Changepoint inference in the presence of missing covariates for principal surrogate evaluation in vaccine trials

作者: Tao Yang, Ying Huang, Youyi Fong
来源: Biometrika
主题: 因果推断
相关性: 6/10
链接: https://doi.org/10.1093/biomet/asaa100

---

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：在疫苗效力试验中，如何利用一个生物标记物（免疫应答）作为“主替代标记”（principal surrogate），来预测疫苗对个体的保护效果，并识别出该标记物是否存在一个“阈值”——即免疫应答超过某个水平后，疫苗效力才显著提升或达到饱和。 这本质上是因果推断中的“替代标记评估”与“变点回归”的交叉问题。当前成熟度中等：变点回归在完全观测数据下已有较成熟的理论，但在缺失协变量（特别是反事实潜在免疫应答）的因果推断设定下，研究非常有限。

发展脉络（history）

• 奠基工作：主替代标记框架 (Frangakis & Rubin, 2002) 提出了“主替代标记”的概念，将替代标记评估置于潜在结果框架下，定义了“因果必要性”和“因果充分性”等概念。这为后续的阈值效应研究提供了因果识别基础。
• 主要进展：阈值回归模型 (Hansen, 2017; Seo & Linton, 2007) 在完全观测数据下，研究了“铰链模型”（hinge model）或“阈值回归模型”的估计与推断。这些工作建立了在协变量完全可观测时，如何估计阈值参数及其渐近分布。留下的口子：这些方法都假设协变量（即免疫应答）对所有个体都是可观测的，但在疫苗试验中，安慰剂组个体的潜在免疫应答（如果接种疫苗会产生的应答）是反事实的，永远观测不到。
• 当前 frontier：缺失协变量下的变点回归 本文是这一前沿的少数工作之一。作者指出“Limited research, however, has examined these models in the presence of missing covariates”。此前，处理缺失协变量的变点回归主要依赖多重插补或完全观测数据假设，但未系统性地处理反事实缺失这一特定因果推断问题。
• 本文的位置：本文首次将铰链模型与主替代标记评估结合，并专门处理了因反事实缺失导致的协变量缺失问题。它提出了一个“估计似然法”来应对缺失，并引入惩罚项改善有限样本表现。

子线索聚类

这些被引文献大致落在两条子线索上： 1. 主替代标记的因果推断：聚焦于如何定义、识别和估计替代标记的因果效应。代表工作：Frangakis & Rubin (2002), Gilbert & Hudgens (2008)。这一簇的核心是处理反事实缺失和选择偏差。 2. 变点回归与阈值模型：聚焦于在完全观测数据下，如何估计和推断回归函数中的阈值参数。代表工作：Hansen (2017), Seo & Linton (2007)。这一簇的核心是处理阈值参数的非正则性（如非光滑目标函数、参数的非标准渐近分布）。

这个方向在追问的核心问题

1. 识别问题：在反事实缺失（安慰剂组个体的潜在免疫应答）的情况下，如何识别阈值效应？需要哪些假设（如单调性、无交互作用、或基于基线协变量的条件独立性）？
2. 估计问题：如何有效地估计阈值参数和回归系数？由于阈值参数的非光滑性，标准M估计理论不直接适用。在缺失数据下，估计似然法是否仍能保持渐近正态性？
3. 推断问题：如何构造阈值参数的置信区间？其渐近分布是标准正态还是非标准（如复合泊松过程）？在有限样本下，惩罚似然是否能改善推断的覆盖率和区间长度？
4. 有限样本表现：在疫苗试验常见的样本量（几百到几千）下，这些方法是否稳定？惩罚项的选择是否敏感？

⚠️ 作者的 framing

• 作者的缺口 frame：作者将缺口 frame 成“在缺失协变量（反事实潜在免疫应答）下，阈值回归模型的研究有限”。这使得本文成为“显然的下一步”——将完全观测下的变点回归方法推广到因果推断中常见的缺失数据场景。
• 被淡化或回避的竞争路线：
  • 多重插补：作者在引言中可能提及但未深入讨论。多重插补是处理缺失数据的标准方法，但作者可能认为它不适用于反事实缺失这种“永远缺失”的情况（因为插补模型本身需要强假设）。作者选择“估计似然法”而非多重插补，暗示了其对后者的不信任。
  • 基于工具变量的方法：如果存在一个影响免疫应答但不直接影响临床结局的工具变量（如疫苗剂量），可以绕过反事实缺失问题。作者未讨论这条路线，可能是因为在疫苗试验中，剂量通常不是随机分配的，或剂量与免疫应答的关系本身是研究目标。
• 什么明显该被引 / 该存在、却没出现在 intro 里？
  • 半参数效率理论：本文的“估计似然法”本质上是参数化的。一个明显的缺失是半参数效率界的讨论——在给定识别假设下，阈值参数的最优估计效率是多少？本文的方法是否达到了这个界？这直接关联到研究者对“efficiency theory”的兴趣。
  • 高维协变量下的变点回归：如果基线协变量是高维的（如基因表达数据），如何同时进行变量选择和阈值估计？本文未涉及，但这是高维统计与变点回归的自然交叉点。
  • 非参数或半参数铰链模型：本文假设铰链模型是线性的（即阈值前后都是线性关系）。更灵活的模型（如样条、核方法）是否可行？这关联到研究者对“nonparametric statistics”的兴趣。

张力

未见明显对立引用。所有被引工作基本在各自设定下自洽，没有出现“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：
  • Z：随机化分配的疫苗组别。Z = 1 表示接种疫苗，Z = 0 表示接种安慰剂。
  • S(1)：潜在免疫应答。如果个体被分配到疫苗组 (Z=1)，其免疫应答水平。这是潜在结果，对于安慰剂组个体 (Z=0)，S(1) 是反事实的、永远观测不到的。
  • S(0)：潜在免疫应答。如果个体被分配到安慰剂组 (Z=0)，其免疫应答水平。通常假设安慰剂组没有免疫应答，即 S(0) = 0 或一个常数。这是本文的关键简化假设。
  • Y：临床结局。通常是二元变量（如是否感染疾病），Y = 1 表示感染，Y = 0 表示未感染。
  • X：基线协变量。在随机化前测量的个体特征（如年龄、性别、既往感染史）。可观测。
  • S：实际观测到的免疫应答。对于疫苗组个体 (Z=1)，S = S(1)；对于安慰剂组个体 (Z=0)，S 是缺失的（因为 S(1) 不可观测）。这是缺失数据的核心。
  • c：阈值参数。免疫应答的阈值，是待估的标量参数。
  • β₀, β₁：回归系数。分别代表阈值前后的斜率。β₀ 是阈值前（S(1) ≤ c）的疫苗效力，β₁ 是阈值后（S(1) > c）的疫苗效力增量。
  • α：截距项。代表基线风险（安慰剂组的感染概率）。
• 模型：本文采用铰链模型（hinge model）来刻画阈值效应。具体地，假设临床结局 Y 与潜在免疫应答 S(1) 的关系为： P(Y = 1 | Z, S(1), X) = g( α + β₀ * (S(1) - c)_- + β₁ * (S(1) - c)_+ ) 其中 (x)_- = min(x, 0)，(x)_+ = max(x, 0)。g(·) 是连接函数（如 logit 或 probit）。这个模型意味着：当 S(1) ≤ c 时，疫苗效力由 β₀ 决定；当 S(1) > c 时，疫苗效力由 β₀ + β₁ 决定。阈值 c 就是斜率发生变化的点。
• 可观测数据：研究者实际能观测到的是 (Z, X, Y, S)，其中：
  • 对于 Z=1 的个体：S = S(1) 是可观测的。
  • 对于 Z=0 的个体：S 是缺失的（因为 S(1) 是反事实的）。
  • 想要但观测不到的量：对于 Z=0 的个体，我们想要 S(1) 来估计模型，但它永远观测不到。这是因果推断中“反事实缺失”的典型困境。

第二步：讲最小内核

最简特例：假设没有基线协变量 X，且连接函数 g 是恒等函数（即线性概率模型）。那么模型退化为： E[Y | Z, S(1)] = α + β₀ * (S(1) - c)_- + β₁ * (S(1) - c)_+

核心问题：我们只有 Z=1 个体的 (Y, S(1)) 和 Z=0 个体的 Y（因为 S(1) 缺失）。如何从这些数据中估计 (α, β₀, β₁, c)？

最小内核思路： 1. 利用随机化：由于 Z 是随机分配的，S(1) 的分布与 Z 独立（即 S(1) ⟂ Z）。这意味着，疫苗组个体 (Z=1) 的 S(1) 分布，可以代表安慰剂组个体 (Z=0) 的 S(1) 分布。 2. 估计似然法：我们无法直接对 Z=0 的个体写出似然（因为 S(1) 缺失）。但我们可以利用随机化假设，写出边际似然： - 对于 Z=1 的个体：似然为 P(Y | Z=1, S(1)) * f(S(1))，其中 f 是 S(1) 的密度。 - 对于 Z=0 的个体：似然为 ∫ P(Y | Z=0, S(1)) * f(S(1)) dS(1)。这里，我们对缺失的 S(1) 进行积分，而积分所用的分布 f 正是从 Z=1 组估计出来的。 3. 两步法： - 第一步：用 Z=1 组的数据，估计 S(1) 的分布 f（例如，用核密度估计或参数模型）。 - 第二步：将估计出的 f̂ 代入 Z=0 组的边际似然中，然后最大化整个似然函数（包括 Z=1 和 Z=0 组）来估计 (α, β₀, β₁, c)。

为什么这个例子是内核：它剥离了所有为一般性服务的技术假设（基线协变量、连接函数、惩罚项），直接展示了本文的核心思想：利用随机化假设，通过估计缺失协变量的分布，将缺失数据问题转化为一个可处理的积分问题，从而进行似然估计。阈值参数 c 的非光滑性（似然函数在 c 处不可导）是额外的技术难点，但缺失数据的处理是本文区别于已有变点回归工作的核心贡献。

三、这篇论文做了什么

三句话

1. 研究了什么问题：在疫苗效力试验中，当安慰剂组个体的潜在免疫应答 S(1) 因反事实而缺失时，如何利用铰链模型估计免疫应答对疫苗效力的阈值效应。
2. 核心工具 / 方法：提出了一个估计似然法（estimated likelihood method），通过从疫苗组数据估计 S(1) 的分布，来构造安慰剂组个体的边际似然；并引入惩罚项（penalty）以改善有限样本下阈值参数估计的稳定性。
3. 主要结论：开发了联合估计和两步法两种算法，建立了估计量的渐近性质（一致性和渐近正态性），并通过模拟和登革热疫苗数据验证了方法的有效性。

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： - 假设 1：随机化 Z ⟂ (S(1), Y(1), Y(0))。这是随机化试验的基本保证，使得 S(1) 的分布在疫苗组和安慰剂组之间是可比的。 - 假设 2：一致性 S = S(1) 当 Z=1；Y = Y(Z)。这是潜在结果框架的标准假设。 - 假设 3：单调性 / 无交互作用（简化假设） S(0) = 0 或一个常数。这意味着安慰剂组没有免疫应答。这是本文的一个关键简化，它使得 S(1) 的缺失只发生在 Z=0 组，且缺失机制是“永远缺失”的。相比已有文献：许多主替代标记工作允许 S(0) 非零，但需要更复杂的识别假设（如“因果必要性”）。 - 假设 4：铰链模型 P(Y=1 | Z, S(1), X) = g( α + β₀ * (S(1) - c)_- + β₁ * (S(1) - c)_+ + γ^T X )。这是本文的核心模型假设，将阈值效应参数化为一个分段线性函数。相比已有文献：Hansen (2017) 等研究的是完全观测数据下的类似模型，本文将其推广到缺失协变量场景。 - 假设 5：S(1) 的分布模型 假设 S(1) 的条件分布（给定 X）属于一个参数族（如正态分布），或可以用非参数方法（如核密度）估计。这是估计似然法的基础。 - 假设 6：正则性条件 包括参数空间紧致、目标函数光滑性（除阈值点外）、Fisher 信息矩阵非奇异等，用于建立渐近理论。

主要结果

• 定理 1：估计量的一致性 在正则性条件下，由估计似然法得到的参数估计量 (α̂, β̂₀, β̂₁, ĉ, γ̂) 是相合的。直觉：由于随机化，从疫苗组估计的 S(1) 分布 f̂ 是相合的，代入边际似然后，整个目标函数收敛到真实似然，因此 M-估计量一致。必要条件：f̂ 的收敛速度足够快（如 n^{-1/2} 或 n^{-1/4} 取决于模型）。
• 定理 2：阈值参数的渐近分布 阈值参数 c 的估计量 ĉ 是 √n-相合的，且渐近正态。直觉：虽然铰链模型在 c 处不可导，但估计似然法产生的目标函数在 c 处是“可导的”（因为积分操作平滑了非光滑性），因此标准 M-估计理论适用。解决的技术难点：这是本文的核心理论贡献之一。在完全观测数据下，阈值参数的渐近分布通常是非标准的（如复合泊松过程）。本文通过估计似然法，将缺失数据问题转化为一个“平滑”的优化问题，从而恢复了标准渐近性。必要条件：S(1) 的分布 f 在真实阈值 c₀ 处连续且非零。
• 定理 3：两步法估计量的渐近性质 两步法（先估计 f̂，再估计其他参数）得到的估计量也具有 √n-相合性和渐近正态性，但渐近方差可能大于联合估计法。直觉：两步法将不确定性从第一步传递到第二步，导致效率损失。解决的技术难点：需要推导出两步法估计量的渐近方差公式，这涉及到对第一步估计的“影响函数”的积分。

证明路线与技术技巧

• 整体路线：
  1. 构造目标函数：写出基于估计似然的惩罚对数似然函数 ℓ_n(θ; f̂)，其中 θ = (α, β₀, β₁, c, γ)，f̂ 是从疫苗组数据估计的 S(1) 分布。
  2. 证明一致性：证明 ℓ_n(θ; f̂) 在参数空间上一致收敛到真实期望似然 ℓ(θ)，且 ℓ(θ) 在真实参数 θ₀ 处有唯一最大值。这需要控制 f̂ 的估计误差对 ℓ_n 的影响。
  3. 证明渐近正态性：对 ℓ_n(θ; f̂) 在 θ₀ 处进行泰勒展开。关键跳跃点是：由于 ℓ_n 在 c 处不可导，标准泰勒展开不适用。作者利用估计似然的平滑性（积分操作）来绕过这一困难，证明 ℓ_n 在 θ₀ 处是“可导的”（即其梯度存在且连续）。
  4. 推导渐近方差：通过计算影响函数，得到估计量的渐近方差公式。这需要处理 f̂ 的估计带来的额外不确定性。
• 关键跳跃点：
  • 从非光滑到光滑：在完全观测数据下，铰链模型的似然函数在 c 处有一个“折点”，导致梯度不连续。本文通过对缺失的 S(1) 进行积分，将非光滑的似然函数转化为一个光滑的边际似然函数。这个积分操作“抹平”了折点，使得标准 M-估计理论得以应用。这是本文最核心的技术技巧。
  • 处理 f̂ 的估计误差：证明 ℓ_n(θ; f̂) 收敛到 ℓ(θ) 时，需要处理 f̂ 的误差。作者使用了经验过程理论（empirical process theory）来控制 f̂ 的估计误差对目标函数的影响，并证明只要 f̂ 以足够快的速度收敛（如 n^{-1/2}），则 ℓ_n 的收敛速度不受影响。
• 技术技巧点名：
  • 估计似然法：核心技巧，用于处理缺失数据。
  • 经验过程理论：用于证明目标函数的一致收敛性，并控制 f̂ 的估计误差。
  • M-估计理论：用于建立估计量的渐近性质，但需要处理非光滑目标函数。
  • 惩罚似然：引入 L₂ 或 L₁ 惩罚项，以改善有限样本下阈值参数估计的稳定性（防止阈值估计跑到数据范围之外）。

真实例子与应用

• 用的什么数据 / 场景：登革热疫苗效力试验数据。该试验随机分配受试者接种登革热疫苗或安慰剂，并测量了受试者的免疫应答（中和抗体滴度）和临床结局（是否发生登革热感染）。
• 怎么把本文方法用上去：
  1. 将免疫应答（中和抗体滴度）作为潜在主替代标记 S(1)。
  2. 将是否发生登革热感染作为临床结局 Y。
  3. 将年龄、性别、既往感染史等作为基线协变量 X。
  4. 应用本文提出的铰链模型，估计免疫应答对疫苗效力的阈值效应。
• 得到什么结果：模型估计出一个阈值 ĉ，表明当免疫应答超过某个水平时，疫苗效力显著提升。具体地，低于阈值的个体，疫苗效力较低；高于阈值的个体，疫苗效力较高。这个结果与免疫学知识一致（需要足够的抗体水平才能提供保护）。
• 这个例子想说明什么：验证本文方法在实际数据中的可行性，并展示其能够发现一个具有科学意义的阈值，从而为疫苗研发和免疫策略制定提供依据（例如，确定一个“保护性抗体阈值”）。

🔎 结论是否比证明窄

• 窄结论：定理 2 的渐近正态性依赖于 S(1) 的分布 f 在真实阈值 c₀ 处连续且非零。如果 f 在 c₀ 处有质量点（即很多个体的免疫应答恰好等于阈值），则渐近分布可能非标准。作者在文中可能提到了这一点，但未给出严格证明。
• 泛泛 claim：作者可能声称该方法适用于“一般性的缺失协变量问题”，但证明严格依赖于“随机化”和“S(0) 为常数”这两个假设。对于更一般的缺失机制（如非随机缺失），该方法的有效性需要重新验证。
• conjecture：作者可能推测，当 S(1) 的分布用非参数方法（如核密度）估计时，渐近性质仍然成立。但证明中可能只处理了参数模型的情况，非参数情况下的收敛速度和渐近分布需要更复杂的理论（如半参数效率理论）。

四、开放问题

1. 半参数效率界：在给定识别假设下，阈值参数 c 的半参数效率界是多少？本文的估计似然法是否达到了这个界？扎根点：本文未讨论效率问题，这是一个自然的理论延伸。研究者可尝试推导 c 的 efficient influence function，并构造一个达到半参数效率界的 debiased 估计量。
2. 非参数铰链模型：如何将铰链模型推广到非参数形式（如 E[Y | Z, S(1)] = α + h(S(1))，其中 h 是一个在未知点 c 处有跳跃导数的光滑函数）？扎根点：本文假设了线性铰链模型。更灵活的模型可以更好地拟合数据，但估计和推断会更复杂。
3. 高维协变量下的阈值估计：当基线协变量 X 的维度 p 远大于样本量 n 时，如何同时进行变量选择和阈值估计？扎根点：本文假设 X 是低维的。高维场景下，需要引入稀疏性假设和正则化方法，但阈值参数的非光滑性会与高维推断产生新的交互。
4. S(0) 非零的推广：如果安慰剂组个体也可能产生免疫应答（S(0) ≠ 0），如何识别和估计阈值效应？扎根点：本文的假设 3（S(0)=0）是一个强简化。放松这个假设需要更复杂的识别策略（如利用基线协变量或工具变量），并可能导致估计方法发生根本性变化。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论