Estimation and inference for the population attributable risk in the presence of misclassification¶

作者: Benedict H W Wong, Jooyoung Lee, Donna Spiegelman, Molin Wang
来源: Biostatistics
主题: 流行病学
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/kxz067

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的核心问题是：在流行病学中，如何估计人群归因危险度（Population Attributable Risk, PAR）——即如果从目标人群中完全消除某个暴露因素，可以预防的疾病病例比例——当该暴露因素存在分类错误（misclassification）时。这是一个典型的“因果参数估计 + 测量误差”问题。PAR 本身是一个成熟的流行病学指标，其估计方法（如基于 logistic 回归的调整后 PAR）已有大量文献。但在暴露变量存在非微分或微分错误分类时，如何对 PAR 进行校正估计与推断，在本文之前是一个明确的方法学空白。本文的成熟度属于“填补一个已知但未被系统处理过的缺口”。

发展脉络（history）¶

本文的 introduction 将相关文献串成了一条清晰的线，大致可分为三个阶段：

奠基工作：PAR 的标准化估计与调整后估计
- Bruzzi et al. (1985)：提出了基于 logistic 回归的调整后 PAR 估计方法，这是后续几乎所有 PAR 估计工作的基础。作者引用它作为“标准方法”的起点。
- Greenland & Drescher (1993)：进一步发展了 PAR 的方差估计，使其能够进行有效的区间估计。作者引用它作为“方差估计的经典方法”。
- Spiegelman et al. (2007)：将 PAR 估计推广到部分 PAR（pPAR），即调整多个暴露因素后，单个暴露因素的贡献。作者引用它作为“pPAR 估计的现代标准”。
主要进展：处理测量误差的流行病学方法
- Carroll et al. (2006)：这是测量误差领域的经典教科书，系统总结了回归校准、SIMEX、似然方法等。作者引用它作为“处理测量误差的通用框架”。
- Lyles et al. (2011)：提出了在存在错误分类时，基于似然的 logistic 回归校正方法。作者引用它作为“处理错误分类的似然方法基础”。
- Edwards et al. (2013)：将错误分类校正方法扩展到 Cox 比例风险模型。作者引用它作为“错误分类校正的生存分析扩展”。
当前 frontier 与本文的位置
- 本文的直接前驱：作者明确指出，没有任何现有工作将错误分类校正方法系统地应用于 PAR 或 pPAR 的估计。所有已有的 PAR 估计方法都假设暴露变量被完美测量。因此，本文的定位是“将错误分类校正的似然框架与 PAR 估计相结合，填补这个缺口”。
- 本文的贡献：作者开发了一个统一的似然框架，同时建模疾病风险模型（logistic）和错误分类机制（基于验证研究），并考虑了主研究/内部验证研究和主研究/外部验证研究两种设计，以及关于可转移性（transportability）的不同假设。这是该子方向上的第一个系统工作。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：PAR 的估计与推断（Bruzzi, Greenland, Spiegelman）。这一簇专注于 PAR 和 pPAR 的点估计、方差估计和区间估计，但假设暴露变量被完美测量。这是本文要扩展的“无错误”基线。
线索二：错误分类的校正方法（Carroll, Lyles, Edwards）。这一簇专注于在 logistic 回归、Cox 模型等中校正暴露变量的错误分类，但不涉及 PAR 这个特定的因果参数。这是本文要借用的工具。

本文的工作就是将这两条线索合并：用线索二的方法（似然框架）去估计线索一的目标（PAR）。

这个方向在追问的核心问题¶

如何识别 PAR？ 在完美测量下，PAR 可以通过调整后的患病率比（prevalence ratio）或风险比（risk ratio）来识别。在错误分类下，识别依赖于对错误分类机制（敏感性、特异性）的建模，以及这些参数是否可从验证研究中识别。
如何估计 PAR？ 在识别后，如何构造一个一致且渐近正态的估计量？本文采用基于似然的 MLE 方法。
如何量化不确定性？ 如何计算 PAR 估计量的方差？本文通过 Delta 方法和 Fisher 信息矩阵来获得标准误。
验证研究设计的影响？ 内部验证（验证样本来自主研究）和外部验证（验证样本来自不同人群）对识别和估计有何不同影响？可转移性假设（如敏感性/特异性是否可转移）如何影响推断？

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者把缺口 frame 成什么？ 作者将缺口 frame 为“在暴露变量存在错误分类时，PAR 和 pPAR 的估计与推断方法完全缺失”。他们声称这是“public health evaluation methods”中的一个“important existing gap”。他们的论文是“filling”这个缺口。
哪些竞争路线被他淡化或回避了？
- 贝叶斯方法：作者完全采用了频率学派似然方法，没有讨论贝叶斯方法（如通过 MCMC 对错误分类参数和 PAR 进行联合后验推断）。这可能是因为贝叶斯方法在流行病学应用中不如似然方法普及，但并非不可行。
- 多重插补（MI）：对于测量误差，多重插补也是一种常见策略。作者没有将其作为竞争方法进行比较或讨论。
- 非参数/半参数方法：作者的方法完全基于参数模型（logistic 疾病模型，参数化错误分类模型）。他们没有讨论使用非参数或半参数方法（如基于倾向性评分或 IPW 的 PAR 估计）来处理错误分类的可能性。
什么明显该被引 / 该存在、却没出现在 intro 里？
- 关于 PAR 的因果解释：PAR 本质上是一个因果参数（“如果消除暴露，会预防多少病例”）。作者没有引用任何关于 PAR 的因果识别假设（如无未测量混杂、一致性）的文献。这暗示本文更偏向于“统计关联”而非“因果推断”的视角。
- 关于“部分 PAR”的因果解释：当多个暴露因素存在时，pPAR 的因果解释依赖于它们之间没有交互作用或特定的干预顺序。作者没有讨论这些假设。
- 关于“可转移性”的文献：作者提到了“transportability assumptions”，但没有引用因果推断中关于“transportability”或“generalizability”的正式文献（如 Pearl & Bareinboim 的工作）。他们的“transportability”概念更接近于“假设外部验证研究的错误分类参数与主研究相同”，而非因果图意义上的可转移性。

张力¶

未见明显对立引用。所有被引工作都沿着“改进估计方法”这一主线，没有出现彼此矛盾或在略不同条件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：
- \( D \)：疾病状态（0 = 未患病，1 = 患病）。这是可观测的。
- \( X \)：真实暴露变量（0 = 未暴露，1 = 暴露）。这是潜在/不可观测的（在错误分类下）。
- \( X^* \)：观测到的暴露变量（0 = 未暴露，1 = 暴露）。这是可观测的。
- \( C \)：协变量向量（如年龄、性别）。这是可观测的。
- \( \pi = P(D=1 | X, C) \)：疾病风险模型。本文假设为 logistic 模型：\( \text{logit}(\pi) = \beta_0 + \beta_1 X + \beta_2^T C \)。
- \( \text{Se} = P(X^*=1 | X=1, C) \)：敏感性（Sensitivity），即真实暴露者被正确分类的概率。这是需要估计的参数。
- \( \text{Sp} = P(X^*=0 | X=0, C) \)：特异性（Specificity），即真实未暴露者被正确分类的概率。这是需要估计的参数。
- \( \text{PVP} = P(X=1 | X^*=1, C) \)：阳性预测值（Positive Predictive Value）。
- \( \text{PVN} = P(X=0 | X^*=0, C) \)：阴性预测值（Negative Predictive Value）。
- \( \theta = (\beta_0, \beta_1, \beta_2, \text{Se}, \text{Sp}) \)：所有待估参数的向量。
- \( \text{PAR} \)：人群归因危险度。定义为 \( \text{PAR} = \frac{P(D=1) - P(D=1 | \text{do}(X=0))}{P(D=1)} \)。在无混杂且一致性假设下，可识别为 \( \text{PAR} = 1 - \frac{E[P(D=1|X=0, C)]}{P(D=1)} \)。
- \( \text{pPAR} \)：部分人群归因危险度。在调整其他暴露因素后，单个暴露因素的贡献。
模型：
- 疾病模型：\( D | X, C \sim \text{Bernoulli}(\pi) \)，其中 \( \text{logit}(\pi) = \beta_0 + \beta_1 X + \beta_2^T C \)。
- 错误分类模型：假设错误分类是非微分的（即 \( X^* \) 与 \( D \) 在给定 \( X \) 和 \( C \) 下条件独立），且 \( X^* \) 的分布只依赖于 \( X \) 和 \( C \)。本文考虑了两种参数化方式：
  1. 直接参数化：直接估计 \( \text{Se} \) 和 \( \text{Sp} \)（可能依赖于 \( C \)）。
  2. 间接参数化：估计 \( \text{PVP} \) 和 \( \text{PVN} \)，然后通过贝叶斯公式反推 \( \text{Se} \) 和 \( \text{Sp} \)。这通常更稳定，因为 PVP 和 PVN 是验证研究中可直接观测的。
可观测数据：
- 主研究（Main Study）：观测到 \( (D, X^*, C) \) 的样本。无法观测到真实暴露 \( X \)。
- 验证研究（Validation Study）：观测到 \( (X, X^*, C) \) 的样本。这是校正错误分类的关键，因为它提供了关于 \( \text{Se} \) 和 \( \text{Sp} \) 的信息。
  - 内部验证：验证样本是主研究的一个随机子集。此时，验证样本中也有 \( D \) 的信息。
  - 外部验证：验证样本来自一个独立于主研究的人群。此时，验证样本中可能没有 \( D \) 的信息。
- 想要但观测不到的量：真实暴露 \( X \) 在主研究中是缺失的。这是整个问题的核心。

第二步：讲最小内核¶

本文的最小内核可以归结为：在二值暴露、二值疾病、无协变量的最简设定下，如何利用一个内部验证研究来校正 PAR 的估计？

最简特例：
- 没有协变量 \( C \)。
- 疾病模型：\( \text{logit}(P(D=1|X)) = \beta_0 + \beta_1 X \)。
- 错误分类模型：\( \text{Se} = P(X^*=1|X=1) \)，\( \text{Sp} = P(X^*=0|X=0) \)，且不依赖于任何其他变量。
- 内部验证研究：主研究有 \( N \) 个个体，观测到 \( (D, X^*) \)。验证研究是主研究的一个随机子集，有 \( n_v \) 个个体，观测到 \( (D, X, X^*) \)。
核心思路：
1. 构建似然函数：基于所有可观测数据（主研究 + 验证研究）构建联合似然。由于 \( X \) 在验证研究中被观测到，而在主研究中缺失，这是一个典型的缺失数据问题。似然函数可以写成：
  \[L(\beta_0, \beta_1, \text{Se}, \text{Sp}, P(X=1)) = \prod_{i \in \text{验证}} P(D_i, X_i, X_i^*) \times \prod_{i \in \text{主研究}} P(D_i, X_i^*)\]
  其中，\( P(D, X, X^*) = P(D|X) P(X^*|X) P(X) \)，而 \( P(D, X^*) = \sum_{x \in \{0,1\}} P(D|X=x) P(X^*|X=x) P(X=x) \)。
2. 参数估计：通过最大化这个似然函数，可以得到 \( \beta_0, \beta_1, \text{Se}, \text{Sp}, P(X=1) \) 的 MLE。注意，\( P(X=1) \) 是暴露流行率，也需要估计。
3. 计算 PAR：在无协变量的情况下，PAR 的公式简化为：
  \[\text{PAR} = 1 - \frac{P(D=1|X=0)}{P(D=1)} = 1 - \frac{\text{expit}(\beta_0)}{\text{expit}(\beta_0) \cdot P(X=0) + \text{expit}(\beta_0 + \beta_1) \cdot P(X=1)}\]
  其中 \( \text{expit}(a) = e^a / (1+e^a) \)。
4. 推断：通过 Delta 方法，利用 MLE 的渐近方差-协方差矩阵（Fisher 信息矩阵的逆），可以计算出 PAR 估计量的渐近方差，从而构造置信区间。
为什么这个特例抓住了核心：
- 它清晰地展示了如何通过似然函数将验证研究的信息“传递”到主研究，以校正错误分类。
- 它暴露了参数的可识别性：即使没有验证研究，如果错误分类参数（Se, Sp）已知，PAR 也是可识别的。验证研究的作用是估计这些参数。
- 它展示了PAR 估计量是模型参数的复杂非线性函数，因此方差估计需要 Delta 方法。
- 论文的一般情形只是这个特例的“加壳”：加入协变量 \( C \)，考虑外部验证（需要可转移性假设），以及扩展到 pPAR。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在流行病学研究中，当暴露变量存在分类错误时，如何对人群归因危险度（PAR）和部分人群归因危险度（pPAR）进行点估计和区间估计。
核心工具/方法：采用基于似然的参数估计方法，同时建模疾病风险（logistic 回归）和错误分类机制（敏感性/特异性或阳性/阴性预测值），并支持主研究/内部验证研究和主研究/外部验证研究两种设计。
主要结论：通过模拟研究和真实数据分析（HPFS 队列），证明了所提出的方法能够有效校正错误分类导致的 PAR 估计偏倚，且校正后的估计值可能远大于未校正的估计值（在 HPFS 例子中，pPAR 增加了最多 317%）。

关键设定与假设¶

在第二节最小记号的基础上，本文的完整设定如下：

疾病模型：\( \text{logit}(P(D=1|X, C)) = \beta_0 + \beta_1 X + \beta_2^T C \)。这是一个标准的参数模型。
错误分类模型：
- 假设 1：非微分错误分类（Nondifferential Misclassification）：\( X^* \perp D | X, C \)。这是最关键的假设，意味着错误分类不依赖于疾病状态。如果违反（微分错误分类），则似然函数需要修改，且识别性可能丧失。
- 假设 2：错误分类参数化：作者考虑了两种参数化方式：
  1. 直接参数化：\( \text{Se}(C) = P(X^*=1|X=1, C) \)，\( \text{Sp}(C) = P(X^*=0|X=0, C) \)。可以建模为 \( C \) 的 logistic 函数。
  2. 间接参数化：\( \text{PVP}(C) = P(X=1|X^*=1, C) \)，\( \text{PVN}(C) = P(X=0|X^*=0, C) \)。作者推荐这种参数化，因为它更稳定，且验证研究中可直接观测。
验证研究设计：
- 内部验证：验证样本是主研究的一个随机子集。此时，似然函数可以联合所有数据（主研究 + 验证）进行最大化。
- 外部验证：验证样本来自一个独立人群。此时，需要可转移性（Transportability）假设。
  - 假设 3a（强可转移性）：错误分类参数（如 Se, Sp）在外部验证人群和主研究人群中完全相同。
  - 假设 3b（弱可转移性）：错误分类参数在给定某些协变量后条件可转移。
  - 假设 3c（不可转移）：错误分类参数完全不同，此时外部验证研究无法提供任何有用信息。
相比已有文献的放宽或强化：
- 放宽：本文是第一个将错误分类校正应用于 PAR 估计的，因此它放宽了“暴露变量被完美测量”这一不现实的假设。
- 强化：本文的方法依赖于参数模型假设（logistic 疾病模型，参数化错误分类模型），这比一些非参数或半参数方法更强。此外，非微分错误分类假设也是一个强假设。

主要结果¶

本文的主要结果是方法学上的，而非提出新的理论界。核心结果如下：

点估计：通过最大化联合似然函数，得到所有参数（\( \beta, \text{Se}, \text{Sp}, P(X|C) \)）的 MLE。然后，将这些 MLE 代入 PAR 或 pPAR 的公式，得到点估计。
区间估计：通过 Delta 方法，利用 MLE 的渐近方差-协方差矩阵，计算 PAR 估计量的渐近方差，并构造 Wald 型置信区间。
模拟研究：
- 场景：模拟了多种情况，包括不同的错误分类程度（Se, Sp 从 0.6 到 0.9）、不同的暴露流行率、不同的疾病风险（OR 从 1.5 到 3.0），以及内部验证和外部验证设计。
- 核心量化结论：
  - 未校正的 PAR 估计存在严重偏倚：当错误分类存在时，忽略它的标准 PAR 估计（假设 \( X^* = X \)）会严重低估真实的 PAR。偏倚方向是向零（attenuation bias）。
  - 校正后的 PAR 估计几乎无偏：本文提出的似然方法能够有效校正这种偏倚，点估计的偏差接近于 0。
  - 方差估计准确：基于 Delta 方法的标准误估计与模拟标准误非常接近，覆盖概率接近名义水平（如 95%）。
  - 外部验证的敏感性：当外部验证研究的可转移性假设被违反时（例如，外部验证的 Se 与主研究不同），校正后的 PAR 估计会出现偏倚。偏倚程度取决于可转移性假设被违反的程度。
真实例子：
- 数据：健康专业人员随访研究（HPFS），一个大型前瞻性队列。
- 场景：估计高红肉摄入和酒精摄入对结直肠癌发病率的部分 PAR（pPAR）。暴露变量（红肉摄入、酒精摄入）通过食物频率问卷（FFQ）测量，存在分类错误。验证研究是一个子样本，其中暴露变量通过更精确的膳食记录（DR）测量。
- 怎么用：将 FFQ 测量的暴露作为 \( X^* \)，DR 测量的暴露作为 \( X \)。使用内部验证设计，应用本文的似然方法。
- 结果：
  - 未校正的 pPAR（高红肉摄入）：约 5%。
  - 校正后的 pPAR（高红肉摄入）：约 21%。增加了 317%。
  - 未校正的 pPAR（酒精摄入）：约 4%。
  - 校正后的 pPAR（酒精摄入）：约 10%。增加了 150%。
- 这个例子想说明什么：错误分类对 PAR 的偏倚影响可能非常巨大，远远超过对风险比（OR/RR）的影响。因此，在公共卫生决策中，忽略错误分类会严重低估可预防的疾病负担。本文的方法提供了一个实用的校正工具。

证明路线与技术技巧¶

本文是应用型论文，没有复杂的理论证明。其“证明”主要体现在似然函数的构建和 Delta 方法的推导上。

整体路线：
1. 构建似然：写出基于所有可观测数据的联合似然函数。对于内部验证，这是主研究和验证研究数据的乘积。对于外部验证，这是主研究数据和验证研究数据的乘积，但验证研究数据中不包含疾病信息。
2. 参数化：将似然函数中的每个概率（\( P(D|X,C), P(X^*|X,C), P(X|C) \)）用参数模型表示。
3. 最大化：使用数值优化算法（如 Newton-Raphson）最大化似然函数，得到 MLE。
4. 计算 PAR：将 MLE 代入 PAR 的公式。
5. 方差估计：计算 MLE 的渐近方差（Fisher 信息矩阵的逆），然后通过 Delta 方法计算 PAR 估计量的渐近方差。
关键跳跃点：
- 从“完美测量”到“错误分类”的跳跃：这是本文的核心贡献。关键在于，在似然函数中，对主研究中缺失的真实暴露 \( X \) 进行求和（积分），从而将错误分类模型“整合”进来。
- 从“内部验证”到“外部验证”的跳跃：这引入了可转移性假设。作者需要明确说明，在外部验证下，哪些参数被假设为在两个人群中是相同的，哪些是不同的。这是方法学上的一个关键决策点。
技术技巧点名：
- 似然方法（Likelihood-based estimation）：核心工具，用于处理缺失数据（真实暴露 \( X \)）和联合估计所有参数。
- Delta 方法（Delta method）：用于计算 PAR 这个非线性函数的渐近方差。
- Fisher 信息矩阵（Fisher information matrix）：用于获得 MLE 的渐近方差。
- 间接参数化（Indirect parameterization）：使用 PVP 和 PVN 而非 Se 和 Sp 作为参数，以提高数值稳定性。

🔎 结论是否比证明窄¶

是。本文的结论（“校正后的 PAR 估计几乎无偏”）是在参数模型假设和非微分错误分类假设下严格证明的（通过模拟验证）。作者在讨论部分明确承认了这些假设的局限性，并指出如果这些假设被违反，方法可能失效。例如，他们提到“如果错误分类是微分的，我们的方法将产生有偏估计”。因此，结论的适用范围被严格限制在假设成立的场景下。
作者没有声称该方法在非参数或半参数设定下有效，也没有声称它对于微分错误分类是稳健的。这是一个诚实的、窄于可能被泛化的结论。

四、开放问题¶

放松非微分错误分类假设：本文的核心假设是 \( X^* \perp D | X, C \)。如果错误分类依赖于疾病状态（例如，病例比对照更可能被正确分类），如何识别和估计 PAR？这可能需要工具变量或代理变量方法。扎根于：作者在讨论中明确提到“如果错误分类是微分的，我们的方法将产生有偏估计”。
放松参数模型假设：本文假设疾病风险模型是 logistic 的，错误分类模型也是参数化的。能否开发出半参数或非参数的 PAR 估计方法，使其对模型误设定更稳健？例如，使用倾向性评分加权或双重稳健估计。扎根于：作者的方法完全基于参数似然，没有讨论半参数扩展。
处理多个暴露因素的联合错误分类：本文考虑了单个暴露因素的错误分类。当多个暴露因素（如红肉和酒精）都存在错误分类时，如何联合校正？错误分类之间可能存在相关性，这会增加复杂性。扎根于：本文的真实例子分别估计了红肉和酒精的 pPAR，但未考虑它们错误分类之间的相关性。
因果解释的严谨性：本文的 PAR 定义隐含了因果解释（“如果消除暴露”）。但作者没有讨论实现这种因果解释所需的识别假设（如无未测量混杂、一致性）。如何将本文的方法与正式的因果推断框架（如反事实框架、有向无环图）结合起来，明确 PAR 的因果识别条件？扎根于：本文的 introduction 和讨论均未引用因果推断文献，也未讨论混杂问题。

Maintained by 陈星宇 · Homepage · Source on GitHub