跳转至

Estimating time-varying causal excursion effects in mobile health with binary outcomes

作者: Tianchen Qian, Hyesun Yoo, Predrag Klasnja, Daniel Almirall, Susan A Murphy
来源: Biometrika
主题: 因果推断
相关性: 9/10
机构绿灯: University of California, Irvine（US News 前 50，免分进入精读）
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

这个子方向关注的是移动健康（mHealth）微随机试验（MRT）中的因果推断。MRT 是一种新兴的实验设计，其中每个参与者在整个试验期间被反复随机分配至不同的干预选项（例如，每天多次决定是否发送一条提醒消息），从而产生高维、时序依赖的纵向数据。该方向要解决的根本问题是：如何从这种复杂结构中，可靠地估计一个时变干预（如一条推送通知）对近端二元结局（如是否完成自我监测）的因果效应，并且这个效应是边际于个体历史的一个小子集（即“因果时变偏离效应”）。当前成熟度处于方法快速发展但尚未统一的阶段，尤其对于二元结局的处理，现有工具在假设强度与实用性之间存在张力。

发展脉络（history）

  • 奠基工作：潜在结果框架与纵向因果推断。Rubin (1974) 和 Robins (1986) 奠定了潜在结果框架，为后续所有因果定义提供了基础。Robins 的边际结构模型（MSM）是纵向因果推断的早期核心工具，但 MSM 通常要求对全部治疗历史进行建模，这在 MRT 的数百次随机化场景下不切实际。
  • MRT 设计的确立。Liao et al. (2016) 和 Dempsey et al. (2015) 正式提出了微随机试验（MRT）的概念，并开发了样本量计算工具。这些工作将 MRT 从设计层面确立为 mHealth 干预开发的标准工具。Klasnja et al. (2015, 2018) 和 Kramer et al. (2019) 等则通过 HeartSteps 等实际 MRT 展示了其可行性。
  • 因果估计方法的早期发展。Boruvka et al. (2018) 和 Dempsey et al. (2017) 针对连续结局，提出了 MRT 中时变因果效应的估计方法。Boruvka et al. (2018) 引入了“因果时变效应”的概念，并使用了加权与中心化技术——这是本文的直接前身。Neugebauer et al. (2007) 的“历史限制”MSM（HRMSM）提供了边际化思想的另一个源头，即只对部分历史进行边际化。
  • 当前 frontier 与本文位置。上述工作主要针对连续结局。当结局为二元时，直接套用连续结局方法会面临模型不兼容（如线性模型对二元结局不合适）和效率损失问题。本文（Qian et al., 2022）正是填补这一空白：将 Boruvka et al. (2018) 的因果时变效应框架扩展到二元结局，并发展出在更合理假设下可用的半参数估计量。作者明确指出，在“较严格假设下”可基于现有文献导出半参数局部有效估计量，但他们的核心贡献是“在更合理假设下”开发出可用的估计量。

子线索聚类

  1. MRT 设计与试验报告：Liao et al. (2016), Dempsey et al. (2015), Klasnja et al. (2015, 2018), Kramer et al. (2019), Bidargaddi et al. (2018), Rabbi et al. (2018)。这一簇主要关注 MRT 的试验设计、样本量计算、可行性报告，以及如何在实际 mHealth 应用中实施 MRT。它们为因果推断提供了数据来源，但本身不深入估计方法。
  2. MRT 因果估计方法（连续结局）：Boruvka et al. (2018), Dempsey et al. (2017)。这一簇是本文最直接的前身，专注于在 MRT 框架下估计时变因果效应，但局限于连续结局。Boruvka et al. (2018) 的加权与中心化技术被本文直接借用。
  3. 纵向因果推断的通用框架：Robins (1986), Neugebauer et al. (2007), Richardson et al. (2017), Wang et al. (2017)。这一簇提供了更广泛的纵向因果推断工具，如 MSM、HRMSM，以及针对二元结局的风险比/风险差建模。本文的“边际化”思想与 HRMSM 相通，而 Richardson et al. (2017) 关于二元结局建模的讨论（如 log odds-product）为本文处理二元结局提供了背景。

这个方向在追问的核心问题

  1. 如何定义“因果效应”：在 MRT 中，干预是时变的，且个体历史（包括过去干预和结局）会影响当前干预和未来结局。如何定义一个既反映干预的即时影响，又不受全部历史维度诅咒的因果参数？——答案：因果时变偏离效应，即边际于个体历史的一个小子集。
  2. 如何估计二元结局的效应：当结局是二元时，线性模型不自然，而广义线性模型（如 logistic 回归）在边际化后参数解释复杂。如何构建一个既稳健（对模型误设不敏感）又有效率（接近半参数效率界）的估计量？
  3. 如何处理时变混杂：在 MRT 中，过去干预可能影响当前混杂（如情绪、可用性），而当前混杂又影响当前干预和结局。逆概率加权（IPW）是标准工具，但如何结合增广（augmentation）或双重稳健（DR）技术来提高效率？
  4. 如何平衡假设强度与实用性：严格的半参数有效估计量通常需要正确指定结局模型或倾向性评分模型。在 MRT 的复杂现实中，这些模型几乎必然误设。如何设计一个在模型误设下仍能提供可靠推断的估计量？

⚠️ 作者的 framing

  • 作者的缺口 frame：作者将缺口 frame 为“现有方法（Boruvka et al., 2018）主要针对连续结局，而许多 MRT 的结局是二元的（如是否完成自我监测）”。因此，本文是“显然的下一步”：将连续结局的因果时变效应框架扩展到二元结局，并处理由此带来的建模与估计挑战。
  • 被淡化或回避的竞争路线：作者淡化了直接使用广义线性混合模型（GLMM）或 GEE 进行全历史建模的路线。他们指出，全历史模型会遭受“维度诅咒”，且参数解释依赖于整个历史，不如边际效应直观。他们也回避了基于强化学习（如 V-learning, Luckett et al., 2016） 的路线，该路线旨在估计最优动态治疗策略，而非检验当前干预的即时因果效应。作者明确将本文定位为“primary-aim analysis”（主要目标分析），即检验干预是否有效，而非寻找最优策略。
  • 什么明显该被引/该存在、却没出现在 intro 里？：intro 中未提及双重稳健（DR）估计量在纵向二元结局中的具体应用，例如 van der Laan 和 Gruber (2012) 的纵向 TMLE。虽然作者提到了“基于现有文献可导出半参数局部有效估计量”，但未具体引用这些文献。这是一个值得研究者去查的问题：本文的增广估计量（augmented estimator）与纵向 TMLE 有何异同？ 此外，关于“因果时变偏离效应”的敏感性分析（即当无混杂假设被违反时，效应估计会如何变化）也未在 intro 中讨论。

张力

未见明显对立引用。所有被引工作基本在同一个框架下（潜在结果、MRT、边际效应）进行渐进式推进，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：

    • \( t = 1, \dots, T \)：时间点（例如，每天或每天中的某个时刻）。\( T \) 是总时间点数量。
    • \( i = 1, \dots, n \)：个体。\( n \) 是样本量。
    • \( A_t \)：在时间 \( t \) 的干预（treatment）。在 MRT 中，通常是二元的（\( A_t \in \{0, 1\} \)），例如，1 = 发送推送通知，0 = 不发送。
    • \( Y_t \)：在时间 \( t \) 的结局（outcome）。本文中 \( Y_t \) 是二元的（\( Y_t \in \{0, 1\} \)），例如，1 = 在时间 \( t \) 后完成了自我监测，0 = 未完成。
    • \( H_t \)：在时间 \( t \) 的个体历史（history），包含所有在时间 \( t \) 之前观测到的变量，包括过去的干预 \( A_1, \dots, A_{t-1} \)、过去的结局 \( Y_1, \dots, Y_{t-1} \)、以及可能的时间不变协变量。这是研究者可观测到的全部历史。
    • \( S_t \)：个体历史的一个小子集（small subset），\( S_t \subseteq H_t \)。例如，\( S_t \) 可能只包含“今天是周几”和“过去一周的平均步数”。这是我们要边际化（marginalize）掉其余历史后，保留下来用于定义效应的变量。
    • \( Y_t(a) \)：潜在结局（potential outcome），即如果个体在时间 \( t \) 接受了干预 \( a \)，在时间 \( t \) 会观测到的结局。这是不可观测的，因为每个个体在每个时间点只能接受一种干预。
    • \( \beta(t, S_t) \)：因果时变偏离效应（causal excursion effect），是本文的核心 estimand。它被定义为 \( E[Y_t(1) - Y_t(0) \mid S_t] \)。直观上，它是在给定个体历史的一个小子集 \( S_t \) 的条件下，干预 \( A_t \) 对结局 \( Y_t \) 的平均因果效应。这个效应是“时变”的，因为它可以依赖于时间 \( t \) 和 \( S_t \)。
    • \( g_t(S_t; \beta) \)：一个工作模型（working model），用于参数化 \( \beta(t, S_t) \)。例如，\( g_t(S_t; \beta) = \beta_0 + \beta_1 \cdot \text{weekday}_t + \beta_2 \cdot t \)。注意：这个模型是“工作”的，即它可能被误设。本文的目标是在工作模型可能误设的情况下，仍能对 \( \beta \) 进行一致估计和有效推断。

  • 模型：

    • 数据生成机制：MRT 的随机化机制是已知的。在每个时间点 \( t \)，给定历史 \( H_t \)，个体以已知的概率 \( p_t(H_t) = P(A_t = 1 \mid H_t) \) 被随机分配到干预组（\( A_t = 1 \)）或对照组（\( A_t = 0 \)）。这个概率 \( p_t(H_t) \) 是已知的，由试验设计者设定。例如，可以是简单的 0.5 的恒定概率，也可以依赖于某些历史变量（如“如果过去 3 天都未完成自我监测，则今天发送通知的概率提高到 0.7”）。
    • 无混杂假设：由于 \( A_t \) 是在给定 \( H_t \) 下随机分配的，因此 \( A_t \) 与潜在结局 \( Y_t(a) \) 在给定 \( H_t \) 下是独立的。即 \( A_t \perp Y_t(1), Y_t(0) \mid H_t \)。这是 MRT 的核心优势，使得因果识别变得直接。
    • 一致性假设：观测到的结局 \( Y_t \) 等于其对应的潜在结局，即 \( Y_t = Y_t(A_t) \)。
    • 无干扰假设：一个个体的干预不影响另一个个体的结局。这在 MRT 中通常成立，因为干预是针对个体自身的。

  • 可观测数据：

    • 研究者实际能观测到的是：对于每个个体 \( i \) 和每个时间点 \( t \)，观测到 \( (A_{it}, Y_{it}, H_{it}) \)。其中 \( H_{it} \) 包含了所有过去的信息。\( S_{it} \) 是 \( H_{it} \) 的一个已知子集。
    • 想要但观测不到的是：潜在结局 \( Y_{it}(1) \) 和 \( Y_{it}(0) \)。我们只能观测到其中一个，即 \( Y_{it} = Y_{it}(A_{it}) \)。

第二步：讲最小内核

最简特例：假设我们只关心一个时间点（\( T=1 \)），并且 \( S_t \) 是空集（即我们想估计一个全局平均因果效应）。此时，\( \beta = E[Y(1) - Y(0)] \)。这是一个经典的随机试验问题。

  • 在这个特例下：

    • 可观测数据：\( (A_i, Y_i) \)，其中 \( A_i \) 是随机分配的（例如，抛硬币决定）。
    • 要估计的命题：\( \beta = E[Y(1) - Y(0)] \)。
    • 证明怎么走：由于随机化，\( E[Y(1)] = E[Y \mid A=1] \)，\( E[Y(0)] = E[Y \mid A=0] \)。因此，一个简单的估计量是 \( \hat{\beta} = \bar{Y}_1 - \bar{Y}_0 \)，即干预组和对照组的样本均值之差。这个估计量是无偏且一致的。

  • 推广到本文的一般情形：

    • 本文的一般情形是：\( T \) 很大，\( S_t \) 非空，且我们想估计一个时变的、依赖于 \( S_t \) 的效应。这比上述特例复杂得多，因为：
      1. 时变混杂：过去的干预 \( A_{t-1} \) 会影响 \( S_t \)（例如，过去收到通知会影响今天的可用性），而 \( S_t \) 又会影响今天的干预 \( A_t \) 和结局 \( Y_t \)。虽然随机化保证了 \( A_t \) 在给定全部历史 \( H_t \) 下是随机的，但如果我们只条件于 \( S_t \)（而不是全部历史 \( H_t \)），那么 \( A_t \) 和 \( Y_t \) 之间可能存在由未观测到的历史 \( H_t \setminus S_t \) 引起的混杂。
      2. 边际化：我们需要估计 \( E[Y_t(1) - Y_t(0) \mid S_t] \)，而不是 \( E[Y_t(1) - Y_t(0) \mid H_t] \)。这需要对全部历史 \( H_t \) 进行积分（边际化），而 \( H_t \) 的维度随时间增长。
      3. 二元结局：\( Y_t \) 是二元的，因此线性模型不合适。我们需要一个合适的模型（如 logistic 回归）来建模 \( E[Y_t \mid A_t, H_t] \)，但边际化后，这个模型会变得复杂。

  • 本文的关键想法：

    • 为了处理时变混杂和边际化，作者使用了逆概率加权（IPW） 和中心化技术，类似于 Boruvka et al. (2018)。核心思想是：通过给每个观测值赋予一个权重 \( W_t \)，使得加权后的数据看起来像是来自一个“伪随机试验”，其中 \( A_t \) 在给定 \( S_t \) 下是随机的。这个权重是 \( 1 / p_t(H_t) \) 或 \( A_t / p_t(H_t) + (1-A_t) / (1-p_t(H_t)) \) 的某种变形。
    • 为了处理二元结局，作者使用了工作模型 \( g_t(S_t; \beta) \) 来参数化因果效应，并通过广义估计方程（GEE） 来估计 \( \beta \)。GEE 允许我们在工作模型可能误设的情况下，仍能得到 \( \beta \) 的一致估计（只要均值结构正确），并且通过“夹心”方差估计（sandwich variance estimator）来得到稳健的标准误。
    • 为了进一步提高效率，作者还考虑了增广估计量（augmented estimator），它结合了 IPW 和结局模型（\( E[Y_t \mid A_t, H_t] \) 的估计）。如果结局模型被正确指定，增广估计量可以达到半参数效率界；即使结局模型被误设，它仍然是一致估计（双重稳健性）。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了在移动健康微随机试验（MRT）中，如何估计一个时变干预（如推送通知）对二元结局（如是否完成自我监测）的因果时变偏离效应（causal excursion effect），该效应是边际于个体历史的一个小子集 \( S_t \) 的。
  2. 核心工具/方法：核心工具是逆概率加权（IPW） 和中心化技术，结合一个工作模型（working model）来参数化时变效应，并通过广义估计方程（GEE） 进行估计。作者还提出了一个增广估计量（augmented estimator）以提高效率。
  3. 主要结论：作者证明了所提出的估计量（包括 IPW 和增广估计量）在工作模型可能误设的情况下，对因果时变偏离效应参数 \( \beta \) 是一致且渐近正态的。模拟研究显示，增广估计量在效率上优于简单的 IPW 估计量，尤其是在结局模型被正确指定时。该方法被应用于 BariFit MRT 数据，展示了其实际效用。

关键设定与假设

  • 设定：在第二节最小记号的基础上，补全如下：
    • MRT 随机化：\( P(A_t = 1 \mid H_t) = p_t(H_t) \)，且 \( p_t(H_t) \) 是已知的，并且严格介于 0 和 1 之间（positivity 假设）。
    • 因果时变偏离效应：\( \beta(t, S_t) = E[Y_t(1) - Y_t(0) \mid S_t] \)。这是核心 estimand。
    • 工作模型：\( g_t(S_t; \beta) \) 是 \( \beta(t, S_t) \) 的一个参数化模型。例如，\( g_t(S_t; \beta) = \beta^{\top} f_t(S_t) \)，其中 \( f_t(S_t) \) 是 \( S_t \) 和 \( t \) 的某个已知函数向量。关键：这个模型可能被误设。我们估计的是 \( \beta^* \)，它是使得 \( g_t(S_t; \beta) \) 在某种加权最小二乘意义下最接近真实 \( \beta(t, S_t) \) 的投影参数。
    • 可观测数据：\( O_i = \{ (A_{it}, Y_{it}, H_{it}, S_{it}) : t = 1, \dots, T \} \)，\( i = 1, \dots, n \)。假设个体间独立，但个体内的时间序列存在依赖。
  • 假设：
    • 无混杂：\( A_t \perp Y_t(a) \mid H_t \)。由 MRT 随机化保证。
    • 一致性：\( Y_t = Y_t(A_t) \)。
    • Positivity：\( 0 < p_t(H_t) < 1 \) 对所有 \( t \) 和 \( H_t \) 成立。
    • 工作模型误设：允许 \( g_t(S_t; \beta) \) 不等于真实的 \( \beta(t, S_t) \)。这是本文与严格半参数文献的关键区别。作者不要求工作模型正确，而是将目标参数定义为工作模型下的“最佳近似”。
    • 相比已有文献：相比 Boruvka et al. (2018)（连续结局），本文放宽了对结局分布形式的假设，并专门处理了二元结局的建模挑战。相比严格半参数文献（如 van der Laan 的 TMLE），本文强化了对工作模型误设的容忍度，但弱化了对效率最优性的追求（即不保证在模型误设下达到半参数效率界）。

主要结果

  • 定理 1（IPW 估计量的渐近性质）：

    • 陈述：在正则条件下，基于 IPW 的 GEE 估计量 \( \hat{\beta}_{IPW} \) 是 \( \beta^* \) 的一致估计，且 \( \sqrt{n}(\hat{\beta}_{IPW} - \beta^*) \) 渐近正态，均值为 0，方差为 \( \Sigma_{IPW} \)。
    • 直觉：IPW 通过权重 \( W_t \) 消除了由 \( H_t \setminus S_t \) 引起的混杂，使得加权后的数据可以用于估计边际效应。GEE 框架保证了即使工作模型误设，估计量仍收敛到投影参数 \( \beta^* \)。
    • 必要条件：需要正确指定权重 \( W_t \)（即已知的 \( p_t(H_t) \)），且需要满足一些矩条件和技术正则条件（如有限四阶矩）。
    • 解决的技术难点：处理了时间序列内的依赖结构（通过“夹心”方差估计），以及工作模型误设下的参数解释问题。

  • 定理 2（增广估计量的渐近性质）：

    • 陈述：在正则条件下，基于增广的 GEE 估计量 \( \hat{\beta}_{Aug} \) 也是 \( \beta^* \) 的一致估计，且 \( \sqrt{n}(\hat{\beta}_{Aug} - \beta^*) \) 渐近正态。如果结局模型 \( E[Y_t \mid A_t, H_t] \) 被正确指定，则 \( \hat{\beta}_{Aug} \) 的渐近方差 \( \Sigma_{Aug} \) 小于或等于 \( \Sigma_{IPW} \)（即更有效率）。如果结局模型被误设，\( \hat{\beta}_{Aug} \) 仍然一致（双重稳健性）。
    • 直觉：增广项 \( \hat{E}[Y_t \mid A_t, H_t] \) 作为“控制变量”，减少了 IPW 估计量的方差。如果结局模型正确，它甚至可以达到半参数效率界。
    • 必要条件：需要正确指定权重 \( W_t \) 或结局模型中的一个（双重稳健性）。需要估计结局模型（例如，通过一个工作模型 \( m_t(H_t; \alpha) \)）。
    • 解决的技术难点：如何构建增广项，使其在 GEE 框架下与 IPW 项正交，从而保证双重稳健性。作者使用了类似于“增广逆概率加权”（AIPW）的技巧。

证明路线与技术技巧

  • 整体路线：

    1. 定义估计方程：首先，定义一个基于 GEE 的估计方程 \( U_n(\beta) = 0 \)，其中 \( U_n(\beta) \) 是 IPW 或增广形式的得分函数。例如，对于 IPW，\( U_n(\beta) = \sum_{i=1}^n \sum_{t=1}^T D_{it}^{\top} V_{it}^{-1} (Y_{it} - \mu_{it}(\beta)) \)，其中 \( D_{it} = \partial \mu_{it}(\beta) / \partial \beta \)，\( V_{it} \) 是工作方差，而 \( \mu_{it}(\beta) \) 是加权后的均值模型。
    2. 证明一致性：利用 M-估计理论（M-estimation theory），证明 \( E[U_n(\beta^*)] = 0 \)。这需要证明在真实参数 \( \beta^* \) 下，估计方程的期望为零。对于 IPW，这依赖于权重 \( W_t \) 的正确性（已知的 \( p_t(H_t) \)）和矩条件。对于增广估计量，还需要结局模型的正确性或双重稳健性。
    3. 证明渐近正态性：利用中心极限定理和 Delta 方法，证明 \( \sqrt{n}(\hat{\beta} - \beta^*) \) 收敛到均值为零的正态分布。这需要证明估计方程 \( U_n(\beta) \) 在 \( \beta^* \) 附近是光滑的，且其方差是有限且可估计的。
    4. 方差估计：使用“夹心”方差估计量（sandwich variance estimator）来估计 \( \Sigma \)。夹心方差的形式为 \( \hat{\Sigma} = \hat{A}^{-1} \hat{B} \hat{A}^{-1} \)，其中 \( \hat{A} \) 是 \( \partial U_n(\beta) / \partial \beta \) 在 \( \hat{\beta} \) 处的估计，\( \hat{B} \) 是 \( U_n(\beta) \) 的样本方差。这个方差估计量对个体内的时间序列依赖是稳健的。

  • 关键跳跃点：

    • 从连续结局到二元结局的跳跃：在连续结局下，可以直接使用线性模型 \( E[Y_t \mid A_t, H_t] = \alpha^{\top} H_t + \beta A_t \)。但在二元结局下，线性模型不合适。作者的处理方式是：不直接对 \( Y_t \) 建模，而是对加权后的“伪结局”建模。他们使用了一个“工作模型” \( g_t(S_t; \beta) \) 来参数化因果效应，并通过 GEE 来估计 \( \beta \)，其中 GEE 的均值结构是基于一个“链接函数”（如 logit 或 identity）的。这个跳跃的难点在于，如何确保 GEE 的估计量在工作模型误设下仍能收敛到有意义的参数（即投影参数 \( \beta^* \)）。
    • 增广估计量的双重稳健性证明：证明增广估计量在结局模型误设下仍一致，需要仔细构造增广项，使其与 IPW 项在期望上正交。作者借鉴了 AIPW 的思想，但将其嵌入到 GEE 框架中。这个跳跃的难点在于，GEE 框架下的增广项需要处理时间序列内的依赖，而不仅仅是独立同分布数据。

  • 技术技巧点名：

    • M-估计理论：用于证明估计量的一致性和渐近正态性。这是整个证明的骨架。
    • “夹心”方差估计：用于得到对个体内依赖稳健的标准误。
    • 逆概率加权（IPW）：用于处理时变混杂和边际化。
    • 中心化（Centering）：类似于 Boruvka et al. (2018)，通过中心化权重来减少方差。
    • 增广逆概率加权（AIPW）思想：用于构建增广估计量，实现双重稳健性和效率提升。
    • 广义估计方程（GEE）：作为统一的估计框架，处理工作模型误设和个体内依赖。

真实例子与应用

  • 用的什么数据/场景：BariFit MRT。这是一个旨在帮助接受过减肥手术的个体维持体重的 mHealth 干预。在 BariFit 中，参与者每天被随机分配（以 0.5 的概率）是否收到一条“提醒消息”，鼓励他们进行自我监测（如记录饮食和体重）。
  • 怎么把本文方法用上去：
    • 定义变量：\( A_t \) = 在时间 \( t \)（每天）是否发送提醒消息。\( Y_t \) = 在时间 \( t \) 是否完成了自我监测（二元结局）。\( S_t \) = 一个小子集，例如“今天是周几”和“自上次完成自我监测以来的天数”。
    • 指定工作模型：\( g_t(S_t; \beta) = \beta_0 + \beta_1 \cdot \text{weekday}_t + \beta_2 \cdot \text{days\_since\_last\_self\_monitor}_t \)。这个模型假设因果效应是这些变量的线性函数。
    • 应用估计量：使用 IPW 和增广估计量来估计 \( \beta = (\beta_0, \beta_1, \beta_2) \)。增广估计量还需要一个结局模型，例如一个 logistic 回归模型 \( P(Y_t = 1 \mid A_t, H_t) \)。
  • 得到什么结果：
    • 主要发现：发送提醒消息显著增加了当天完成自我监测的概率（\( \beta_0 \) 显著为正）。效应在周末比工作日略小（\( \beta_1 \) 为负，但可能不显著）。效应随着自上次完成自我监测的天数增加而增加（\( \beta_2 \) 为正），表明提醒对“落后”的个体更有效。
    • 方法比较：增广估计量给出的标准误比 IPW 估计量更小，验证了其效率优势。
  • 这个例子想说明什么：这个例子旨在展示本文方法在实际 MRT 数据中的可操作性和实用性。它说明了如何将抽象的因果参数（因果时变偏离效应）与具体的干预设计（提醒消息）和科学问题（提高自我监测依从性）联系起来。同时，它也展示了增广估计量在实际数据中带来的效率提升。

🔎 结论是否比证明窄

  • 窄的地方：作者在定理中严格证明了估计量在工作模型误设下的一致性，但这个一致性是对“投影参数” \( \beta^* \) 而言的，而不是对真实的、非参数的因果效应 \( \beta(t, S_t) \)。作者在文中明确承认了这一点（例如，在 Section 3.2 中讨论“working model”时）。因此，结论的适用范围是：我们估计的是工作模型下的最佳近似，而不是真实的因果效应函数。如果工作模型严重误设，\( \beta^* \) 可能无法很好地反映真实的因果效应模式。
  • 泛化的 claim：作者在摘要和引言中声称该方法可用于“primary-aim analysis”（主要目标分析），即检验干预是否有效。这个 claim 是合理的，因为即使工作模型误设，我们仍然可以检验 \( \beta^* \) 是否为零（即工作模型下的平均效应是否为零）。但如果工作模型误设导致 \( \beta^* \) 为零而真实效应非零，则检验会失去功效。作者在模拟研究中探讨了这种情况，但未在理论中完全刻画。

四、开放问题

  1. 如何选择工作模型 \( g_t(S_t; \beta) \)？本文假设工作模型是预先指定的，但实际中如何选择 \( S_t \) 和函数形式是一个开放问题。作者在文中提到可以使用交叉验证来选择工作模型，但未给出理论保证。扎根点：Section 3.2 提到“we assume a working model... is available”，Section 5 的模拟中使用了特定的工作模型，但未讨论模型选择的理论。
  2. 当 \( p_t(H_t) \) 未知或估计不准确时怎么办？ 本文假设 MRT 的随机化概率 \( p_t(H_t) \) 是已知的。但在某些实际场景中，随机化概率可能依赖于未完全记录的变量，或者存在执行偏差。如何对 \( p_t(H_t) \) 进行估计，并考虑其不确定性对因果效应估计的影响？扎根点：Section 2.1 假设“the randomization probability \( p_t(H_t) \) is known”。
  3. 如何处理高维 \( S_t \) 或 \( H_t \)？本文的方法在 \( S_t \) 和 \( H_t \) 维度较低时有效。当 \( S_t \) 包含大量变量（例如，来自可穿戴设备的高频传感器数据）时，工作模型和结局模型的估计会变得困难。如何将高维统计（如正则化回归）或机器学习方法整合到本文的 GEE 框架中，并保持推断的有效性？扎根点：Section 6 的“Discussion”中提到了“future work could consider... more flexible models for the causal excursion effect”。
  4. 能否将本文的“因果时变偏离效应”与“最优动态治疗策略”联系起来？ 本文关注的是“检验当前干预是否有效”，而 Luckett et al. (2016) 的 V-learning 关注的是“寻找最优干预策略”。是否存在一个统一的框架，既能进行 primary-aim analysis，又能为 secondary-aim analysis（如优化）提供信息？扎根点：Introduction 中引用了 Luckett et al. (2016)，但将其定位为“related marginalization idea”，而非直接竞争。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论