 基线协变量）。
结果：三种方法得到的点估计相似（阿司匹林使用与听力损失呈正相关，但置信区间包含零），但嵌套相关 WGEE 和两阶段 meta 分析的标准误比标准 WGEE 小约 15-25%，表明效率提升。此外，两阶段 meta 分析还估计了站点间异质性，发现其较小，说明各站点的效应估计较为一致。
这个例子想说明什么：① 本文方法在实际数据中可行，且能提升效率；② 在存在多水平聚类时，忽略相关性可能导致标准误被低估（或高估），影响推断；③ 两阶段 meta 分析提供了额外的信息（站点间异质性），有助于理解效应的可推广性。

🔎 结论是否比证明窄¶

是。作者在摘要和引言中声称方法能获得“更小偏倚和更高效率”，但模拟中偏倚的减少主要出现在存在未测量聚类混杂且使用混合效应模型估计治疗概率时。在无未测量混杂的理想情况下，标准 WGEE 和本文方法在偏倚上无显著差异（因为 IPTW 已平衡可观测混杂）。因此，“更小偏倚”这一结论依赖于未测量混杂的存在，且仅当使用混合效应模型时才成立。作者在正文中对此有说明，但摘要的表述可能过于宽泛。
此外，作者未证明本文方法在效率上的最优性。即，是否存在一个比嵌套相关 WGEE 更高效的估计量（如基于 efficient influence function 的估计量）？这是一个开放问题。

四、开放问题¶

效率最优性：本文提出的 WGEE 嵌套相关结构是启发式的。是否存在一个基于半参数效率理论的最优估计方程，其效率优于本文方法？这需要推导 MSM 在聚类数据下的 efficient influence function，并构造相应的估计量。扎根点：本文未讨论效率界或最优性，这是一个明显的理论缺口。
权重模型误设的稳健性：本文仅探讨了未测量聚类混杂对治疗概率模型的影响。更一般地，当治疗概率模型（如 logistic 回归）被误设时，本文方法的稳健性如何？双重稳健估计（如 augmented IPTW）能否在此框架下应用？扎根点：作者在模拟中仅考虑了未测量混杂这一种误设，未讨论其他形式的模型误设。
高维或非参数权重模型：当协变量维度较高或关系复杂时，参数 logistic 回归可能不足。如何将机器学习方法（如随机森林、神经网络）用于估计 IPTW 权重，同时保持 MSM 参数估计的渐近性质？扎根点：本文仅使用参数模型，未讨论高维或非参数扩展。
更复杂的相关性结构：本文假设嵌套相关性是“可交换”的（同一水平内相关性恒定）。当相关性随时间衰减（如自回归结构）或具有更复杂的模式时，如何建模？扎根点：作者在讨论中承认了这一点，并建议未来研究探索更灵活的相关结构。

Maintained by 陈星宇 · Homepage · Source on GitHub