跳转至

Retrospective Causal Attribution under Case-Control Sampling

作者: Zijian Sui, Hong Zhang, Jinfeng Xu, Min Zeng
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2609.07721

一、领域脉络与小综述

这个方向是什么

本文所处的子方向是因果归因（causal attribution），其核心问题是回答"某个体在暴露下发生了结局，这个结局在多大程度上是由暴露造成的"。与更常见的平均因果效应（ATE）不同，归因问题关注的是个体层面的反事实概率，其中最核心的度量是必要性概率（Probability of Necessity, PN）：给定一个暴露且发生结局的个体，若其未暴露，结局不发生的概率。PN 在法医学、职业病赔偿、疫苗不良反应归因等场景中有直接应用。该方向的成熟度处于"识别理论已基本清晰、但特定抽样设计下的有效推断仍是开放问题"的阶段——随机抽样下的 PN 识别与估计已有较完整的结果，但病例对照（case-control）抽样这一在流行病学中极为常见的回顾性设计，其下的 PN 识别与有效估计直到本文才被系统处理。

发展脉络

  • 奠基工作：反事实框架与 PN 的语义定义。Pearl (1999) 与 Tian and Pearl (2000) 建立了概率归因的结构性语义框架，给出了 PN 的形式定义，并证明了在单调性（monotonicity）假设下，PN 可由暴露与结局的联合分布识别。Tian and Pearl (2000) 还给出了无单调性时 PN 的界。这一阶段确立了"PN 是反事实量、需要额外假设才能识别"的基本认识。
  • 主要进展：协变量辅助的识别与界。Kuroki and Cai (2011) 将协变量信息引入 PN 的识别，证明了在条件交换性（conditional exchangeability）下，利用协变量可以收紧甚至点识别 PN。这一工作将 PN 从"无协变量的简单情形"推进到"有观测混杂的实用情形"，为后续基于回归或加权的方法奠定了基础。
  • 当前 frontier：特定抽样设计下的推断。近年来，注意力转向结果依赖抽样（outcome-dependent sampling）下的因果推断。Gabriel et al. (2022) 在病例对照抽样下推导了因果风险差的非参数界，但未处理 PN 这一反事实量；Jun and Lee (2024) 研究了病例对照和病例-总体抽样下的因果相对风险与归因风险，但主要关注识别而非效率。与此同时，van der Laan (2008) 展示了在已知总体患病率时，病例对照数据可以用于估计总体风险。本文的位置：Sui et al. 将 PN 的识别与有效估计推进到病例对照抽样下，填补了"PN + 回顾性抽样 + 非参数效率"这一交叉空白。与 Shingaki et al. (2026)（用代理变量识别病例对照下的归因概率）不同，本文走的是已知总体患病率 + 单调性的路线。

子线索聚类

  1. PN 的识别与界（无抽样偏差）：Pearl (1999)、Tian and Pearl (2000)、Kuroki and Cai (2011)。这一簇在随机抽样或已知总体分布下研究 PN 的可识别条件与界，核心工具是反事实逻辑与单调性假设。
  2. 病例对照抽样下的因果推断：Prentice and Pyke (1979)（逻辑回归下 OR 的可估计性）、van der Laan (2008)（已知患病率时病例对照数据的校准）、Gabriel et al. (2022)（风险差的界）、Jun and Lee (2024)（相对/归因风险的界）。这一簇关注抽样机制带来的选择性偏差，核心问题是"哪些量在回顾性抽样下仍可识别、如何校正"。
  3. 归因概率的近期推断方法：Tian and Wu (2025)（随机抽样下 PN/PS 的有效估计）、Zhang et al. (2026)（随机化实验下无单调性的界与推断）、Shingaki et al. (2026)（病例对照下用代理变量识别）。这一簇是本文的直接竞争/互补文献，核心是效率理论与非光滑泛函的推断。

这个方向在追问的核心问题

  1. PN 在给定数据生成机制和抽样设计下是否可识别？ 需要什么额外信息（如总体患病率）或假设（如单调性）？
  2. 在可识别的前提下，如何构造渐近有效估计量？ 即达到半参数效率界，且对 nuisance 的估计误差稳健（double robustness / cross-fitting）。
  3. 当识别条件不满足时（如无单调性、无患病率信息），能得到什么样的界？ 界是否尖锐、如何做推断？
  4. 近似策略的代价：当精确识别需要难以获取的外部信息时，基于近似（如罕见结局假设）的估计量误差有多大、何时可用？

已知瓶颈：PN 是反事实量，其识别严重依赖单调性等不可检验假设；病例对照抽样下，暴露-结局联合分布被抽样机制扭曲，需要外部信息（患病率）或额外假设才能恢复；PN 作为非光滑泛函（涉及指示函数），其推断对 nuisance 估计误差敏感，标准 bootstrap 可能失效。

⚠️ 作者的 framing（这是作者的说法）

作者将缺口 frame 为："病例对照研究是研究罕见疾病病因的标准设计，但现有 PN 的识别与估计理论几乎全部假设随机抽样。我们证明，在已知总体患病率时，PN 在病例对照数据下可被精确识别；在无患病率信息时，若结局罕见，存在一个无需外部信息的近似公式，且误差为 O(p₀)。" 作者淡化的竞争路线包括：(1) Shingaki et al. (2026) 的代理变量方法——作者未讨论其与自身方法的相对优劣，仅作为"另一条路线"提及；(2) 无单调性时的界——作者仅给出 θ_E 作为下界，未与 Gabriel et al. (2022) 或 Jun and Lee (2024) 的界做比较。值得去查的问题：为什么作者不讨论在无单调性时 θ_E 是否就是尖锐下界？与 Gabriel et al. (2022) 的界相比如何？另外，作者对"已知患病率"这一假设的合理性讨论较少——在真实流行病学研究中，患病率通常来自独立的监测系统，其估计误差如何传播到 PN 估计？

张力

未见明显对立引用。但存在一个微妙的张力：Prentice and Pyke (1979) 表明病例对照数据可以"当作前瞻性数据"来估计 OR，而本文表明 PN 的识别必须依赖外部患病率或罕见结局近似——这说明"病例对照数据能支持哪些推断"在不同参数（OR vs. PN）上有本质差异。这一张力值得注意，因为它暗示病例对照设计的"信息量"是参数依赖的。

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

设目标总体为 P，其中每个个体有：

  • 暴露 X ∈ {0,1}（二元）
  • 结局 Y ∈ {0,1}（二元）
  • 协变量 Z（向量，可包含离散与连续分量）
  • 潜在结局 Y⁰, Y¹：分别表示在暴露 X=0 和 X=1 下的结局

目标量（estimand）：必要性概率

\[PN = P(Y^0 = 0 \mid X=1, Y=1)\]
即：在"暴露且发生结局"的个体中，若未暴露则结局不发生的概率。

抽样机制：病例对照抽样。从总体中独立抽取 n₁ 个病例（Y=1）和 n₀ 个对照（Y=0），观测每个被抽中个体的 (X, Z)。记观测分布为 Q，满足

\[Q(X,Z \mid Y=y) = P(X,Z \mid Y=y), \quad y \in \{0,1\}\]
即抽样只依赖 Y，不依赖 (X,Z)。记 h₀ = Q(Y=1) = n₁/n 为样本中病例比例（由设计决定），p₀ = P(Y=1) 为总体患病率（外部已知或需估计）。

关键参数： - π(x|y,z) := Q(X=x | Y=y, Z=z) —— 病例/对照中暴露的条件概率（可由数据估计） - m(z) := Q(Y=1 | Z=z) —— 病例对照样本中结局的条件概率（不是总体风险，受抽样扭曲） - η := P(X=1 | Y=1) = Q(X=1 | Y=1) —— 病例中暴露比例

可观测数据：从 Q 中 i.i.d. 抽取的 n 个样本 { (Yᵢ, Xᵢ, Zᵢ) }，其中 Y=1 的样本数为 n₁，Y=0 的样本数为 n₀。注意：总体患病率 p₀ 不在观测数据中，必须外部提供（精确识别情形）或通过近似规避（罕见结局情形）。

第二步：最小内核

核心困难：PN 是反事实量，涉及 Y⁰ 的分布。在病例对照抽样下，我们观测到的联合分布 Q(X,Z|Y) 与总体 P(X,Z|Y) 一致（因为抽样只依赖 Y），但总体中 Y 的边缘分布 p₀ 是未知的。没有 p₀，就无法从 Q 恢复总体联合分布 P(X,Y,Z)，从而无法计算 P(Y⁰=0 | X=1, Y=1)。

最小内核（最简情形）：假设 Z 为空（无协变量），X, Y 均为二元。此时观测数据简化为一个 2×2 列联表（病例组和对照组中暴露的计数），外加外部已知的 p₀。

识别逻辑（为什么 p₀ 够用）： 1. 由贝叶斯公式，总体中 P(X=1, Y=1) = P(Y=1) · P(X=1|Y=1) = p₀ · η，其中 η = Q(X=1|Y=1) 可由病例组直接估计。 2. 在单调性（Y¹ ≥ Y⁰）下，PN 可化简为（Tian and Pearl, 2000）：

\[PN = \frac{P(X=1, Y=1) - P(X=1, Y^0=1)}{P(X=1, Y=1)}\]
其中 P(X=1, Y⁰=1) 在条件交换性（Y⁰ ⊥ X | Z）下等于 P(X=1) · P(Y⁰=1 | X=0) = P(X=1) · P(Y=1 | X=0)。而 P(Y=1|X=0) 可由总体联合分布算出，需要 p₀。 3. 因此，p₀ 是识别 PN 的关键外部信息。有了 p₀，θ_E 就是 PN 的精确函数。

罕见结局近似（为什么 p₀ 可以不要）：当 p₀ → 0 时，总体中 P(Y=1|X=0) 也趋于 0，此时 θ_A 与 θ_E 的差为 O(p₀)。直观上，如果结局极罕见，那么"未暴露且发生结局"的个体在总体中几乎不存在，此时 PN 主要由暴露组中的结局发生率决定，而后者可由病例对照数据近似（因为病例组中暴露比例 η 是可估计的）。这就是本文的核心洞察：在罕见结局下，PN 的识别可以不依赖外部患病率，代价是引入 O(p₀) 的渐近偏差。

为什么这个内核是"最小"的：去掉 Z、去掉单调性、去掉一般抽样权重，剩下的就是"一个 2×2 表 + 一个外部常数 p₀"的识别问题。本文的全部技术工作（EIF、交叉拟合、效率界）都是在这个内核上"加壳"：加入协变量 Z（需要估计 π(x|y,z) 和 m(z)）、去掉单调性（θ_E 退化为下界）、处理 nuisance 估计误差（交叉拟合 + 乘积率条件）。

三、这篇论文做了什么

三句话

  1. 研究问题：在病例对照抽样下，如何从回顾性数据中识别并有效估计必要性概率 PN（以及无单调性时的有效下界），并构造渐近正态、达到半参数效率界的估计量。
  2. 核心方法：在已知总体患病率 p₀ 时，推导 PN 的精确识别公式 θ_E（定理 1）；在无 p₀ 时，提出罕见结局近似 θ_A，证明 |θ_A − θ_E| = O(p₀)（定理 2）；基于两者的有效影响函数（EIF）构造交叉拟合估计量，证明其渐近正态且达到半参数效率界（定理 4）。
  3. 主要结论：θ_E 在单调性下精确识别 PN，无单调性时是有效下界；θ_A 在罕见结局下是 θ_E 的 O(p₀) 近似且无需外部信息；模拟显示两种估计量在有限样本下偏差小、覆盖率高，GEMS 数据应用显示 Rotavirus 的 PN 显著高于 Cryptosporidium。

关键设定与假设

  • 假设 1（一致性）：Y = Y^X。标准假设，连接观测结局与潜在结局。
  • 假设 2（条件交换性）：(Y⁰, Y¹) ⊥ X | Z。即在给定协变量下，暴露分配与潜在结局独立。这是无未测量混杂的假设，比随机抽样下的无混杂更强（因为还要求 Z 捕捉所有混杂）。
  • 假设 3（积极性）：0 < P(X=x|Z) < 1 a.s.。保证每个协变量层内都有暴露和未暴露个体。
  • 假设 4（单调性）：Y¹ ≥ Y⁰ a.s.。排除"暴露反而预防结局"的个体（defier）。这是 PN 点识别的关键假设；去掉后 θ_E 退化为下界。
  • 假设 5（病例对照抽样）：抽样只依赖 Y，且 P(S=1|Y=y) > 0。这是病例对照设计的定义性假设，保证 Q(X,Z|Y=y) = P(X,Z|Y=y)。
  • 条件 1（乘积率条件）：∥d̂−d∥₂·∥q̂−q∥₂ = oₚ(n^{-1/2})（对 θ_E），以及类似的三项乘积率条件（对 θ_A）。这是交叉拟合估计量达到效率界的标准条件，允许 nuisance 以慢于 n^{-1/4} 的速率收敛，只要乘积足够快。

相比已有文献的定位：相比 Tian and Wu (2025)（随机抽样下的 PN 有效估计），本文处理了病例对照抽样的选择性偏差；相比 Gabriel et al. (2022) 和 Jun and Lee (2024)（病例对照下的界），本文给出了点识别和有效估计；相比 Shingaki et al. (2026)（用代理变量），本文走的是"已知患病率 + 单调性"的更简洁路线。

主要结果

定理 1（识别）：在假设 1–3、5 下，对任意 x ∈ {0,1}，

\[P(Y^x = 1) = E_P\left[ \frac{r(Z, p_0) \pi(x|1,Z)}{\pi(x|0,Z) + r(Z,p_0)\{\pi(x|1,Z) - \pi(x|0,Z)\}} \right]\]
其中 r(Z,p) 是 p₀、h₀ 和 Z 的已知函数。特别地，µ₀ = P(Y⁰=1) 由此式取 x=0 得到，进而 θ_E = (p₀ − µ₀)/(p₀η) 在单调性下等于 PN，无单调性时是 PN 的下界。

定理 2（近似率）：在一致正则条件下，θ_A − θ_E = O(p₀) 当 p₀ → 0。这意味着罕见结局下，无需 p₀ 的 θ_A 与精确值 θ_E 的偏差随患病率线性消失。

定理 4（效率）：在假设 1–3、5 和条件 1 下，交叉拟合估计量 θ̂_E 和 θ̂_A 满足

\[\sqrt{n}(\hat{\theta}_j - \theta_j) \xrightarrow{d} N(0, \sigma_j^2), \quad \sigma_j^2 = E_Q\{D_j(O;\nu)^2\}, \quad j \in \{E, A\},\]
且 σ_j² 是半参数效率界。方差可由 EIF 的样本二阶矩一致估计，从而构造 Wald 置信区间。

技术难点与解法： - 难点 1：病例对照抽样下 nuisance 的识别。m(z) = Q(Y=1|Z=z) 不是总体风险，直接回归会得到扭曲的估计。解法：用加权（IPSW）校正，权重 w(Y) 由 p₀ 和 h₀ 决定（公式 2.2），将 Q 下的期望转化为 P 下的期望。 - 难点 2：EIF 的推导。θ_E 和 θ_A 都是 nuisance（π, m）的复杂泛函，且 θ_E 涉及 p₀ 在分母。解法：采用 Gateaux 导数技术，在非参数模型中对泛函求导，得到显式 EIF（定理 3），并验证 E_Q{D_j|Y=y}=0 以保证交叉拟合的有效性。 - 难点 3：非光滑性。PN 的定义涉及指示函数 I(Y⁰=0)，但 θ_E 和 θ_A 的表达式是光滑的（因为单调性下 PN 可写成风险的比值），这避免了非光滑泛函的推断困难。这是本文选择单调性假设的重要技术动机。

真实例子与应用

GEMS 数据（Kotloff et al., 2012, 2013）：10,266 名非洲儿童（4,266 例中重度腹泻病例，6,000 名对照），关注 Cryptosporidium 和 Rotavirus 感染对腹泻的归因概率。设定 p₀ = 0.08（外部文献值）。结果： - θ̂_E (Cryptosporidium) = 0.409 (95% CI: 0.331, 0.488)，θ̂_A = 0.462 (95% CI: 0.331, 0.488 附近) - θ̂_E (Rotavirus) = 0.739 (95% CI: 0.707, 0.771)，θ̂_A = 0.821 (95% CI: 0.785, 0.857) - 结论：Rotavirus 感染对腹泻的归因概率显著高于 Cryptosporidium；θ_A 与 θ_E 的差异在 p₀ = 0.08 时约为 0.05–0.08，与 O(p₀) 的理论预测一致。

模拟设计：生成含非线性交互的总体（Z₁ 伯努利、Z₂ 正态、暴露概率由 logit 决定、结局由潜在结局类型决定），从总体中抽取 2,000 病例 + 2,000 对照，p₀ ∈ {0.001, 0.01, 0.04, 0.07, 0.10}，300 次重复。结果显示：两种估计量偏差小（< 0.01），ESE 略大于 SSD（置信区间轻微保守），CP 在 0.943–0.970 之间，符合理论预期。

🔎 结论是否比证明窄

  • 明确窄的地方：定理 1 的识别公式要求已知 p₀，但实际应用中 p₀ 通常来自独立监测系统，存在估计误差。作者在 Remark 2 中仅说"当 f 估计精确时影响可忽略"，但未给出 p₀ 估计误差对 θ̂_E 的正式影响分析（如一阶展开）。这是一个证明窄于 claim 的地方。
  • 定理 2 的近似率：O(p₀) 的证明依赖"一致正则条件"（在补充材料中），但正文未明确这些条件的直观含义。读者无法判断真实数据中这些条件是否合理。
  • 无单调性时的下界：作者声称 θ_E 是有效下界，但未证明其尖锐性（sharpness），也未与 Gabriel et al. (2022) 的界做比较。这是一个"声称但未证明"的点。
  • 交叉拟合的有限样本表现：模拟中 ESE 系统性大于 SSD，说明方差估计偏保守，但作者未讨论这是否源于交叉拟合的有限样本偏差。

四、开放问题

  1. p₀ 不确定性的传播（扎根于 Remark 2）：当 p₀ 需要从外部数据估计时，θ̂_E 的渐近方差如何修正？是否存在对 p₀ 估计误差稳健的估计量？——可考虑用 delta method 将 p₀ 的估计方差纳入，或构造对 p₀ 局部误设稳健的估计量。

  2. 无单调性时的尖锐界（扎根于定理 1(b) 和讨论部分）：θ_E 作为下界是否尖锐？在病例对照抽样下，无单调性时 PN 的识别区间是否比随机抽样下更宽？——可考虑将 Zhang et al. (2026) 的随机实验界推广到病例对照设计。

  3. 罕见结局近似的实用判据（扎根于定理 2）：O(p₀) 的误差界中的常数是否可显式表达？实际应用中 p₀ 多大时 θ_A 不再可靠？——可推导误差界的显式形式，或给出基于数据的诊断方法。

  4. 多暴露或竞争风险下的归因（扎根于 GEMS 应用中"不纳入其他病原体"的处理）：当多个暴露可能共同导致结局时，PN 的定义和识别如何推广？病例对照抽样下竞争风险是否改变识别公式？——可考虑将本文框架扩展到多暴露设定，或引入竞争风险模型。

  5. 纵向病例对照设计（扎根于讨论部分未展开处）：当暴露和结局都在纵向随访中观测时，病例对照抽样的选择机制更复杂，PN 的识别是否仍成立？——可考虑将本文的识别策略与纵向因果推断方法结合。

给研究者的提醒：若要确认上述某条是否为真 gap，建议去读 Shingaki et al. (2026)、Zhang et al. (2026) 以及 Gabriel et al. (2022) 的近期引用文献（约 5 篇）的引言部分——如果多篇都指向同一个未解决问题，那大概率是共识性 gap；如果各篇对同一问题的处理方式互相矛盾，那可能是更值得挖掘的机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论