跳转至

The positivity assumption in causal mediation analyses? Checked!

作者: Arthur Chatton, Genevi`eve Lefebvre, Mireille E. Schnitzer, Denis Talbot
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2607.25072

一、领域脉络与小综述

这个方向是什么

因果推断中的 positivity 假设（也称 overlap 或 experimental treatment assignment 假设）要求：在每一个协变量组合下，暴露（treatment）的每个取值都有非零概率被观察到。在标准无中介的暴露效应分析中，positivity 是识别平均因果效应的三个核心假设之一（与 consistency、exchangeability 并列）。在中介分析中，positivity 更加复杂：它同时涉及暴露和中介变量，且具体形式因 estimand（controlled direct effect、natural effect、interventional effect）而异。尽管已有大量工作形式化了这些假设（Nguyen et al., 2022），但实际数据中如何系统性地检测 positivity 违反，尤其是中介分析中的违反，长期缺乏实用工具。本文正是填补这一缺口：将原本用于总效应的 PoRT 算法（Danelian et al., 2023）扩展到中介分析，提出 dePoRT。

发展脉络（history）

  1. 奠基工作：positivity 假设的概念化与后果
  2. Petersen et al. (2012) 系统讨论了 positivity 违反的两种类型：结构性（structural，因目标人群定义问题，无法用统计方法修复）和随机性（random，因样本波动，可通过外推或截断缓解）。他们提出用参数 bootstrap 评估违反的严重性，并回顾了多种应对策略（限制协变量集、改变目标参数等）。本文引用其分类，并指出结构性违反只能通过重新定义 estimand 解决。
  3. D'Amour et al. (2021) 从信息论角度推导了高维协变量下 strict overlap 对协变量均值平衡的限制，给出了一个经验性阈值（即 Gruber 界 β = 5/(√n·ln(n))），本文直接采用该阈值作为 PoRT 的 flagging 超参数。

  4. Moore et al. (2012) 和 Lendle et al. (2013) 等通过模拟和实证展示了 positivity 违反会导致多种估计量（IPTW、TMLE 等）产生偏倚，强调了诊断的必要性。

  5. 中介分析中 positivity 假设的形式化

  6. Nguyen et al. (2022) 在《Journal of Causal Inference》上发表了关键论文，系统阐述了中介分析中五种潜在结果类型所需的识别假设，并明确给出了不同 estimand（CDE、natural、interventional）对应的 positivity 条件。本文直接引用其形式化结果，并以此为基础设计 dePoRT 的检查逻辑。
  7. Imai et al. (2010) 和 Pearl (2001) 是自然效应识别的经典工作，本文引用它们来定义自然效应及其 mediation formula。

  8. VanderWeele & Vansteelandt (2014) 提出了 interventional effects 作为存在暴露诱导的中介-结果混杂时的替代方案，本文将其纳入 dePoRT 的覆盖范围。

  9. positivity 诊断工具的发展

  10. Coffman & Zhong (2012) 建议通过估计暴露和中介的 propensity score 来间接检查 positivity：极端倾向分提示违反。但本文指出，倾向分依赖于模型设定，且无法定位具体违反子群。
  11. Danelian et al. (2023) 提出了 PoRT（Positivity Regression Trees） 算法，用于总效应设定下的 in-sample positivity 诊断。该算法不依赖参数模型，通过回归树自动识别协变量空间中暴露概率低于阈值的子群，并输出可解释的规则。本文的核心贡献就是将 PoRT 扩展到中介分析，形成 dePoRT。

  12. 本文还引用了 Gruber et al. (2022) 提出的 MSE-optimal 截断阈值，作为 PoRT 中 β 的默认选择。

  13. 本文的位置
    作者在引言中明确写道：“Even if no studies investigated lack of positivity in mediation analysis, several studies demonstrated that several estimators of the total effect are biased when positivity is lacking… Despite these critical developments, a gap remains: How can these positivity assumptions be verified in practice?” 本文正是填补这一 gap：将 PoRT 从总效应推广到三种常见的中介 estimand（CDE、natural、interventional），并给出具体算法和 R 实现。

子线索聚类

  • 线索 A：positivity 违反的理论与后果（Petersen 2012, D'Amour 2021, Moore 2012, Lendle 2013, Léger 2022）—— 讨论违反的类型、对估计的影响、以及应对策略（截断、外推、改变 estimand）。
  • 线索 B：中介分析中识别假设的形式化（Nguyen 2022, Imai 2010, Pearl 2001, VanderWeele & Vansteelandt 2014, Moreno-Betancur & Carlin 2018）—— 定义不同 estimand 所需的 exchangeability、consistency、positivity 条件。
  • 线索 C：基于树的诊断方法（Danelian 2023, Strobl 2009, Breiman 1984）—— 利用回归/分类树的可解释性来检测协变量空间中的稀疏区域。本文属于此线索的扩展。

这个方向在追问的核心问题

  1. 如何在实际数据中系统性地检测中介分析中的 positivity 违反？ 现有方法（如检查倾向分）依赖模型且无法定位具体子群。
  2. 不同中介 estimand（CDE、natural、interventional）的 positivity 条件有何差异，如何针对性地设计诊断？ 例如，natural effects 涉及 cross-world 条件，需要检查中介分布在两个暴露组之间的覆盖关系。
  3. 当检测到违反时，如何区分结构性违反与随机性违反？ 只有前者需要改变 estimand，后者可通过外推或截断处理。
  4. 在高维协变量或连续暴露/中介下，如何保持诊断的可解释性和计算可行性？ 当前 PoRT 的树方法在高维下可能面临计算和过拟合问题。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）

  • 作者把缺口 frame 成：“Nguyen et al. (2022) formalized these positivity assumptions… but a gap remains: How can these positivity assumptions be verified in practice?” 因此本文是“显然的下一步”——将已有的形式化理论转化为可操作的诊断工具。
  • 被淡化或回避的竞争路线：
  • 作者承认 Coffman & Zhong (2012) 的倾向分方法，但指出其依赖模型且不能定位子群。
  • 作者在讨论部分提到了连续暴露的两种新诊断（Moodie & Schulz 2025; Ring & Schomaker 2026），但未在引言中作为主要竞争路线，而是作为未来方向。
  • 作者未深入讨论基于核密度估计或非参数密度比的方法（如 D'Amour 2021 的信息论方法），这些方法可能在高维下更理论化但可解释性差。
  • 什么明显该被引/该存在、却没出现在 intro 里？
  • 关于中介分析中 positivity 违反的实证研究：Stuart et al. (2021) 被引在讨论中（“assumptions are rarely assessed in mediation analysis”），但未在引言中展开。
  • 关于高维中介分析中 positivity 的 curse of dimensionality：D'Amour et al. (2021) 被引用于总效应，但未讨论中介设定下的类似问题。
  • 值得研究者去查：是否存在将 PoRT 与敏感性分析结合的工作？例如，当检测到违反时，如何量化违反程度对估计的影响？本文未涉及。

张力

未见明显对立引用。各被引工作基本一致认为 positivity 违反会导致偏倚，且需要诊断工具。唯一潜在张力在于 interventional effects 的因果解释性争议（Miles 2023 vs. Moreno-Betancur & Carlin 2018），但本文仅将其作为应用场景之一，未深入参与争论。

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
  • \(A\)：暴露（treatment），本文中为二值（0/1）。
  • \(M\)：中介变量（mediator），本文中可为二值或有序分类（1-4）。
  • \(Y\)：结局（outcome），本文中为二值（dating violence perpetration）。
  • \(C\)：协变量集（confounders），包括性别、年龄、父母教育等。
  • \(L\)：暴露诱导的中介-结果混杂变量（exposure-induced mediator-outcome confounder），本文中为 PTSS（连续）。
  • \(Y^{a}\)：若 \(A=a\) 时的潜在结局（总效应设定）。
  • \(Y^{a,m}\)：若 \(A=a\) 且 \(M=m\) 时的潜在结局。
  • \(Y^{a, M^{a^*}}\)：若 \(A=a\) 且中介取值为 \(A=a^*\) 时的潜在值（cross-world，用于自然效应）。
  • \(M^{a|C}\)：在给定 \(C\) 下，按 \(M^a\) 的条件分布随机抽取的中介值（用于 interventional effects）。
  • \(P(A=a|C=c)\)：暴露倾向分。
  • \(P(M=m|A=a,C=c)\)：中介倾向分（给定暴露和协变量）。
  • \(\beta\)：positivity 阈值，本文默认使用 Gruber 界 \(\beta = 5/(\sqrt{n} \cdot \ln(n))\)。
  • \(\alpha\)：最小子群大小比例（默认 1%），用于排除过小子群。

  • \(\gamma\)：树中最大协变量个数（默认 2），控制计算复杂度。

  • 模型
    本文不假设参数模型，而是采用非参数的回归树/分类树来估计条件概率。数据生成机制由有向无环图（DAG）描述（图 1）。识别依赖于标准假设：consistency、exchangeability（sequential ignorability）、positivity。对于不同 estimand，exchangeability 的具体形式不同（见附录 A）。

  • 可观测数据
    研究者实际能观测到的是：\((A_i, M_i, Y_i, C_i, L_i)\) 的 i.i.d. 样本，\(i=1,\dots,n\)。其中 \(L\) 仅在 interventional effects 设定中出现。不可观测的是潜在结局 \(Y^{a}\)、\(Y^{a,m}\)、\(Y^{a, M^{a^*}}\) 等，只能通过假设识别。

第二步：最小内核——以 Controlled Direct Effect (CDE) 为例

最简特例：假设没有 \(L\)，暴露 \(A\) 二值，中介 \(M\) 二值（高宗教参与 vs 其他），协变量 \(C\) 只有一个连续变量（如父亲教育 z-score）。目标 estimand 是 CDE(\(m=1\)) = \(E(Y^{1,1}) - E(Y^{0,1})\)。

识别公式（由附录 A 简化，无 \(L\)）：

\[E(Y^{a,m}) = \sum_c E(Y | A=a, M=m, C=c) \, P(C=c).\]
Positivity 条件（Nguyen et al., 2022）： 1. 暴露 positivity：\(P(A=a|C=c) > 0\) 对所有 \(c\) 成立。 2. 中介 positivity：\(P(M=m|A=a, C=c) > 0\) 对所有 \(c\) 成立。

dePoRT 如何检查（以中介 positivity 为例）： - 将中介 \(M\) 二值化为 \(M=1\) vs \(M\neq 1\)。 - 在子集 \(A=a\) 中，以 \(M\) 为因变量、\(C\) 为自变量，训练回归树。 - 树将 \(C\) 空间划分为若干节点（子群）。对每个节点，计算该子群中 \(M=1\) 的比例 \(\hat{p}\)。 - 若 \(\hat{p} < \beta\) 且节点大小 > \(\alpha n\)，则标记为潜在违反。 - 例如：父亲教育 z-score ∈ [-2, -0.5) 且母亲教育 z-score ∈ [-1.5, -1) 的子群中，\(M=1\) 的比例为 2%，低于阈值 2.1%，且子群有 57 人（> 1%），则判定为中介 positivity 违反。

核心思路：回归树自动学习协变量空间中的稀疏区域，无需预先指定交互或非线性形式。PoRT 通过迭代增加协变量个数（最多 \(\gamma\) 个）来捕捉高维交互，同时用 \(\alpha\) 和 \(\beta\) 控制假阳性。dePoRT 对 CDE 只需分别对暴露和中介运行 PoRT；对 natural/interventional effects 则需要额外的“reverse engineering”步骤来检查 cross-world 覆盖条件。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：如何在实际数据中系统性地检测因果中介分析中三种常见 estimand（controlled direct effect、natural effect、interventional effect）的 positivity 假设违反。
  2. 核心工具/方法：将已有的 PoRT（Positivity Regression Trees）算法扩展到中介分析，提出 dePoRT，通过回归树/分类树自动识别协变量空间中暴露或中介概率低于阈值的子群，并针对不同 estimand 设计了不同的检查流程（包括“reverse engineering”步骤处理 cross-world 条件）。
  3. 主要结论：通过一个心理健康应用实例（国际约会暴力研究数据），展示了 dePoRT 能够发现多个中介 positivity 违反的子群，并据此选择更合适的效应分解（如选择自然效应中违反较少的分解方向），从而降低估计偏倚风险。提供了 R 包 port 和 notebook 实现。

关键设定与假设

  • 数据：来自 International Dating Violence Study，\(n=6224\)，暴露 \(A\) 为童年暴力暴露（二值），中介 \(M\) 为宗教参与（有序 1-4），结局 \(Y\) 为约会暴力（二值），协变量 \(C\) 包括性别、年龄、父母教育、家庭收入等，额外有暴露诱导混杂 \(L\)（PTSS，连续）。
  • 假设：
  • 无未测量混杂（exchangeability），且所有 confounders 被准确记录。
  • 无干扰（no interference）和无选择偏倚。
  • 对于不同 estimand，exchangeability 的具体形式见附录 A（如自然效应需要 \(A \perp\!\!\!\perp Y^{a,m} | C\) 和 \(M \perp\!\!\!\perp Y^{a,m} | A=a, C\) 等）。
  • Positivity 阈值 \(\beta\) 采用 Gruber 界（数据自适应），\(\alpha=0.01\)，\(\gamma=2\)。
  • 相比已有文献的放宽/强化：
  • 放宽：不假设参数模型，不依赖数据生成过程。
  • 强化：要求暴露和中介均为离散（二值或分类）；连续变量需先离散化（建议用四分位数或专家知识）。
  • 与 Danelian et al. (2023) 的 PoRT 相比，本文扩展了中介设定，并针对多分类中介改用分类树（因 rpart 不支持多类回归树）。

主要结果

本文无理论定理，核心结果是算法描述和实证应用。主要量化结论来自真实数据例子：

  • 总效应：未发现暴露 positivity 违反。IPW 估计 OR=1.81 (95% CI 1.51-2.16)。
  • CDE（设定 \(M=4\) 高宗教参与）：发现 14 个中介 positivity 违反子群（13 个在暴露组，1 个在未暴露组）。例如，暴露组中父亲教育 z-score ∈ [-2,-0.5) 且母亲教育 z-score ∈ [-1.5,-1) 的子群（57 人）中高宗教参与概率仅 2%，低于阈值 2.1%。由于判断为随机违反，采用 g-formula 估计 OR=1.87 (95% CI 1.61-2.22)。
  • 自然效应：对 \(E(Y^{1,M^0})\) 发现 7 个中介 positivity 违反子群，而对 \(E(Y^{0,M^1})\) 未发现实际违反（通过 reverse engineering 排除）。因此选择分解 TNDE+PNIE，估计 TNDE OR=1.79 (95% CI 1.48-2.18)，PNIE OR=1.01 (95% CI 0.99-1.03)，表明宗教参与无中介作用。
  • 干预效应：对 \(E(Y^{1,M^{0|C}})\) 发现 7 个违反，对 \(E(Y^{0,M^{0|C}})\) 和 \(E(Y^{0,M^{1|C}})\) 各 1 个违反。选择基于 \(E(Y^{0,M^{1|C}})\) 的分解，估计 TIDE OR=1.83 (95% CI 1.50-2.23)，PIIE OR=0.99 (95% CI 0.98-1.01)，结论一致。

证明路线与技术技巧

本文为方法型论文，无严格数学证明。但算法设计本身包含逻辑推理：

  • 整体路线（以自然效应为例）：
  • 对暴露 \(A\) 运行 PoRT，检查暴露 positivity。
  • 对中介 \(M\) 在子集 \(A=a\) 中运行 PoRT，识别潜在违反子群 \(c'\) 和中介值 \(m\)。
  • Reverse engineering：在另一暴露组 \(A=a^*\) 中，计算同一子群 \(c'\) 下中介值 \(m\) 的 prevalence。若 prevalence < \(\beta\)，则说明该中介值在另一组中也不常见，不属于真正的违反（因为不需要在 \(c'\) 中估计该中介值下的条件期望）；若 prevalence ≥ \(\beta\)，则确认违反。
  • 暴露 positivity 检查同总效应。
  • 关键跳跃点：如何将中介 positivity 的 cross-world 条件转化为可操作的检查步骤。作者的核心技巧是：先在一个暴露组中找潜在违反，再在另一组中验证该中介值是否实际存在。这避免了直接估计跨世界概率。
  • 技术技巧点名：
  • 回归树/分类树（Breiman et al., 1984）：用于非参数地估计条件概率，并生成可解释的子群规则。
  • Gruber 界（Gruber et al., 2022）：数据自适应的阈值 \(\beta = 5/(\sqrt{n} \ln n)\)，用于平衡 bias-variance。
  • Reverse engineering：针对 natural/interventional effects 的 cross-world 条件，通过比较两个暴露组中的中介 prevalence 来确认违反。
  • 迭代树构建：PoRT 从单变量树开始，逐步增加协变量个数（最多 \(\gamma\) 个），并在每一步排除已发现违反的协变量，以控制计算量。

真实例子与应用

  • 数据：International Dating Violence Study (Straus, 2011)，\(n=6224\)，暴露为童年暴力暴露（18.9%），中介为宗教参与（4 级），结局为约会暴力，协变量包括性别、年龄、父母教育、家庭收入、父母婚姻状况，额外有 PTSS 作为暴露诱导混杂。
  • 方法应用：
  • 先检查总效应 positivity（无违反）。
  • 对 CDE，分别对暴露和中介运行 PoRT，发现 14 个中介违反子群。
  • 对自然效应，使用 reverse engineering 发现 \(E(Y^{1,M^0})\) 有 7 个违反，而 \(E(Y^{0,M^1})\) 无实际违反，因此选择后一种分解。
  • 对干预效应，类似流程发现 \(E(Y^{1,M^{0|C}})\) 违反最多，选择基于 \(E(Y^{0,M^{1|C}})\) 的分解。
  • 结果：所有效应估计均显示童年暴力暴露显著增加约会暴力风险，但宗教参与的中介效应不显著（OR 接近 1）。
  • 例子想说明什么：
  • 验证 dePoRT 能在实际数据中发现中介 positivity 违反。
  • 展示如何根据违反情况选择更合适的效应分解（自然效应中选违反少的分解）。
  • 说明即使存在随机违反，仍可通过选择适当估计量（如 g-formula）进行推断。

🔎 结论是否比证明窄

  • 本文为纯方法/应用论文，无严格证明。结论（dePoRT 能检测中介 positivity 违反）通过实例验证，但未给出理论保证（如一致性、FDR 控制）。作者在讨论中承认 dePoRT 不是 silver bullet，其性能受超参数影响，且依赖 confounder 的正确识别。
  • 作者在结论中声称“It does not rely on parametric assumptions and can be used before applying any causal estimator”，但实际中树方法仍有隐式假设（如树结构能捕捉真实违反模式），且连续变量需离散化。
  • 对于 interventional effects 的因果解释性争议，作者仅提及“currently debated”，未深入讨论。

四、开放问题

  1. 连续暴露/中介的 positivity 诊断：本文仅处理离散变量，连续情况需先离散化。作者提到 Moodie & Schulz (2025) 和 Ring & Schomaker (2026) 的新方法，但未评估其在中介分析中的适用性。扎根于：讨论部分“Continuous exposures or mediators are more challenging to deal with… we suggest checking positivity by categorizing the dependent variable into multiple classes”。
  2. 高维协变量下的计算与可解释性：PoRT 的迭代树构建在协变量个数大时计算量指数增长（\(\gamma\) 控制深度）。如何在高维下保持效率并避免过拟合？扎根于：讨论部分“Continuous confounders could also be slightly categorized into meaningful cut-offs to reduce the computational time”，但未给出系统方案。
  3. 结构性违反与随机性违反的自动区分：当前 dePoRT 仅标记违反，但区分两者依赖领域知识。能否开发数据驱动的诊断来辅助判断？扎根于：引言“Only domain knowledge allows us to differentiate them in practice”。
  4. 与其他 estimand 的扩展：作者提到 separable path-specific effects (Chen & Lin, 2025) 和 joint effects (Gervais et al., 2025a) 的 positivity 条件不同，但未给出具体 dePoRT 版本。扎根于：讨论部分“We can apply the same reasoning to check them using PoRT: derive the mediation formula, define the mediator positivity and the support of m, and finally build a specific version of dePoRT”。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论