Estimating the efficiency gain of covariate-adjusted analyses in future clinical trials using external data¶

作者: Xiudi Li, Sijia Li, Alex Luedtke
来源: Journal of the Royal Statistical Society Series B
主题: 因果推断
相关性: 7/10
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：在计划一项新的随机对照试验（RCT）之前，如何利用已有的外部数据（如历史试验、观察性研究）来量化“协变量调整”能带来多大的效率增益？ 具体来说，研究者想知道，如果在新试验中采用一个调整了基线协变量的估计量（例如ANCOVA、G-computation、TMLE），其渐近方差与未调整的简单均值差估计量之比是多少。这个比值近似于达到相同统计功效所需的样本量之比，因此直接关系到试验设计的成本与可行性。当前，该方向已从“事后调整”的统计理论（如ANCOVA的稳健性、半参数效率界）发展到“事前规划”的预评估阶段，但如何系统性地、半参数有效地利用外部数据进行这种预评估，仍是一个相对较新的问题。

发展脉络（history）¶

从奠基工作到当前前沿，可以梳理出以下脉络：

奠基：协变量调整的统计性质（2000s-2010s）：早期工作确立了在RCT中，即使模型被错误设定，ANCOVA等调整估计量也能保证一致性且不损失精度（甚至提升精度）。例如，Yang and Tsiatis (2001) 证明了ANCOVA点估计的一致性；Wang, Ogburn, Rosenblum (2019) 进一步证明了其标准误的稳健性，即即使线性模型错误，基于该模型构造的置信区间仍渐近有效。这些工作为“调整是安全的”提供了理论基础。
主要进展：扩展到更一般的结果类型与估计量（2010s）：研究者将协变量调整的优势从连续型结果推广到二值、有序、生存时间等结果。Colantuoni and Rosenblum (2015) 通过模拟比较了多种调整估计量（如基于GLM的），并指出ANCOVA的局部半参数效率性质。Díaz et al. (2015) 针对生存结果提出了一个估计量，它能在非比例风险假设下比Kaplan-Meier估计量更精确，并达到非参数效率界。Benkeser et al. (2020) 则直接模拟了COVID-19试验，展示了协变量调整对二值、有序和生存结局的潜在功效提升，其工作直接引出了本文的动机——如何不通过模拟，而是通过一个统计框架来量化这种增益？
当前Frontier：利用外部数据进行事前效率评估（2020s-本文）：本文之前，评估协变量调整效率增益的主流方法是模拟（如Benkeser et al. 2020），即基于外部数据生成一个“伪试验”的分布，然后模拟调整与未调整估计量的表现。本文作者指出，这种方法虽然直观，但缺乏一个统一的统计推断框架，且其估计量的性质（如是否半参数有效）不明确。本文的贡献在于，将这个问题形式化为一个统计估计问题：将“相对效率”定义为一个可识别的参数，并为其构造一个半参数有效的估计量，从而允许进行正式的假设检验和置信区间构造。

子线索聚类¶

这些被引文献大致落在以下三条子线索上：

线索一：协变量调整的理论基础与稳健性。核心工作是证明调整估计量在模型误设下的稳健性（如Wang et al. 2019, Colantuoni & Rosenblum 2015）。这条线索为“调整是可行的”提供了理论背书，但主要关注事后分析，而非事前规划。
线索二：针对特定结果类型的调整方法。包括针对生存结果的（Moore & van der Laan 2009, Díaz et al. 2015）、针对二值/有序结果的（Benkeser et al. 2020）。这些工作展示了调整方法在不同场景下的具体实现和优势。
线索三：利用外部数据进行试验设计预评估。这是本文直接定位的线索。Benkeser et al. (2020) 的模拟方法是该线索的代表，但本文将其从“模拟”提升为“统计推断”，并引入了半参数效率理论。

这个方向在追问的核心问题¶

如何定义和识别“相对效率”？ 在外部数据中，我们只能观测到协变量和对照组的潜在结果分布，但无法观测到新试验中处理组的潜在结果。因此，需要明确在什么假设下，相对效率（调整与未调整估计量的方差比）是可从外部数据中识别的。
如何构造一个有效的估计量？ 该估计量应能利用灵活的机器学习方法估计nuisance functions（如条件均值、条件生存函数），同时保证自身的根号n一致性、渐近正态性和半参数有效性。
如何处理部分结果观测（如删失）？ 在生存分析等场景中，结果可能被删失，这增加了估计的复杂性。需要将框架扩展到这些更现实的设定。
如何进行推断？ 需要构造置信区间，并处理估计量可能存在的有限样本偏差（如由于nuisance function估计误差导致的）。

⚠️ 作者的 framing¶

作者将缺口frame成：“现有方法（如模拟）虽然能提供效率增益的点估计，但缺乏一个统一的统计推断框架，无法进行正式的假设检验或构造置信区间。” 因此，本文的“显然的下一步”就是提出一个半参数有效的估计量，并为其提供完整的推断理论。

被淡化或回避的竞争路线：作者淡化了“直接使用外部数据拟合一个完整的模型，然后基于该模型进行试验设计”这一路线。这种路线可能更复杂，且对模型假设更敏感。作者选择了一个更“轻量级”的路线——只估计一个标量（相对效率），而不是整个数据生成机制。
值得研究者去查的问题：为什么没有引用关于“试验设计中的样本量再估计”或“适应性设计”的文献？ 这些文献也涉及利用累积数据调整样本量，但通常是在试验进行中，而非事前。本文的“事前预评估”与这些文献的关系是什么？这是一个值得探索的张力点。

张力¶

未见明显对立引用。所有被引工作基本都支持“协变量调整能提升效率”这一共识，分歧主要在于具体方法的选择和适用条件。

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：
- \(A \in \{0, 1\}\)：处理变量，0=对照，1=处理。
- \(W\)：基线协变量向量（在随机化前测量）。
- \(Y\)：结果变量（连续、二值、计数等）。
- \(Y(a)\)：潜在结果，即如果个体被分配到处理组 \(a\) 时将会观测到的结果。\(Y = A Y(1) + (1-A) Y(0)\)。
- \(\psi_a = \mathbb{E}[Y(a)]\)：处理组 \(a\) 的边际均值，是目标 estimand。
- \(\tau = \psi_1 - \psi_0\)：平均处理效应（ATE），是另一个常见 estimand。
- \(\hat{\psi}_a^{unadj}\)：未调整估计量，即处理组 \(a\) 内结果的样本均值。
- \(\hat{\psi}_a^{adj}\)：调整估计量，例如基于G-computation或AIPW的估计量。
- \(\sigma^2_{a, unadj} = \text{Var}(\hat{\psi}_a^{unadj})\)：未调整估计量的渐近方差。
- \(\sigma^2_{a, adj} = \text{Var}(\hat{\psi}_a^{adj})\)：调整估计量的渐近方差。
- \(\text{RE}_a = \sigma^2_{a, adj} / \sigma^2_{a, unadj}\)：相对效率，是本文的核心 estimand。它近似于达到相同功效所需样本量之比。
- \(n\)：新试验的样本量。
- \(N\)：外部数据的样本量。
模型：
- 随机化：新试验中，\(A \perp\!\!\!\perp (Y(0), Y(1)) | W\)，且 \(P(A=1) = 1/2\)（简单随机化）。这是RCT的核心假设。
- 外部数据：外部数据来自一个与新试验的对照组分布相同的总体。即，外部数据中的个体可视为新试验中对照组个体的“代理”。具体地，外部数据包含独立同分布的样本 \((W_i, Y_i)\)，其中 \(Y_i\) 对应于 \(Y(0)\) 的观测值。
- 核心识别假设：外部数据中 \(Y\) 的条件分布 \(P(Y|W)\) 与新试验对照组中 \(Y(0)\) 的条件分布 \(P(Y(0)|W)\) 相同。这是利用外部数据的关键桥梁。
可观测数据：
- 外部数据：\(\{(W_i, Y_i)\}_{i=1}^N\)。我们观测到协变量 \(W\) 和结果 \(Y\)（对应于对照组的潜在结果）。
- 新试验（尚未进行）：我们计划进行一个试验，将观测到 \(\{(A_i, W_i, Y_i)\}_{i=1}^n\)。但在事前规划阶段，我们没有这些数据。我们只有外部数据。
- 想要但观测不到的：新试验中处理组的潜在结果 \(Y(1)\) 的分布。我们无法从外部数据中直接观测到它，因为外部数据只包含对照组的观测。因此，我们需要对 \(Y(1)\) 的分布做出假设（例如，假设处理效应是常数，或假设处理组和对照组的协变量分布相同，但结果分布不同）。

第二步：讲最小内核¶

为了理解本文的核心思路，我们考虑一个最简特例：结果 \(Y\) 是连续型的，且我们假设处理效应是常数，即 \(Y(1) - Y(0) = \tau\)（一个未知常数）。这个假设很强，但它能让我们剥离处理组潜在结果分布未知的困难，从而聚焦于核心问题。

在这个特例下，我们只需要估计 \(\psi_0 = \mathbb{E}[Y(0)]\)，因为 \(\psi_1 = \psi_0 + \tau\)。而 \(\tau\) 本身不是我们关注的重点，我们关注的是相对效率。

未调整估计量：对于 \(\psi_0\)，未调整估计量就是外部数据中 \(Y\) 的样本均值：

\[\hat{\psi}_0^{unadj} = \frac{1}{N} \sum_{i=1}^N Y_i\]

其渐近方差为 \(\sigma^2_{0, unadj} = \text{Var}(Y)\)。

调整估计量：一个常见的调整估计量是G-computation估计量。它首先估计条件均值函数 \(\mu_0(w) = \mathbb{E}[Y | W=w]\)（从外部数据中估计），然后将其在外部数据的协变量分布上取平均：

\[\hat{\psi}_0^{adj} = \frac{1}{N} \sum_{i=1}^N \hat{\mu}_0(W_i)\]

其中 \(\hat{\mu}_0\) 是从外部数据中拟合的模型（例如线性回归、随机森林）。

核心问题：我们想知道 \(\text{RE}_0 = \sigma^2_{0, adj} / \sigma^2_{0, unadj}\) 是多少。直觉上，如果 \(W\) 能很好地预测 \(Y\)，那么 \(\hat{\mu}_0(W)\) 的方差会比 \(Y\) 本身的方差小，因此 \(\text{RE}_0 < 1\)，说明调整能提升效率。

本文的关键想法：作者不直接去估计 \(\sigma^2_{0, adj}\) 和 \(\sigma^2_{0, unadj}\)，而是直接估计它们的比值 \(\text{RE}_0\)。他们发现，这个比值可以写成关于 \(Y\) 和 \(\mu_0(W)\) 的某种函数，并且可以构造一个半参数有效的估计量。这个估计量不依赖于 \(\hat{\mu}_0\) 的具体形式（只要它收敛得足够快），并且能给出置信区间。

在这个最简特例下，本文要解决的数学问题就是：给定外部数据 \(\{(W_i, Y_i)\}_{i=1}^N\)，如何构造一个估计量 \(\widehat{\text{RE}}_0\)，使其以 \(N^{-1/2}\) 的速度收敛到真实的 \(\text{RE}_0\)，并且是渐近正态的？ 这个问题的难点在于，\(\text{RE}_0\) 本身是一个复杂的函数，其估计涉及对 nuisance function \(\mu_0\) 的估计，而 \(\mu_0\) 的估计误差会传播到 \(\widehat{\text{RE}}_0\) 中。本文通过Efficient Influence Function (EIF) 和 cross-fitting 技术解决了这个传播问题。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：利用已有的外部数据，识别并估计未来随机试验中，协变量调整估计量相对于未调整估计量的相对效率（方差比），并为其提供统计推断。
核心工具/方法：半参数效率理论（Efficient Influence Function）、交叉拟合（Cross-fitting）、双自助法（Double Bootstrap）。
主要结论：提出了一个半参数有效的估计量，该估计量允许使用灵活的机器学习方法估计nuisance functions，并能在完全观测和部分观测（如右删失）结果下，构造出渐近有效的置信区间。模拟和COVID-19数据应用验证了方法的实用性。

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：

目标 Estimand：本文主要关注两种 estimand 的相对效率：
1. 边际均值 \(\psi_a = \mathbb{E}[Y(a)]\)，\(a=0,1\)。相对效率 \(\text{RE}_a = \sigma^2_{a, adj} / \sigma^2_{a, unadj}\)。
2. 平均处理效应 \(\tau = \psi_1 - \psi_0\)。相对效率 \(\text{RE}_\tau = \sigma^2_{\tau, adj} / \sigma^2_{\tau, unadj}\)。
关键假设：
1. 外部数据代表性：外部数据来自一个与新试验对照组分布相同的总体。这是识别的基础。
2. 处理组潜在结果分布已知或可假设：为了估计处理组（\(a=1\)）的相对效率，需要对 \(Y(1)\) 的分布做出假设。作者考虑了两种场景：
  - 场景A（常数处理效应）：假设 \(Y(1) - Y(0) = \tau\)，则 \(\text{Var}(Y(1)) = \text{Var}(Y(0))\)，且 \(\mathbb{E}[Y(1)|W] = \mathbb{E}[Y(0)|W] + \tau\)。这样，处理组的方差和条件均值都可以从外部数据（对照组）推导出来。
  - 场景B（处理组方差已知）：假设 \(\text{Var}(Y(1)|W) = \text{Var}(Y(0)|W)\)，但允许条件均值不同。这比常数效应假设更弱。
3. 正则性条件：用于保证估计量的渐近性质，如nuisance function估计量的收敛速度足够快（例如，\(o_p(N^{-1/4})\)）。
相比已有文献的放宽/强化：本文放宽了以往模拟方法对数据生成机制的完全参数化假设，允许使用非参数/机器学习方法。同时，它强化了推断能力，从点估计扩展到置信区间和假设检验。

主要结果¶

定理1（相对效率的识别与EIF）：在给定假设下，\(\text{RE}_a\) 和 \(\text{RE}_\tau\) 可以被识别为外部数据分布的泛函。作者推导出了这些泛函的Efficient Influence Function (EIF)。EIF是构造半参数有效估计量的关键，它描述了估计量对单个观测值的敏感度，并给出了其渐近方差的表达式。
定理2（估计量的渐近性质）：基于EIF构造的估计量 \(\widehat{\text{RE}}\) 是 \(\sqrt{N}\)-一致、渐近正态的，并且达到了半参数效率界。这意味着在所有“合理”的估计量中，它的渐近方差是最小的。该定理依赖于cross-fitting和nuisance function估计量的收敛速度条件。
定理3（部分观测结果的扩展）：当结果存在右删失时，作者将框架扩展到离散时间生存分析设定。他们推导了针对生存概率和限制性平均生存时间（RMST）的相对效率的EIF，并证明了类似的有效性。
推断方法：
- 解析Wald型置信区间：基于EIF的方差估计，可以直接构造Wald置信区间。
- 双自助法（Double Bootstrap）：由于EIF方差估计在有限样本下可能有偏差，作者提出了一种双自助法来校准置信区间。第一层自助法用于估计EIF方差，第二层用于校准覆盖概率。模拟显示，双自助法在有限样本下比解析Wald区间有更准确的覆盖概率。

证明路线与技术技巧¶

整体路线：
1. 识别：首先，将相对效率 \(\text{RE}\) 表达为外部数据分布 \(P\) 的泛函 \(\Psi(P)\)。这需要利用随机化假设和关于处理组潜在结果的假设。
2. 推导EIF：计算该泛函 \(\Psi(P)\) 在真实分布 \(P_0\) 处的EIF，记为 \(\phi(W, Y; P_0)\)。EIF满足 \(\sqrt{N}(\hat{\Psi} - \Psi(P_0)) = \frac{1}{\sqrt{N}} \sum_i \phi(W_i, Y_i; P_0) + o_p(1)\)。
3. 构造估计量：基于EIF的一步估计量（one-step estimator）或估计方程（estimating equation）来构造 \(\widehat{\text{RE}}\)。具体地，\(\widehat{\text{RE}} = \frac{1}{N} \sum_i \phi(W_i, Y_i; \hat{P}) + \Psi(\hat{P})\)，其中 \(\hat{P}\) 是 \(P\) 的估计（包含nuisance functions的估计）。
4. 控制偏差：使用交叉拟合（cross-fitting） 来避免过拟合导致的偏差。将数据分成K折，在第k折上，用其余K-1折的数据估计nuisance functions，然后用第k折的数据计算EIF。最后将所有折的结果平均。
5. 证明渐近正态性：利用经验过程理论（empirical process theory）和nuisance function估计量的收敛速度条件，证明 \(\widehat{\text{RE}}\) 的渐近正态性，并证明其方差达到EIF的方差，即半参数效率界。
关键跳跃点：
- 推导EIF：这是最核心的技术难点。相对效率是一个复杂的非线性泛函，其EIF的推导需要应用泛函分析中的链式法则（chain rule）和Hadamard可微性（Hadamard differentiability）。作者引用了Hirose (2016) 关于隐函数可微性的工作来处理这个问题。
- 处理部分观测结果：在生存分析设定下，相对效率的泛函更加复杂，涉及条件生存函数和条件删失分布。推导其EIF需要更精细的计数过程理论和离散时间影响函数。
技术技巧点名：
- Efficient Influence Function (EIF)：核心工具，用于构造半参数有效估计量和进行推断。
- Cross-fitting：用于控制nuisance function估计带来的偏差，是保证估计量根号n一致性的关键。
- Hadamard differentiability：用于推导复杂泛函的EIF。
- Double Bootstrap：用于改进有限样本下的置信区间覆盖概率。
- 离散时间生存分析：将连续时间生存问题离散化，以便于应用影响函数理论。

真实例子与应用¶

数据/场景：COVID-19治疗试验。作者使用了来自CDC的公开数据（COVID-19 Response Team, 2020），该数据包含了COVID-19住院患者的年龄分布和结局概率。
方法应用：作者将外部数据（CDC数据）视为新试验的对照组。他们假设新试验将评估一种COVID-19治疗药物，并计划以28天死亡率作为主要结局。他们估计了在调整年龄这一协变量后，相对于未调整分析，能达到的效率增益（即相对效率）。
结果：结果显示，调整年龄后，估计的相对效率 \(\widehat{\text{RE}}\) 约为0.85，这意味着达到相同功效所需的样本量可以减少约15%。双自助法给出的置信区间也支持这一结论。
例子想说明什么：这个例子旨在展示方法的实用性——即使只调整一个简单的协变量（年龄），也能带来可观的效率提升。它验证了方法在真实数据上的表现，并说明了如何将结果解释为样本量节省。

🔎 结论是否比证明窄¶

窄化点：作者在证明中假设了外部数据与新试验对照组的分布完全相同。但在实际应用中，这个假设可能不成立（例如，外部数据来自不同年份、不同地区）。作者在讨论中提到了这一点，但并未提供正式的敏感性分析方法。因此，论文的严格结论（如置信区间的覆盖概率）仅在“外部数据完美代表对照组”这一理想假设下成立。在应用部分，作者也仅将其视为一个“说明性”的例子，而非严格的验证。
泛化claim：作者声称方法适用于“各种类型的协变量调整估计量”，但证明中主要针对的是基于G-computation或AIPW的估计量。对于其他类型的调整（如基于倾向性得分匹配的），其相对效率的EIF可能不同，需要重新推导。

四、开放问题¶

敏感性分析：当外部数据与新试验对照组的分布存在差异（即“代表性”假设被违反）时，如何对相对效率的估计进行敏感性分析？这是本文明确提到的未来工作方向（见Discussion部分）。
处理组潜在结果假设的放松：本文对处理组潜在结果分布做了较强假设（常数效应或方差相等）。能否在更弱的假设下（例如，仅假设处理组和对照组的协变量分布相同，但结果分布完全未知）识别相对效率？这可能需要对处理组的结果分布进行额外的建模或借用其他数据源。
多重协变量与高维协变量：当协变量 \(W\) 的维度很高时，nuisance function的估计会变得困难，且cross-fitting的有限样本表现可能变差。如何将本文的框架扩展到高维或非参数协变量空间，并保证估计量的良好性质？
与适应性设计的结合：本文的“事前预评估”能否与“试验进行中的样本量再估计”相结合？例如，在试验进行到一半时，利用累积数据更新对相对效率的估计，并据此调整最终样本量。这需要将本文的静态框架动态化。

Maintained by 陈星宇 · Homepage · Source on GitHub