跳转至

Targeted maximum likelihood estimation for longitudinal two-stage designs with outcome subsampling

作者: Kirsten E. Landsiedel (University of California, Berkeley), Maya L. Petersen (University of California, Berkeley), Mark J. van der Laan (University of California, Berkeley)
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2607.02702

一、领域脉络与小综述

这个方向是什么

本文研究的子方向是纵向两阶段设计（two-stage designs）中结局子抽样（outcome subsampling）下的因果参数估计。根本的统计问题是：在第一阶段收集所有参与者的协变量和部分结局信息后，第二阶段仅对选定的子集（如失访者）进行结局追踪，导致数据缺失机制复杂（右删失 + 第二阶段抽样缺失）。目标是在这种双缺失结构下，高效估计边际因果参数（如反事实生存概率）。当前成熟度：方法学上已有点治疗两阶段设计的TMLE（Rose & van der Laan 2011）和半参数有效一步估计量（Barnatchez et al. 2025），但纵向设定（含时变协变量、管理性删失）下的高效估计仍不充分，且bivariate censoring（右删失+第二阶段抽样）下闭式有效影响曲线不存在（van der Laan 1996; Quale et al. 2002）。

发展脉络（history）

  • 奠基工作：Neyman (1938) 提出两阶段抽样；Cochran (1977) 系统化抽样技术；Robins et al. (1994) 建立缺失数据框架下的逆概率加权估计方程；van der Laan & Robins (2003) 给出一般缺失/删失数据结构的统一方法。
  • 主要进展：Rose & van der Laan (2011) 提出点治疗两阶段设计的IPCW-TMLE，但未实现targeting抽样权重的步骤（作者原文：“this step was not implemented in their simulations or in the accompanying twoStageDesignTMLE R package”）。Barnatchez et al. (2025) 提出两阶段抽样下ATE的半参数有效一步估计量，并给出两种渐近等价构造（本文IPCW-LTMLE与其Approach 2精神相似）。Qiu et al. (2026) 提出新的TMLE类，但依赖“stage-two information is structurally independent of stage-one data beyond the sampling weights”的假设，该假设在纵向重抽样设定中被违反（因为τ直接影响第二阶段数据量）。
  • 当前frontier：纵向重抽样设计（如HIV死亡率研究）中，加权Kaplan-Meier（wKM）是主流（Geng et al. 2012, 2015; Holmes et al. 2018; Yiannoutsos et al. 2008），但丢弃了丰富的纵向协变量历史。Bakoyannis et al. (2020) 提出sieve IPW估计量但针对条件回归参数而非边际生存函数。Levis et al. (2022) 推导了双抽样下ATE的有效影响曲线和一步估计量，但限于点治疗。Frangakis et al. (2015) 和Qian et al. (2020) 提出基于数值Gateaux导数的演绎方法，但牺牲了分析可处理性。
  • 本文位置：作者将重抽样设计形式化为“两阶段设计+结局子抽样”的一个实例（作者声称“to our knowledge, the connection between resampling designs and the broader class of two-stage designs with outcome subsampling has not previously been carefully formalized”），并在此基础上提出两种新估计量：IPCW-LTMLE（纵向扩展Rose & van der Laan）和LTMLE（将Δ作为干预节点，完全避免逆加权）。同时开发交叉拟合方差估计以解决数据自适应方法导致的覆盖不足。

子线索聚类

  1. 两阶段设计的方法论：Rose & van der Laan (2011), Qiu et al. (2026), Barnatchez et al. (2025), Williamson et al. (2026), Tao et al. (2020)。这一簇关注点治疗或横截面设定下的高效估计，通常假设第二阶段抽样独立于第一阶段数据（给定权重）或可推导闭式有效影响曲线。
  2. 重抽样设计的应用与估计：Geng et al. (2012, 2013, 2015), Holmes et al. (2018), Yiannoutsos et al. (2008), An et al. (2009, 2015), Bakoyannis et al. (2020)。这一簇以HIV死亡率研究为背景，主要使用加权Kaplan-Meier或IPW方法，较少利用纵向协变量。
  3. bivariate censoring理论：van der Laan (1996), Quale et al. (2002), van der Laan & Robins (2003)。这一簇指出当存在两种删失机制（如右删失τ和第二阶段抽样Δ）时，闭式有效估计量一般不存在，且基于SRA（序贯可忽略性）的估计量在CAR（随机删失）模型下不是有效的。

这个方向在追问的核心问题

  • Q1：如何利用纵向协变量历史提高效率，超越简单逆加权估计量？
  • Q2：在bivariate censoring下，能否构造闭式估计量达到或接近半参数效率界？
  • Q3：当使用数据自适应方法估计 nuisance 参数时，如何获得可靠的方差估计和置信区间？
  • Q4：如何将两阶段设计的方法推广到纵向设定（含时变治疗、竞争风险等）？

当前主流方法（wKM）的瓶颈：丢弃Δ=0参与者的所有信息，忽略协变量历史，效率损失严重。已知bivariate censoring下无闭式有效估计量，因此现有方法要么是IPW（效率低），要么依赖强假设（如Qiu et al.的结构独立性）。

⚠️ 作者的framing

  • 作者把缺口frame成：重抽样设计是两阶段设计（结局子抽样）的一个实例，这一形式化此前未被仔细建立。因此，可以借用两阶段设计文献中的IPCW-TMLE框架，并进一步提出避免逆加权的LTMLE。作者强调“establishing it allows us to draw on the two-stage design literature to motivate and construct more efficient estimators”。
  • 被淡化或回避的竞争路线：Qiu et al. (2026) 的TMLE类被指出依赖结构独立性假设，在纵向重抽样中不成立，因此本文的方法更一般。但作者没有详细比较与Qian et al. (2020) 演绎方法的效率差异。此外，作者承认bivariate censoring下无法达到完全有效，但未量化与效率界的差距。
  • 什么明显该被引/该存在、却没出现在intro里：未见明显缺失。但可注意：本文引用了Barnatchez et al. (2025) 的预印本（arXiv:2506.21777），该工作与本文几乎同期，说明领域活跃。另外，关于纵向两阶段设计的其他工作（如Sun et al. 2025 处理缺失结局的双抽样）被引用，但未深入比较。

张力

未见明显对立引用。所有被引工作基本一致认为：逆加权效率低，利用协变量可提高效率；bivariate censoring下无闭式有效估计量。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \( T \)：死亡时间（潜在）。 - \( \tau \)：管理性删失时间（如研究结束或离开诊所），可随个体变化。 - \( W \)：基线协变量向量。 - \( L(t) \)：时变协变量在时间 \( t \) 的值（如CD4计数、就诊指示）。 - \( \bar{L}(\tau) = (L(1), \dots, L(\tau)) \)：时变协变量历史至 \( \tau \)。 - \( Y(t) = I(T > t) \)：生存指示（1=存活至 \( t \)）。 - \( \bar{Y}(\tau) = (Y(1), \dots, Y(\tau)) \)：生存过程历史至 \( \tau \)。 - \( \Delta \in \{0,1\} \)：第二阶段结局观测指示。\( \Delta = 1 \) 表示结局已知（通过临床记录或重抽样），\( \Delta = 0 \) 表示结局未知。 - \( R \)：重抽样指示（仅对失访者随机选择）。 - \( t_0 \)：目标时间点（\( t_0 \leq K \)），估计 \( P(T > t_0) \)。 - \( \Psi(t_0) = E[Y(t_0) \mid \text{干预防止删失至 } t_0, \Delta=1] \)：反事实生存概率。

模型： - 全数据 \( X = (W, \tau, \bar{L}(\tau), \bar{Y}(\tau)) \) 是一个右删失纵向生存数据结构。删失由 \( \tau \) 引起：当 \( t > \tau \) 时，\( Y(t) \) 未观测。 - 观测数据 \( O = (V, \Delta, \Delta \bar{Y}(\tau)) \)，其中 \( V = (W, \tau, \bar{L}(\tau)) \) 是第一阶段数据（对所有参与者观测）。 - 缺失机制：\( \Delta \) 由设计决定（重抽样概率已知或可估计），且 \( \Delta \) 可能依赖于 \( V \)（例如，已知存活或死亡者 \( \Delta=1 \) 是确定性的）。假设 \( Y(t_0) \perp \Delta \mid V \)（由设计保证）以及序贯可忽略性（SRA）用于删失 \( \tau \)。 - 目标参数通过g-computation公式识别：

\[\Psi(t_0) = E\left[ E\left[ \cdots E\left[ Y(t_0) \mid \bar{L}(t_0), \bar{C}(t_0)=1, \Delta=1 \right] \mid \bar{L}(t_0-1), \bar{C}(t_0-1)=1 \right] \cdots \mid L(0) \right].\]
其中 \( \bar{C}(t) \) 表示未删失指示（与 \( \tau \) 相关）。

可观测数据： - 所有参与者：\( W, \tau, \bar{L}(\tau) \)。 - 仅当 \( \Delta=1 \) 时：\( \bar{Y}(\tau) \)（即 \( Y(1), \dots, Y(\tau) \)）。 - 不可观测：\( \Delta=0 \) 的参与者的 \( \bar{Y}(\tau) \)；以及所有参与者在 \( t > \tau \) 的 \( Y(t) \)（但目标 \( t_0 \leq \tau \) 时，\( Y(t_0) \) 可能被 \( \tau \) 删失）。

第二步：最小内核

考虑最简特例：点治疗横截面设定（无纵向，无时变协变量，无删失 \( \tau \)）。此时： - 全数据 \( X = (W, Y) \)，其中 \( Y \) 是二值结局（如存活）。 - 第一阶段观测 \( V = W \)。 - 第二阶段抽样指示 \( \Delta \in \{0,1\} \)，已知抽样概率 \( \pi(W) = P(\Delta=1 \mid W) \)（由设计已知或可估计）。 - 观测数据 \( O = (W, \Delta, \Delta Y) \)。 - 目标参数 \( \Psi = E[Y] \)（边际均值）。

最小内核问题：如何利用所有参与者的 \( W \) 信息（包括 \( \Delta=0 \) 的）来更高效地估计 \( \Psi \)，而不是仅用 \( \Delta=1 \) 的子样本做逆加权？

核心思路： 1. IPCW-TMLE（Rose & van der Laan 2011）：在 \( \Delta=1 \) 的子样本上运行TMLE（估计 \( E[Y \mid W] \)），每个观测权重为 \( 1/\pi(W) \)。即使 \( \pi \) 已知，估计 \( \pi \) 可以降低方差，因为估计利用了所有 \( W \) 信息（包括 \( \Delta=0 \) 的）来更精确地估计 \( \pi \)。进一步，targeting \( \pi \) 可以强制影响曲线均值为零，获得额外效率增益。 2. 避免逆加权的LTMLE（本文核心创新）：将 \( \Delta \) 视为一个干预节点。定义反事实 \( Y^{\Delta=1} \)（即如果所有人都被观测到结局时的 \( Y \)）。识别公式为 \( \Psi = E[ E[Y \mid W, \Delta=1] ] \)。这可以通过两步实现：① 在 \( \Delta=1 \) 的子样本上回归 \( Y \) 对 \( W \)；② 对所有参与者（包括 \( \Delta=0 \)）用该回归预测，然后取平均。这完全避免了逆加权，且利用了所有 \( W \) 信息。在纵向设定中，类似地，将 \( \Delta \) 作为最后一个干预节点纳入序贯回归。

为什么这个最小内核抓住了论文本质：论文的纵向LTMLE正是这个思路的推广——将 \( \Delta \) 作为干预节点，与删失 \( \tau \) 一起处理，通过序贯回归实现plug-in估计。IPCW-LTMLE则是逆加权版本的纵向推广。模拟显示，避免逆加权的LTMLE方差最低。

三、这篇论文做了什么

三句话

  1. 研究问题：在纵向两阶段设计（结局子抽样）中，如何高效估计因果生存参数（如反事实生存概率），以HIV死亡率重抽样设计为动机。
  2. 核心工具：① IPCW-LTMLE：将Rose & van der Laan (2011) 的点治疗IPCW-TMLE扩展到纵向，并实现targeting已知抽样权重以降低方差；② LTMLE：将第二阶段抽样指示 \( \Delta \) 作为干预节点纳入序贯回归，完全避免逆概率加权，实现plug-in估计。
  3. 主要结论：模拟显示LTMLE相比加权Kaplan-Meier方差降低可达73%（常见设置30-50%），IPCW-LTMLE稳定降低20-35%；交叉拟合方差估计对有效推断至关重要（非交叉拟合覆盖低至76%，交叉拟合恢复名义水平）。

关键设定与假设

  • 全数据：\( X = (W, \tau, \bar{L}(\tau), \bar{Y}(\tau)) \)，右删失纵向生存数据。
  • 观测数据：\( O = (V, \Delta, \Delta \bar{Y}(\tau)) \)，其中 \( V = (W, \tau, \bar{L}(\tau)) \)。
  • 识别假设：
  • 序贯可忽略性（SRA）用于删失机制：\( Y(t_0) \perp C(t) \mid \bar{Y}(t-1), \bar{L}(t-1), \bar{C}(t-1)=1 \)（作者承认SRA比CAR更强，但便于估计）。
  • \( \Delta \) 的随机化：\( Y(t_0) \perp \Delta \mid V \)（由设计保证，可依赖于 \( V \)）。
  • 正性：\( P(\Delta=1 \mid V) > 0 \) a.s.，且删失概率有界。
  • 相比已有文献的放宽/强化：
  • 放宽了Qiu et al. (2026) 的结构独立性假设（该假设要求第二阶段信息独立于第一阶段数据，在纵向重抽样中因 \( \tau \) 直接决定数据量而被违反）。
  • 但强化了SRA假设（相比CAR），因此IPCW-LTMLE在bivariate censoring下不是半参数有效的（作者明确承认）。
  • 特殊处理：确定性信息（已知存活或死亡）被排除出回归拟合，但保留在预测中，以稳定估计。

主要结果

  • 模拟设计：纵向数据 \( t=1,\dots,10 \)，样本量 \( N \in \{500,1000,3000\} \)，基线协变量 \( W_1,W_2,W_3 \)，时变CD4，死亡报告概率0.2，重抽样概率0.2。目标 \( \Psi(t_0) = P(T > t_0) \)。
  • 效率比较（以 \( N=1000, t=1 \) 为例）：
  • LTMLE方差 \( 5.0 \times 10^{-5} \)，wKM（已知权重）方差 \( 9.9 \times 10^{-5} \)（降低49%）。
  • IPCW-LTMLE（targeted）方差 \( 6.8 \times 10^{-5} \)，wKM（已知权重）方差 \( 9.9 \times 10^{-5} \)（降低31%）。
  • 加权KM（估计权重）方差 \( 9.8 \times 10^{-5} \)，接近已知权重。
  • IPCW-LTMLE中权重估计的影响（图1，\( N=1000 \)）：已知权重方差约 \( 1.0 \times 10^{-4} \)（t=1），估计权重方差约 \( 9.9 \times 10^{-5} \)，targeted权重方差约 \( 6.8 \times 10^{-5} \)（降低36%）。
  • 覆盖性能：
  • 非交叉拟合方差估计：IPCW-LTMLE覆盖低至76.2%（\( N=500, t=1 \)），LTMLE低至86.8%（\( N=500, t=10 \)）。
  • 交叉拟合方差估计：所有TMLE方法覆盖恢复至92-97%（接近名义95%）。
  • 在 \( N=500, t=1 \) 时，LTMLE的oracle覆盖（用模拟方差）低于名义（约90%），表明点估计本身有偏；但交叉拟合方差估计偏保守，导致实际覆盖约98%。
  • 总体层次：LTMLE方差最低，Hazard TMLE次之，IPCW-LTMLE第三，wKM最差。但wKM（估计权重）在后期时间点（t=10）有时超过TMLE，因为避免了稀疏结局回归。

证明路线与技术技巧

本文没有提供渐近理论证明（如一致性、渐近正态性、效率界），而是完全依赖模拟验证。因此“证明路线”实为方法构造和模拟设计。

整体路线（方法构造）： 1. IPCW-LTMLE： - 在 \( \Delta=1 \) 的子样本上运行标准LTMLE（处理删失 \( \tau \)），权重为 \( \Delta / \hat{\Pi}_\Delta \)。 - 初始估计 \( \hat{\Pi}_\Delta \)（用Super Learner）。 - 估计全数据影响曲线 \( \hat{D}^F \)。 - 估计投影 \( E[\hat{D}^F \mid V, \Delta=1] \)。 - 构造clever covariate \( H = \hat{E}[\hat{D}^F \mid V, \Delta=1] / \hat{\Pi}_\Delta \)。 - 用逻辑回归更新 \( \hat{\Pi}_\Delta \)（offset logit(\( \hat{\Pi}_\Delta \)) + \( \epsilon H \)），使影响曲线均值为零。 - 迭代至收敛。 2. LTMLE（避免逆加权）： - 将观测数据写为纵向形式，\( \Delta \) 作为最后一个干预节点（在 \( Y(t_0) \) 之前）。 - 移除中间 \( Y(t) \) 节点，只保留终端 \( Y(t_0) \)。 - 从 \( t=K \) 向后序贯回归：在每一步，在遵循干预（\( \bar{C}(t)=1, \Delta=1 \)）且非确定性的子样本上回归当前伪结局对历史，然后对所有参与者预测。 - 处理确定性信息：已知存活者 \( Y=1 \)，已知死者 \( Y=0 \)，不参与回归但保留预测。 - 最终估计为基线回归预测的均值。 3. 交叉拟合方差估计： - 保留全数据点估计，仅对方差估计进行样本分割。 - 对每折，在训练集上拟合序贯回归（不targeting），在验证集上计算影响曲线贡献。 - 对IPCW-LTMLE，还需交叉拟合投影项。 - 当数据稀疏时回退到GLM。

关键跳跃点： - 将 \( \Delta \) 作为干预节点需要重新定义数据顺序，移除中间 \( Y(t) \) 节点，这改变了标准LTMLE的节点结构。作者论证了这是合理的，因为结局确定发生在第二阶段之后。 - 处理确定性信息：标准LTMLE软件无法自动处理，作者编写了自定义代码，允许时变Super Learner库，并在稀疏时回退到非交叉验证的lasso。 - 交叉拟合方差估计的设计：点估计用全数据（避免小样本不稳定），方差估计用交叉拟合（纠正过拟合导致的低估）。作者强调这是“hybrid approach”。

技术技巧点名： - Super Learner：用于估计所有nuisance参数（序贯回归、抽样概率、投影项）。 - Targeting：通过clever covariate和逻辑回归更新抽样概率，使影响曲线方程成立。 - Cross-fitting：用于方差估计，避免Donsker类条件。 - Fallback策略：当Super Learner在稀疏数据中失败时，回退到GLM或非交叉验证lasso。

真实例子与应用

本文没有使用真实数据，所有结果来自模拟。模拟数据生成过程（DGP）模拟了HIV死亡率研究：10个时间点，基线协变量（3个二值），时变CD4（自回归+噪声），死亡概率依赖基线、就诊史和CD4，死亡报告概率0.2，管理性删失时间 \( \tau \in \{5,7,9,10\} \)，重抽样概率0.2。该DGP旨在复现真实研究的特征（高失访率、确定性信息、稀疏事件）。模拟结果用于验证方法相对于wKM的效率增益和交叉拟合方差估计的必要性。

🔎 结论是否比证明窄

  • 作者声称“highly efficient closed-form alternatives”，但没有证明达到任何效率界。他们明确承认bivariate censoring下闭式有效估计量不存在（引用van der Laan 1996; Quale et al. 2002），因此“highly efficient”是基于模拟比较，而非理论保证。
  • 作者在Discussion中写道：“fully efficient closed-form estimators do not exist in general... The estimators proposed in this paper are therefore best understood as highly efficient closed-form alternatives”。这是诚实的限定。
  • 模拟中LTMLE在 \( N=500, t=1 \) 时oracle覆盖低于名义，表明点估计本身有偏（可能由于稀疏性和确定性信息），但作者未深入分析该偏差来源。
  • 交叉拟合方差估计的渐近性质未证明，仅通过模拟展示覆盖恢复。

四、开放问题

  1. 完全有效估计量的构造：在bivariate censoring下，能否构造达到半参数效率界的闭式估计量？作者提到“future work might include attempting to construct a fully efficient estimator in this setting – if for no other reason than to assess how much efficiency is lost by using such closed-form estimators”（Discussion）。扎根于论文第28页：“fully efficient closed-form estimators do not exist in general”。

  2. 第二阶段数据收集失败的处理：当选定重抽样但实际未能获取结局时（如参与者拒绝），如何处理？作者明确说“we did not address how to proceed with estimation when second-stage data collection is attempted but fails for a given subset of participants; we leave this important consideration for future work”（Discussion）。

  3. 时变治疗的扩展：本文仅考虑删失和抽样，未包含时变治疗。作者说“extension to settings with time-varying treatment is the subject of ongoing work”（Section 2.1）。扎根于第5页：“While the framework can additionally handle treatments \( A(t) \), we restrict attention here to censoring and sampling mechanisms”。

  4. 交叉拟合方差估计在稀疏数据下的理论性质：当回退到GLM时，交叉拟合方差估计是否仍保持一致性？作者仅通过模拟验证，未提供理论分析。可进一步研究在稀疏确定性信息下的渐近行为。

（注意：以上开放问题均扎根于论文具体语句，不替研究者判断可行性。）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论