Nonparametric efficient causal mediation with intermediate confounders¶

作者: I Díaz, N S Hejazi, K E Rudolph, M J van Der Laan
来源: Biometrika
主题: 因果推断
相关性: 9/10
机构绿灯: Cornell University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomet/asaa085

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是因果中介分析，其根本问题是：在给定暴露（treatment）和结局（outcome）的情况下，如何将暴露对结局的总效应分解为通过中介变量（mediator）传导的间接效应和直接效应。当存在一个受暴露影响、同时又同时影响中介和结局的混杂变量（mediator-outcome confounder affected by exposure）时，经典的“自然”直接/间接效应（natural direct/indirect effects）不可识别。本文研究的“干预效应”（interventional effects）是解决这一识别困境的一种替代框架，它通过将中介变量固定在一个与暴露无关的分布上（而非固定在其个体水平潜在值）来定义效应，从而在非参数模型下实现识别。

发展脉络（history）¶

奠基工作：自然效应框架。Robins & Greenland (1992) 和 Pearl (2001) 提出了自然直接/间接效应的定义，基于反事实框架，并给出了在无未测量混杂（sequential ignorability）条件下的识别公式。这是中介分析的经典范式。
识别困境与干预效应提出。VanderWeele & Vansteelandt (2009) 等进一步推广了自然效应，但明确指出当存在受暴露影响的 mediator-outcome confounder 时，自然效应不可识别。为解决此问题，VanderWeele et al. (2014) 提出了“干预直接/间接效应”（interventional direct/indirect effects），其核心思想是将中介变量固定在一个与暴露无关的参考分布上（例如，暴露为0时的中介分布），从而绕开对个体水平反事实的依赖，实现非参数识别。这是本文的直接理论前身。
半参数估计的发展。在识别问题解决后，如何高效估计这些效应成为焦点。Tchetgen Tchetgen & Shpitser (2012) 和 Vansteelandt et al. (2012) 等早期工作提出了基于参数或半参数模型的估计方法，但依赖于模型假设的正确设定。Zheng & van der Laan (2012) 和 Luedtke et al. (2017) 等将 Targeted Minimum Loss Estimation (TMLE) 引入中介分析，但主要针对自然效应或特定设定下的干预效应。
本文的位置。本文在非参数统计模型下，系统性地为干预效应推导了高效影响函数（EIF），并基于此构造了两种渐近最优的非参数估计量（一步估计和 TMLE）。它填补了“干预效应在非参数模型下的半参数效率理论”这一空白，并证明了其多重稳健性（multiply robust）性质。这是对前述工作的一个理论上的完整化和方法上的优化。

子线索聚类¶

识别理论：关注在何种假设下，直接/间接效应可被识别。包括自然效应（Robins & Greenland, 1992; Pearl, 2001）和干预效应（VanderWeele et al., 2014）的识别条件。本文属于后者，并在此基础上进行估计。
半参数估计与效率理论：关注如何构造渐近有效、多重稳健的估计量。包括基于 EIF 的一步估计（Bickel et al., 1993; Pfanzagl, 1982）和 TMLE（van der Laan & Rose, 2011）。本文是这一线索在干预效应上的具体应用和理论深化。
中介分析的应用：关注在流行病学、社会科学等领域的实际应用。本文的实证例子（住房干预对青少年女孩冒险行为的影响）属于此类，用于展示方法在真实数据中的表现。

这个方向在追问的核心问题¶

识别：在存在复杂混杂（如受暴露影响的 confounder、未测量混杂）时，哪些因果效应是可识别的？识别条件是什么？
估计：对于可识别的效应，如何构造在非参数模型下渐近有效、且对 nuisance 参数估计错误具有稳健性的估计量？
效率：这些效应的半参数效率界是什么？如何达到它？
推广：如何将这些方法推广到更复杂的设定，如纵向数据、时间依赖性暴露和中介、多中介变量等？

当前主流方法与已知瓶颈：主流方法包括基于回归的 g-computation、IPW、以及结合两者的双重稳健估计（如 TMLE）。瓶颈在于：对于复杂效应（如干预效应），其 EIF 的推导和多重稳健性的证明往往是非平凡的；且现有方法多依赖于参数或半参数模型假设，在非参数模型下的理论性质（如 n^{1/2}-相合性、有效性）尚未被充分研究。

⚠️ 作者的 framing¶

作者将缺口 frame 成：“尽管干预效应已被提出，但其在非参数模型下的半参数效率理论（EIF、效率界、多重稳健估计量）尚未被系统研究。” 因此，本文的贡献是“填补这一理论空白，并提供可直接使用的、渐近最优的估计量”。作者淡化了以下竞争路线： - 参数/半参数模型下的估计：作者认为这些方法依赖于模型假设，而本文的非参数方法更稳健。但未深入讨论在模型假设近似正确时，参数方法可能具有的有限样本优势。 - 自然效应的替代方案：除了干预效应，还有其他解决不可识别问题的方法（如基于敏感性分析、工具变量等）。作者未对这些替代方案进行详细比较或讨论其优劣。

什么明显该被引/该存在、却没出现在 intro 里？ 作者未引用 Imai, Keele & Tingley (2010) 等提出的基于主层（principal stratification）的中介分析方法，该方法也试图处理 mediator-outcome confounder 问题，但采用了不同的识别策略。这是一个值得研究者去查的张力点：干预效应与主层效应在假设和解释上有何根本不同？

张力¶

未见明显对立引用。所有被引工作基本沿着“自然效应→干预效应→半参数估计”这一主线发展，彼此之间是补充和推进关系，而非矛盾。

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：
\(A\)：暴露变量（treatment），二值（0/1）。
\(M\)：中介变量（mediator），可以是连续或离散。
\(Y\)：结局变量（outcome），可以是连续或离散。
\(Z\)：受暴露影响的 mediator-outcome confounder。它受 \(A\) 影响，同时又影响 \(M\) 和 \(Y\)。这是导致自然效应不可识别的关键变量。
\(W\)：基线协变量（baseline covariates），在暴露前测量，不受 \(A\) 影响。
\(Y(a, m)\)：潜在结局（potential outcome），当暴露被设为 \(a\)、中介被设为 \(m\) 时的结局。
\(M(a)\)：潜在中介（potential mediator），当暴露被设为 \(a\) 时的中介值。
\(Z(a)\)：潜在 confounder，当暴露被设为 \(a\) 时的 confounder 值。
\(\psi\)：目标 estimand，即干预直接/间接效应。
\(P_0\)：真实数据分布。
\(\mathcal{M}\)：非参数统计模型，即对 \(P_0\) 不加任何参数形式的限制。
\(O = (W, A, Z, M, Y)\)：一个观测单元的数据。
模型：
数据生成机制：观测数据 \(O\) 独立同分布地来自某个未知分布 \(P_0 \in \mathcal{M}\)。该分布满足某些非参数识别假设（如一致性、无未测量混杂等，见下文）。
目标 estimand：干预（间接）效应定义为：
\[\psi_0 = E[E(Y | A=1, Z, M) - E(Y | A=0, Z, M) | A=0]\]
即，将暴露从0变为1时，在“暴露为0的人群”中，保持 confounder \(Z\) 和中介 \(M\) 的联合分布不变（固定为暴露为0时的分布），仅改变暴露 \(A\) 对结局 \(Y\) 的直接效应（通过 \(Y\) 对 \(A\) 的依赖）的平均变化。类似地，干预直接效应也可定义。本文主要关注间接效应，但方法可推广。
可观测数据：
研究者实际能观测到的是 \(O = (W, A, Z, M, Y)\) 的独立同分布样本，共 \(n\) 个。
不可观测的是潜在变量 \(Y(a, m), M(a), Z(a)\)。这些是反事实量，只能通过假设（如一致性、无混杂）与可观测数据建立联系。

第二步：讲最小内核¶

最简特例：假设所有变量都是二值的（\(A, Z, M, Y \in \{0, 1\}\)），且没有基线协变量 \(W\)。此时，干预间接效应 \(\psi_0\) 退化为：

\[\psi_0 = P(Y=1 | A=1, Z=0, M=0) \cdot P(Z=0, M=0 | A=0) + \cdots + P(Y=1 | A=1, Z=1, M=1) \cdot P(Z=1, M=1 | A=0) - [\text{类似项，但 } A=0]\]

更紧凑地，\(\psi_0 = E_{P(Z,M|A=0)}[E(Y|A=1, Z, M) - E(Y|A=0, Z, M)]\)。

核心思路：这个 estimand 是一个嵌套期望（nested expectation）。它要求我们： 1. 估计条件期望 \(Q(A, Z, M) = E(Y | A, Z, M)\)。 2. 然后，在暴露为0的子总体中，对 \(Z, M\) 的联合分布 \(P(Z, M | A=0)\) 取期望。

为什么难？ 因为 \(Q\) 和 \(P(Z,M|A=0)\) 都是高维的、非参数的，且需要同时估计。直接估计（plug-in）会导致偏差，且收敛速度慢。

本文的关键想法：推导出这个 estimand 的高效影响函数（EIF）。EIF 是一个关于观测数据 \(O\) 的函数 \(\phi(O)\)，满足：

\[\sqrt{n}(\hat{\psi} - \psi_0) = \frac{1}{\sqrt{n}} \sum_{i=1}^n \phi(O_i) + o_p(1)\]

其中 \(\hat{\psi}\) 是任何正则渐近线性估计量。EIF 的方差就是半参数效率界。一旦有了 EIF，就可以构造两种渐近最优的估计量： - 一步估计量（One-step estimator）：\(\hat{\psi}_{OS} = \hat{\psi}_{plug-in} + \frac{1}{n} \sum_{i=1}^n \hat{\phi}(O_i)\)，即用 EIF 的样本均值来校正 plug-in 估计的偏差。 - TMLE：通过一个“targeting”步骤，更新 nuisance 参数的估计，使得更新后的估计量恰好满足 EIF 的得分方程，从而消除偏差。

在这个二值特例下，EIF 的推导会简化为一个关于 \(Q\) 和 \(P(Z,M|A=0)\) 的显式表达式。证明的关键在于验证该 EIF 的均值为零（无偏性）且其方差达到效率界。本文的一般性证明正是这个特例的推广，处理了连续变量、更复杂的 nuisance 参数估计（如使用 data-adaptive 方法）以及交叉验证带来的技术细节。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在非参数统计模型下，研究存在受暴露影响的 mediator-outcome confounder 时，干预直接/间接效应的半参数效率理论，包括其高效影响函数（EIF）、半参数效率界，以及基于 EIF 的渐近最优估计量。
核心工具/方法：高效影响函数（EIF）推导、一步估计量（one-step estimator）、Targeted Minimum Loss Estimation (TMLE)、交叉验证（cross-fitting）、data-adaptive 回归（如 Super Learner）。
主要结论：推导了干预效应的 EIF，证明了其半参数效率界；构造了一步估计和 TMLE，并证明了在交叉验证条件下，它们具有相合性、多重稳健性（multiply robust）、\(n^{1/2}\)-相合性和半参数有效性。

关键设定与假设¶

设定：观测数据 \(O = (W, A, Z, M, Y)\)，独立同分布来自非参数模型 \(\mathcal{M}\)。目标 estimand 是干预间接效应 \(\psi_0 = E[E(Y | A=1, Z, M) - E(Y | A=0, Z, M) | A=0]\)。
关键假设（用于识别，非估计所需）：
1. 一致性（Consistency）：\(Y = Y(A, M(A))\)，\(M = M(A)\)，\(Z = Z(A)\)。即观测到的值等于其对应的潜在值。
2. 无未测量混杂（Sequential Ignorability）：
  - \(A \perp (Y(a,m), M(a), Z(a)) | W\)（暴露无混杂）。
  - \(Z \perp (Y(a,m), M(a)) | A, W\)（confounder 无混杂，给定暴露和基线）。
  - \(M \perp Y(a,m) | A, Z, W\)（中介无混杂，给定暴露、confounder 和基线）。
3. 积极性（Positivity）：\(P(A=a | W) > 0\)，\(P(Z=z | A=a, W) > 0\)，\(P(M=m | A=a, Z=z, W) > 0\) 对所有 \(a, z, m, w\) 成立。
相比已有文献：本文在非参数模型下工作，不假设任何参数形式。相比 Tchetgen Tchetgen & Shpitser (2012) 等，本文的估计量不依赖于特定参数模型，因此更稳健。

主要结果¶

定理 1（EIF 推导）：在非参数模型 \(\mathcal{M}\) 下，干预间接效应 \(\psi_0\) 的 EIF 为：
\[\phi(O) = \frac{I(A=0)}{P(A=0|W)} \{ E(Y|A=1, Z, M) - E(Y|A=0, Z, M) - \psi_0 \} + \frac{I(A=1)}{P(A=1|W)} \frac{P(A=0|Z, M, W)}{P(A=0|W)} \{ Y - E(Y|A=1, Z, M) \} - \frac{I(A=0)}{P(A=0|W)} \frac{P(A=1|Z, M, W)}{P(A=0|W)} \{ Y - E(Y|A=0, Z, M) \}\]
其中，\(P(A=0|W)\) 是暴露倾向得分，\(P(A=1|Z, M, W)\) 是给定 confounder 和中介后的暴露概率。该 EIF 的方差即为半参数效率界。
直觉：EIF 由三项组成：第一项是“主要”项，捕捉了嵌套期望的变异性；后两项是“校正”项，用于调整对条件期望 \(E(Y|A, Z, M)\) 的估计误差。
必要条件：非参数模型假设（无参数形式限制）。
解决的技术难点：推导嵌套期望的 EIF 需要应用“链式法则”（chain rule）和“泛函 delta 方法”（functional delta method），这在非参数设定下是技术性的。
定理 2（一步估计量的性质）：假设 nuisance 参数（\(P(A|W), E(Y|A, Z, M), P(A|Z, M, W)\)）以足够快的速率收敛（例如，通过 data-adaptive 方法，如 Super Learner，且满足交叉验证条件），则一步估计量 \(\hat{\psi}_{OS}\) 是 \(n^{1/2}\)-相合的、渐近正态的，且其渐近方差等于 EIF 的方差（即达到半参数效率界）。
直觉：一步估计通过加上 EIF 的样本均值来校正 plug-in 估计的偏差。当 nuisance 参数估计足够快时，偏差项是 \(o_p(n^{-1/2})\)，从而保证 \(n^{1/2}\)-相合性。
必要条件：nuisance 参数的收敛速率需快于 \(n^{-1/4}\)（这是交叉验证 TMLE 的典型条件）。
解决的技术难点：证明偏差项的高阶性质，需要用到 empirical process 理论和交叉验证技巧。
定理 3（TMLE 的性质）：在相同条件下，TMLE 估计量 \(\hat{\psi}_{TMLE}\) 也具有 \(n^{1/2}\)-相合性、渐近正态性和半参数有效性。此外，TMLE 是“多重稳健”的：只要暴露倾向得分 \(P(A|W)\) 和条件期望 \(E(Y|A, Z, M)\) 中有一个被正确估计，或者 \(P(A|Z, M, W)\) 被正确估计，估计量就是相合的。
直觉：TMLE 通过一个“targeting”步骤（通常是一个逻辑回归的协变量校正）来更新 \(E(Y|A, Z, M)\) 的估计，使得更新后的估计量恰好满足 EIF 的得分方程。这保证了即使某些 nuisance 参数被错误估计，估计量仍然可以消除一阶偏差。
必要条件：与一步估计类似，但多重稳健性是一个更强的性质。
解决的技术难点：构造合适的“fluctuation”模型（即 targeting 步骤）来更新 nuisance 参数，并证明其收敛性。

证明路线与技术技巧¶

整体路线：
1. 推导 EIF：首先，将目标 estimand \(\psi_0\) 视为一个关于数据分布 \(P_0\) 的泛函 \(\Psi(P_0)\)。然后，在非参数模型下，计算该泛函在 \(P_0\) 处的路径导数（pathwise derivative），得到 EIF \(\phi\)。这一步是核心，需要应用泛函 delta 方法。
2. 构造一步估计量：\(\hat{\psi}_{OS} = \hat{\psi}_{plug-in} + \frac{1}{n} \sum_{i=1}^n \hat{\phi}(O_i)\)，其中 \(\hat{\psi}_{plug-in}\) 是用估计的 nuisance 参数代入的 plug-in 估计，\(\hat{\phi}\) 是用估计的 nuisance 参数代入的 EIF。
3. 构造 TMLE：设计一个“fluctuation”模型（例如，在 \(E(Y|A, Z, M)\) 的逻辑回归模型中加入一个协变量 \(h(A, Z, M)\)），然后通过最大似然估计更新 nuisance 参数。更新后的估计量 \(\hat{\psi}_{TMLE}\) 满足 \(\frac{1}{n} \sum_{i=1}^n \hat{\phi}_{TMLE}(O_i) = 0\)，从而自动校正了偏差。
4. 证明渐近性质：使用交叉验证（cross-fitting）将 nuisance 参数的估计与目标参数的估计分离，避免过拟合。然后，利用 empirical process 理论（如 Donsker 类条件）或更弱的交叉验证条件，证明偏差项是 \(o_p(n^{-1/2})\)，从而得到 \(n^{1/2}\)-相合性和有效性。
关键跳跃点：
- EIF 的推导：如何从嵌套期望的泛函导数得到显式的 EIF 表达式。这需要巧妙地应用“链式法则”和“条件期望的导数”。
- 多重稳健性的证明：证明 TMLE 在只有部分 nuisance 参数被正确估计时仍然相合。这需要将偏差分解为多个项，并证明当某些项为零时，其他项也自动消失。
技术技巧点名：
- 高效影响函数（EIF）：核心工具，用于推导效率界和构造最优估计量。
- 交叉验证（Cross-fitting）：用于放松对 nuisance 参数估计的 Donsker 类条件，允许使用复杂的 data-adaptive 方法（如随机森林、神经网络）。
- Targeted Minimum Loss Estimation (TMLE)：一种通过“targeting”步骤消除偏差的估计方法。
- Empirical process 理论：用于处理经验均值与期望的偏差，是证明渐近正态性的标准工具。

真实例子与应用¶

数据/场景：美国“Moving to Opportunity”住房干预实验数据。该实验随机给低收入家庭提供住房券，鼓励他们搬到低贫困率的社区。先前研究发现，该干预对青少年女孩的冒险行为（如吸烟、饮酒、吸毒）有意外的有害效应。本文试图通过中介分析，探究这种有害效应是否通过中介变量（如学校质量、同伴影响、社区环境）传导。
方法应用：将干预（\(A\)）设为是否获得住房券，结局（\(Y\)）设为冒险行为指数，中介（\(M\)）设为学校质量或同伴影响等，confounder（\(Z\)）设为搬家后社区特征（受干预影响，又影响中介和结局）。使用本文提出的 TMLE 估计干预间接效应。
结果：发现干预通过某些中介变量（如学校质量）对冒险行为产生了显著的间接效应，从而部分解释了总的有害效应。具体数值和置信区间在论文中给出。
例子想说明什么：验证本文方法在真实复杂数据中的可行性，并展示其相对于传统回归方法的优势（如对模型误设的稳健性）。同时，为理解该干预的意外后果提供了机制上的洞见。

🔎 结论是否比证明窄¶

结论：论文声称一步估计和 TMLE 是“渐近最优的”（asymptotically optimal），即达到半参数效率界。
证明：证明是在“nuisance 参数以足够快速率收敛”的条件下成立的。这个条件在实践中可能难以验证，尤其是当使用复杂的 data-adaptive 方法时。论文没有给出具体的收敛速率条件（如 \(n^{-1/4}\) 的显式要求），而是依赖于“交叉验证”和“经验过程”的抽象条件。因此，结论的“最优性”是在理想条件下的理论保证，而非一个普适的、可验证的声明。论文在讨论部分也承认了这一点，并建议使用 Super Learner 等集成方法来提高 nuisance 参数估计的可靠性。

四、开放问题（点到为止，扎根具体语句）¶

纵向设定下的推广：本文的框架是单时间点的。如何将其推广到时间依赖性暴露、中介和 confounder 的纵向设定？这需要重新推导 EIF，并处理时间序列中的复杂依赖结构。扎根于论文的“Discussion”部分，作者提到“Extensions to longitudinal settings are of interest”。
多个中介变量：当存在多个中介变量时，干预效应的定义和 EIF 会如何变化？如何分解总效应为多个间接效应之和？这涉及到高维中介分析，是当前活跃的研究方向。扎根于论文的“Discussion”部分，作者提到“Extensions to multiple mediators are of interest”。
敏感性分析：本文的识别依赖于无未测量混杂假设。如何对违反该假设进行敏感性分析？例如，当存在一个未测量的 confounder 同时影响中介和结局时，估计结果会如何变化？这需要开发新的敏感性分析工具。扎根于论文的“Discussion”部分，作者提到“The assumption of no unmeasured confounding is strong; sensitivity analysis is an important direction”。
计算效率：本文的 TMLE 和一步估计都需要估计多个 nuisance 参数，计算成本较高。对于大规模数据，如何设计更高效的算法？这涉及到统计计算与算法优化。扎根于论文的“Discussion”部分，作者提到“Computational efficiency for large datasets is a practical concern”。

Maintained by 陈星宇 · Homepage · Source on GitHub