Statistical inference on shape and size indexes for counting processes¶

作者: Yifei Sun, Sy Han Chiou, Kieren A Marr, Chiung-Yu Huang
来源: Biometrika
主题: 非参数 / 半参数
相关性: 6/10
机构绿灯: Columbia University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomet/asab008

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复发事件计数过程的半参数推断。根本的科学问题是：在医学随访、工程可靠性等场景中，同一个体可能经历多次事件（如感染、设备故障），研究者希望理解协变量（如治疗方案、年龄）如何影响事件发生的速率（intensity），同时避免对速率函数的具体形式做过于严格的参数假设。当前成熟度：半参数模型（如 Cox 比例风险模型）在单事件生存分析中已非常成熟，但将其推广到复发事件场景，并同时处理维度灾难（高维协变量）和信息删失（删失时间与事件过程相关）仍是活跃的研究前沿。

发展脉络（history）¶

奠基工作：复发事件计数过程的半参数建模
- Andersen & Gill (1982)：提出了比例强度模型（Cox 型），将 Cox 模型直接推广到计数过程。这是该领域的基石，但假设协变量效应是线性的（通过指数链接函数），且未处理信息删失。
- Lin et al. (2000)：提出了加性风险模型（Aalen 型）在复发事件中的推广。与比例强度模型并列，提供了另一种线性效应假设。
主要进展：单指标模型与维度约减
- Stute & Zhu (2005)：将单指标模型引入生存分析（单事件），证明了其维度约减能力和模型灵活性。单指标模型假设协变量效应通过一个未知的链接函数作用于风险，链接函数的自变量是协变量的线性组合（单指标）。这比 Cox 模型的指数链接更灵活。
- Lu et al. (2006)：将单指标模型扩展到复发事件计数过程，但未考虑信息删失，且对链接函数的单调性未做约束。
当前 Frontier：处理信息删失与单调性约束
- Sun et al. (2016)（本文作者之一的前期工作）：在复发事件中处理了信息删失，但模型是加性风险形式，而非单指标模型。
- 本文 (Sun et al., 2024)：将单指标模型、信息删失、以及单调性约束（保证协变量效应的方向可解释性）三者统一在一个框架下。这是首次在复发事件计数过程中，同时处理这三个挑战。

子线索聚类¶

模型灵活性：从 Cox 比例强度模型（线性链接）→ 加性风险模型（线性链接）→ 单指标模型（未知链接函数）。这条线索追求更少假设、更灵活的模型。
删失机制：从独立删失（删失时间与事件过程独立）→ 条件独立删失（给定协变量后独立）→ 信息删失（删失时间与事件过程相关，即使给定协变量）。这条线索追求更现实的删失假设。
可解释性：从无约束链接函数 → 单调性约束的链接函数。这条线索在模型灵活性和可解释性之间做权衡，确保协变量效应的方向（正/负）是确定的，而非随链接函数形状变化。

这个方向在追问的核心问题¶

如何在高维协变量下进行有效的维度约减？ 单指标模型是主流答案，但如何估计未知链接函数和指标向量？
如何处理信息删失？ 删失时间与事件过程相关时，标准方法（如逆概率加权）可能失效。本文采用工具变量（辅助变量）的思路，通过一个“删失时间模型”来校正。
如何保证模型的可解释性？ 当链接函数未知时，协变量效应的方向可能不明确。单调性约束是解决此问题的一种方式。
如何进行模型选择？ 何时可以用更简单的模型（如 size 和 shape 独立）？本文开发了相应的假设检验。

⚠️ 作者的 framing¶

作者把缺口 frame 成：现有复发事件单指标模型（如 Lu et al., 2006）未处理信息删失，且未对链接函数施加单调性约束，导致可解释性不足。因此，本文是“显然的下一步”：同时解决这两个问题。
被淡化或回避的竞争路线：
- 加性风险模型：作者在引言中承认加性风险模型是另一种选择，但强调单指标模型在维度约减上的优势。作者未深入讨论在复发事件场景下，单指标模型 vs. 加性风险模型的相对优劣（如哪个更稳健、哪个计算更简单）。
- 非参数方法：完全非参数方法（如核平滑）可以避免单指标假设，但受“维度诅咒”困扰。作者将其作为背景，但未量化在典型样本量下，单指标模型相比完全非参数方法的效率增益。
什么明显该被引 / 该存在、却没出现在 intro 里？
- 高效估计理论：本文的估计量是秩基的，收敛速度为根号 n。但作者未讨论其半参数效率界（semiparametric efficiency bound）。对于一位对效率理论感兴趣的研究者，这是一个明显的缺口：本文的估计量是否达到了效率界？如果没达到，差距有多大？如何构造一个达到效率界的估计量（例如，通过高效影响函数）？这直接关联到研究者的 semiparametric theory 和 efficiency theory 兴趣。
- 计算-统计权衡：本文未讨论计算复杂度。对于高维协变量（如 p 很大），单指标模型的估计（尤其是秩基估计）可能计算量很大。是否存在计算上更高效但统计效率稍低的替代方案？这关联到研究者的 statistical-computational tradeoff 兴趣。

张力¶

未见明显对立引用。该领域的发展是渐进的，不同模型（比例强度、加性风险、单指标）被视为互补而非竞争的工具。

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：
- \( N_i(t) \)：个体 \( i \) 在时间 \( t \) 之前发生的事件次数（计数过程）。这是一个随机过程。
- \( \lambda_i(t) \)：个体 \( i \) 在时间 \( t \) 的强度函数（rate function）。它是 \( N_i(t) \) 的瞬时风险，即 \( E[dN_i(t) | \text{history}] \)。
- \( \mathbf{Z}_i \)：个体 \( i \) 的 \( p \) 维协变量向量（如年龄、治疗方案）。这是可观测的。
- \( C_i \)：个体 \( i \) 的删失时间（如死亡、失访）。这是可观测的（如果事件发生则观测到，否则是右删失）。
- \( \tau \)：研究结束时间（一个固定的常数）。
- \( \boldsymbol{\beta} \)：\( p \) 维回归参数向量（待估参数）。它定义了单指标 \( \boldsymbol{\beta}^T \mathbf{Z}_i \)。
- \( g(\cdot) \)：size 链接函数，是一个未知的、单调非降的函数。它描述了单指标对强度函数“大小”的影响。
- \( h(\cdot) \)：shape 链接函数，是一个未知的、单调非降的函数。它描述了单指标对强度函数“形状”（即随时间变化的模式）的影响。
- \( \lambda_0(t) \)：基线强度函数，是一个未知的非参数函数。
- \( \Lambda_0(t) = \int_0^t \lambda_0(s) ds \)：累积基线强度函数。
模型：本文提出的半参数单指标模型为：
\[\lambda_i(t) = g(\boldsymbol{\beta}^T \mathbf{Z}_i) \cdot h(\boldsymbol{\beta}^T \mathbf{Z}_i) \cdot \lambda_0(t)\]
其中 \( g(\cdot) \) 和 \( h(\cdot) \) 是未知的、单调非降的链接函数，且 \( g(0) = h(0) = 1 \)（为了可识别性）。
- size 分量：\( g(\boldsymbol{\beta}^T \mathbf{Z}_i) \) 决定了事件速率的整体水平（大小）。如果 \( g(u) > 1 \)，则该个体的基线速率被放大。
- shape 分量：\( h(\boldsymbol{\beta}^T \mathbf{Z}_i) \) 决定了事件速率随时间的变化模式（形状）。如果 \( h(u) > 1 \)，则速率随时间增长得更快（相对于基线形状）。
- 关键假设：\( g \) 和 \( h \) 都是单调非降的。这保证了：如果 \( \boldsymbol{\beta}^T \mathbf{Z}_i > \boldsymbol{\beta}^T \mathbf{Z}_j \)，则个体 \( i \) 的 size 和 shape 效应都不小于个体 \( j \) 的。这赋予了协变量效应明确的方向性。
可观测数据：对于每个个体 \( i \)（\( i = 1, \dots, n \)），我们观测到：
- \( \mathbf{Z}_i \)：协变量。
- \( C_i \)：删失时间。
- \( X_i = \min(T_i, C_i) \)：观测到的“终止时间”，其中 \( T_i \) 是潜在的“事件过程终止时间”（如死亡）。注意，这里 \( T_i \) 是不可观测的，我们只能观测到 \( X_i \) 和删失指示符 \( \Delta_i = I(T_i \le C_i) \)。
- \( N_i(t) \)：在时间 \( t \) 之前观测到的事件次数（直到 \( X_i \) 为止）。这是可观测的计数过程。
- 关键点：我们观测到的是删失后的计数过程。如果 \( C_i < T_i \)，则 \( N_i(t) \) 在 \( t > C_i \) 之后是缺失的。此外，\( C_i \) 可能与 \( N_i(\cdot) \) 相关（信息删失），即使给定 \( \mathbf{Z}_i \)。

第二步：讲最小内核¶

最简特例：无信息删失，且 shape 分量恒为 1（即 \( h(\cdot) \equiv 1 \)）

在这个特例下，模型退化为：

\[\lambda_i(t) = g(\boldsymbol{\beta}^T \mathbf{Z}_i) \cdot \lambda_0(t)\]

这本质上是一个比例强度模型，但链接函数 \( g \) 是未知的、单调非降的，而不是 Cox 模型中的指数函数。

核心思路： 1. 秩估计（Rank-based Estimation）：为了估计 \( \boldsymbol{\beta} \)，我们利用事件发生的时间顺序，而不是具体的时间值。考虑任意两个事件发生的时间点 \( t_1 < t_2 \)。在给定“在 \( t_1 \) 时刻有一个事件发生”的条件下，这个事件属于个体 \( i \) 的概率与 \( \lambda_i(t_1) \) 成正比。由于 \( \lambda_0(t) \) 是公共的，这个概率只依赖于 \( g(\boldsymbol{\beta}^T \mathbf{Z}_i) \)。因此，我们可以构造一个部分似然（partial likelihood），它只依赖于 \( \boldsymbol{\beta} \) 和 \( g \)，而不依赖于 \( \lambda_0(t) \)。

两步法：
- 第一步（估计 \( \boldsymbol{\beta} \) 和 \( g \)）：由于 \( g \) 未知，我们不能直接最大化部分似然。作者采用了一个迭代过程：
  1. 给定一个 \( \boldsymbol{\beta} \) 的初始值，我们可以用非参数方法（如 isotonic regression）估计 \( g \)。
  2. 给定估计的 \( \hat{g} \)，我们可以最大化一个“伪”部分似然来更新 \( \boldsymbol{\beta} \) 的估计。
  3. 重复 1 和 2 直到收敛。
- 第二步（估计 \( \lambda_0(t) \)）：一旦 \( \boldsymbol{\beta} \) 和 \( g \) 被估计出来，我们可以用 Breslow 型估计量来估计累积基线强度 \( \Lambda_0(t) \)。

为什么这个特例能体现核心困难？ 即使在这个最简单的特例中，核心困难已经出现：链接函数 \( g \) 未知。这导致标准的部分似然方法失效，因为部分似然依赖于 \( g \) 的具体形式。作者的两步秩估计方法正是为了绕过这个困难而设计的。它通过迭代地估计 \( g \) 和 \( \boldsymbol{\beta} \)，将非参数估计和参数估计结合起来。当引入信息删失和 shape 分量时，这个核心困难被放大，但基本思路（秩基 + 两步法）保持不变。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：针对复发事件计数过程，提出了一个半参数单指标模型，将强度函数分解为 size 和 shape 两个分量，每个分量都由一个未知的、单调的链接函数和一个单指标向量刻画，并允许存在信息删失。
核心工具/方法：开发了一个两步秩估计程序：第一步，通过一个迭代算法（交替估计链接函数和回归参数）来估计回归参数 \( \boldsymbol{\beta} \) 和链接函数 \( g, h \)；第二步，估计基线强度函数。对于信息删失，引入了一个删失时间模型（假设删失时间也服从一个比例风险模型）来构造逆概率权重。
主要结论：所提出的回归参数估计量是根号 n 一致且渐近正态的。还开发了检验 size 和 shape 独立性的假设检验程序。

关键设定与假设¶

模型设定：如第二节所述，\( \lambda_i(t) = g(\boldsymbol{\beta}^T \mathbf{Z}_i) \cdot h(\boldsymbol{\beta}^T \mathbf{Z}_i) \cdot \lambda_0(t) \)。\( g \) 和 \( h \) 是未知的、单调非降的链接函数，且 \( g(0) = h(0) = 1 \)。
可识别性假设：\( \boldsymbol{\beta} \) 的范数被固定为 1（例如 \( ||\boldsymbol{\beta}|| = 1 \)），且第一个非零分量为正，以解决单指标模型中的尺度不变性问题。
删失机制假设：
- 独立删失（无信息删失）：删失时间 \( C_i \) 与计数过程 \( N_i(\cdot) \) 在给定协变量 \( \mathbf{Z}_i \) 下独立。这是标准假设。
- 信息删失：删失时间 \( C_i \) 可能与 \( N_i(\cdot) \) 相关，即使给定 \( \mathbf{Z}_i \)。为了处理这种情况，作者假设删失时间 \( C_i \) 服从一个比例风险模型，其协变量为 \( \mathbf{Z}_i \)，且该模型与计数过程模型独立（给定 \( \mathbf{Z}_i \)）。这个假设允许通过逆概率加权来校正删失偏差。
正则性条件：包括协变量有界、强度函数光滑、Fisher 信息矩阵非奇异等标准条件，用于推导渐近性质。
相比已有文献：
- 放宽：相比 Lu et al. (2006)，本文允许信息删失。
- 强化：相比标准单指标模型，本文对链接函数施加了单调性约束，这增强了可解释性，但也限制了模型灵活性。

主要结果¶

定理 1（回归参数估计的渐近正态性）：
- 陈述：在正则条件下，两步秩估计量 \( \hat{\boldsymbol{\beta}} \) 是根号 n 一致且渐近正态的，即 \( \sqrt{n}(\hat{\boldsymbol{\beta}} - \boldsymbol{\beta}_0) \xrightarrow{d} N(0, \Sigma) \)，其中 \( \Sigma \) 是渐近协方差矩阵。
- 直觉：这个结果保证了估计量的可靠性，并允许进行传统的 Wald 型推断（如构造置信区间、假设检验）。
- 必要条件：需要满足可识别性假设、删失机制假设和正则性条件。特别地，信息删失下的结果依赖于删失时间模型的正确设定。
- 解决的技术难点：证明的关键在于处理两步估计中链接函数 \( g \) 和 \( h \) 的非参数估计对 \( \boldsymbol{\beta} \) 估计的影响。作者通过经验过程理论（empirical process theory）和U-统计量的渐近展开来证明，非参数估计的误差是 \( o_p(n^{-1/2}) \) 阶的，因此不影响 \( \boldsymbol{\beta} \) 的根号 n 收敛率。
定理 2（基线强度估计的渐近性质）：
- 陈述：所提出的 Breslow 型估计量 \( \hat{\Lambda}_0(t) \) 是 \( \Lambda_0(t) \) 的一致估计，且 \( \sqrt{n}(\hat{\Lambda}_0(t) - \Lambda_0(t)) \) 弱收敛到一个零均值高斯过程。
- 直觉：这允许对累积基线强度进行推断，例如构造置信带。
定理 3（独立性检验）：
- 陈述：开发了一个检验统计量 \( T_n \) 来检验原假设 \( H_0: g(\cdot) \cdot h(\cdot) = g(\cdot) \)（即 shape 分量恒为 1，size 和 shape 独立）。在原假设下，\( T_n \) 渐近服从卡方分布。
- 直觉：这提供了一个模型选择工具：如果检验不显著，则可以使用更简单的模型（只有 size 分量）。

证明路线与技术技巧¶

整体路线：
1. 构造目标函数：定义一个基于秩的损失函数 \( L_n(\boldsymbol{\beta}, g, h) \)，它不依赖于基线强度 \( \lambda_0(t) \)。
2. 两步估计：
  - 内层循环：对于给定的 \( \boldsymbol{\beta} \)，通过 isotonic regression 估计 \( g \) 和 \( h \)（记为 \( \hat{g}_{\boldsymbol{\beta}}, \hat{h}_{\boldsymbol{\beta}} \)）。
  - 外层循环：将 \( \hat{g}_{\boldsymbol{\beta}}, \hat{h}_{\boldsymbol{\beta}} \) 代入损失函数，得到 \( L_n(\boldsymbol{\beta}, \hat{g}_{\boldsymbol{\beta}}, \hat{h}_{\boldsymbol{\beta}}) \)，然后关于 \( \boldsymbol{\beta} \) 优化。
3. 渐近分析：
  - 第一步：证明 \( \hat{\boldsymbol{\beta}} \) 是相合的（一致估计）。这通常通过证明损失函数的期望在真值处有唯一最小值，且经验损失函数一致收敛到期望损失函数。
  - 第二步：证明 \( \sqrt{n}(\hat{\boldsymbol{\beta}} - \boldsymbol{\beta}_0) \) 的渐近正态性。这需要将估计方程进行线性化展开。关键步骤是证明：
    \[0 = \frac{\partial}{\partial \boldsymbol{\beta}} L_n(\hat{\boldsymbol{\beta}}, \hat{g}_{\hat{\boldsymbol{\beta}}}, \hat{h}_{\hat{\boldsymbol{\beta}}}) \approx \frac{\partial}{\partial \boldsymbol{\beta}} L_n(\boldsymbol{\beta}_0, g_0, h_0) + \text{二阶项} + \text{非参数估计误差}\]
    其中，非参数估计误差（来自 \( \hat{g} \) 和 \( \hat{h} \)）需要被证明是 \( o_p(n^{-1/2}) \) 阶的，从而不影响根号 n 收敛率。
关键跳跃点：
- 处理非参数估计误差：这是证明中最困难的部分。作者使用了经验过程理论中的 Donsker 类和 Glivenko-Cantelli 类的概念，来证明 \( \hat{g}_{\boldsymbol{\beta}} \) 和 \( \hat{h}_{\boldsymbol{\beta}} \) 作为 \( \boldsymbol{\beta} \) 的函数，其随机波动足够小，以至于在 \( \boldsymbol{\beta} \) 的邻域内，它们可以被“冻结”在真值处而不影响渐近分布。
- 信息删失下的逆概率加权：当存在信息删失时，作者将删失时间模型（比例风险模型）的估计量（如 Cox 部分似然估计）嵌入到损失函数中。证明需要处理这个“插件”估计量带来的额外变异性，并证明其不影响 \( \boldsymbol{\beta} \) 估计的根号 n 收敛率。
技术技巧点名：
- 经验过程理论：用于处理非参数估计（\( \hat{g}, \hat{h} \)）的随机性，证明其收敛速度足够快。
- U-统计量：损失函数 \( L_n \) 可以写成 U-统计量的形式，其渐近理论（如 Hoeffding 分解）被用于推导 \( \hat{\boldsymbol{\beta}} \) 的渐近方差。
- Isotonic Regression：用于在给定 \( \boldsymbol{\beta} \) 下估计单调链接函数 \( g \) 和 \( h \)。
- 逆概率加权（IPW）：用于处理信息删失，通过删失时间模型的逆概率来加权每个观测。

真实例子与应用¶

数据：来自造血干细胞移植（HSCT） 研究的数据。研究对象是接受 HSCT 的患者，主要终点是巨细胞病毒（CMV）感染的复发事件。协变量包括：供体类型（匹配相关/无关）、患者年龄、CMV 血清状态等。
方法应用：将本文提出的单指标模型应用于该数据，估计协变量对 CMV 感染复发率的影响（size 和 shape 分量）。
结果：
- 发现“供体类型”对 size 和 shape 都有显著影响：接受无关供体移植的患者，其 CMV 感染的整体速率更高（size 效应），且随时间增长得更快（shape 效应）。
- 独立性检验表明，size 和 shape 分量是不独立的，因此使用完整的模型（同时包含 size 和 shape）是必要的。
这个例子想说明什么：
- 实用性：展示了该方法在真实医学研究中的应用价值，能够揭示协变量对事件过程不同方面（大小和形状）的复杂影响。
- 模型选择：独立性检验的结果为模型选择提供了依据，证明了完整模型的必要性。

🔎 结论是否比证明窄¶

是。作者在引言和摘要中声称该方法“处理了信息删失”，但证明部分（定理 1）的渐近正态性结果严格依赖于删失时间模型（比例风险模型）的正确设定。如果删失时间模型被误设，则逆概率权重可能不一致，导致 \( \hat{\boldsymbol{\beta}} \) 的估计有偏。作者在讨论部分（Section 6）承认了这一点，但未提供任何关于模型误设下的稳健性分析或敏感性分析。因此，结论“处理了信息删失”在实际应用中比证明所覆盖的范围要窄——它只适用于删失时间模型被正确设定的情况。

四、开放问题¶

半参数效率界：本文的秩估计量是根号 n 收敛的，但它是否达到了该模型的半参数效率界？如果不是，如何构造一个达到效率界的估计量（例如，通过推导高效影响函数）？这扎根于本文未讨论效率理论这一事实（见第一节“张力”部分）。
删失时间模型的稳健性：当删失时间模型被误设时，本文的估计量表现如何？能否开发出对删失时间模型误设稳健的估计方法（例如，双重稳健估计）？这扎根于作者在讨论部分（Section 6）对模型误设的承认。
高维协变量：当协变量维度 \( p \) 很大（甚至 \( p > n \)）时，如何估计单指标向量 \( \boldsymbol{\beta} \)？秩基估计在高维下可能计算困难且统计效率低。能否引入稀疏性假设（如 Lasso 型惩罚）？这扎根于本文未讨论高维场景这一事实。
计算-统计权衡：本文的两步迭代算法计算复杂度如何？是否存在计算上更简单（例如，一步估计）但统计效率稍低的替代方法？对于高维协变量，是否存在一个统计-计算权衡，即达到根号 n 收敛率的算法需要指数级计算时间？这扎根于本文未讨论计算复杂度这一事实，并直接关联到研究者的 statistical-computational tradeoff 兴趣。

Maintained by 陈星宇 · Homepage · Source on GitHub