跳转至

Reference-based sensitivity analysis for repeated count outcomes using negative binomial margins and a Gaussian copula

作者: Divan Aristo Burger, Emmanuel Lesaffre, Reynaldo Martina
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2609.31914


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临床试验中缺失数据的敏感性分析,具体聚焦于基于参考假设的受控多重插补(reference-based multiple imputation, RBMI)。其根本的统计问题是:在纵向随机对照试验中,患者因不良事件、停药等原因提前退出后,其未观测到的结局该如何假设?主分析通常假设"缺失随机"(MAR),但监管机构(如 EMA、FDA)和 ICH E9(R1) 指南要求评估结论对偏离 MAR 的敏感性。RBMI 提供了一套可操作的框架:对活性臂中触发事件后的缺失值,不沿用该臂自身的模型,而是借用参考臂(通常为安慰剂或标准治疗)的分布特征来填补,从而模拟"如果患者继续接受参考治疗会怎样"的反事实情景。该方向的核心张力在于:缺失数据的分布不可识别,任何填补规则都是识别假设,因此敏感性分析的目标不是估计一个"真值",而是刻画结论在合理假设空间内的变化范围。

发展脉络(history)

  • 奠基工作:Carpenter, Roger & Kenward (2013) [1] 提出了 reference-based 敏感性分析的框架性方法,针对连续结局,以多元正态分布为工作模型,定义了"跳转至参考(J2R)""复制参考(copy reference)"等填补规则。这是整个领域的出发点,后续几乎所有工作都在此框架下展开。
  • 主要进展(连续结局):Cro et al. (2020) [2] 将 RBMI 系统化,给出了实用的操作指南和 Stata 实现,明确了 δ-调整与 reference-based 方法的区别与联系,并讨论了 Rubin 方差估计量在敏感性分析中的行为。White et al. (2020) [4] 则从因果推断的角度为 RBMI 提供了形式化辩护,在潜在结果框架下明确了"治疗策略" estimand 与各填补规则的对应关系,指出 J2R 等价于假设停药后治疗效应完全消失。这两篇是当前 RBMI 方法论的支柱。
  • 计数结局的尝试:Keene et al. (2014) [6] 将受控填补思想推广到复发事件数据,基于负二项模型实现了 copy reference 和 J2R 的变体,并开发了 R 包 dejaVu [10]。Tang (2018) [11] 提出了更一般的序贯条件回归模型框架,支持泊松和负二项回归,通过单调数据增广算法处理非正态纵向数据。这些工作证明了计数结局下 RBMI 的可行性,但均未提供真正的联合分布模型——它们或依赖条件规格化(sequential specification),或仅针对累积事件计数而非访问特异的重复测量。
  • 当前 frontier:本文作者指出,现有方法在计数结局上的缺口是:缺乏一个同时满足以下条件的模型——(i) 保留整数支持与过度离散;(ii) 允许暴露偏移(exposure offset)从而保持率(rate)的解释;(iii) 能显式建模纵向相关;(iv) 能自然导出给定历史的条件填补分布。本文用"负二项边际 + 高斯 copula"的组合来填补这一缺口。

子线索聚类

  1. 连续结局的 RBMI 方法论([1][2][4]):以多元正态为工作模型,发展填补规则、方差估计、信息锚定(information anchoring)理论。这是最成熟的线索,已有商业软件(如 SAS)和 Stata 实现。
  2. 计数/复发事件结局的受控填补([6][7][8][9][10][11]):针对计数数据的特点(非负、离散、过度离散),发展基于负二项或泊松的填补方法。这一线索相对分散,缺乏统一的联合建模框架。
  3. copula 与离散数据的联合建模([13][14][15][16]):高斯 copula 为混合类型数据提供联合分布,但早期工作聚焦于插补(imputation)而非受控填补(controlled imputation),且未与临床试验的 estimand 框架结合。

这个方向在追问的核心问题

  1. 如何将 RBMI 的填补规则推广到非正态结局? 连续结局下的 J2R/copy reference 规则依赖于多元正态的线性均值结构,计数结局下"跳转至参考"意味着什么?是在率(rate)层面、期望计数层面、还是潜在变量层面?
  2. 如何保持"率"的可解释性? 计数结局通常有暴露偏移(如日记天数),填补必须保持率(计数/暴露)而非仅计数,否则会扭曲治疗效应的临床解释。
  3. 如何从联合模型导出条件填补分布? RBMI 的核心操作是"给定已观测历史,从参考臂的边际分布填补未来值"。这需要联合分布的条件分布,而离散数据的 copula 条件分布没有解析形式——这是本文的主要技术障碍。
  4. 填补规则与因果 estimand 的对应关系:White et al. [4] 为连续结局建立了这一对应,计数结局下是否依然成立?

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"现有 RBMI 方法主要针对连续结局;计数结局虽有零星工作,但缺乏一个在保留负二项边际(从而保留率解释)的同时显式建模纵向相关的联合模型。" 他们强调,gsDesignNB 中的现有实现([12])虽然支持负二项,但其填补机制基于随机效应预测而非联合分布的条件分布,且不适用于访问特异的重复计数。作者将本文定位为"显然的下一步":用高斯 copula 连接访问特异的负二项边际,从而同时获得 (i) 边际的率解释、(ii) 联合的纵向相关、(iii) 可计算的条件填补分布。

被淡化/回避的竞争路线:作者没有深入讨论 Tang (2018) [11] 的序贯条件回归方法——该方法理论上也能处理负二项边际,且计算上可能更简单。作者仅以"不提供联合分布"一笔带过。此外,信息锚定(information anchoring) 这一在连续结局 RBMI 中被反复强调的性质(Cro et al. [2]、Atkinson et al. [12]),在本文中仅作为讨论点提及,作者明确承认其方法不满足信息锚定,但未提出替代的方差校正方案。值得研究者去查的问题:为什么序贯条件规格化(如 Tang 的方法)不足以作为计数结局 RBMI 的通用框架?其与 copula 方法在填补分布上的实质差异是什么?

张力

未见被引工作之间存在直接矛盾。但存在一个隐含张力:White et al. [4] 的因果框架强调填补规则应反映"治疗效应在停药后如何维持"的实质科学假设,而本文的 copula 方法将填补规则简化为"边际均值在 log 尺度上的插值"(ω 参数),这可能过于机械,无法表达"效应完全消失"(J2R)与"效应按比例衰减"之间的非线性差异。这一张力未被作者明确讨论。


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

设定:随机对照试验,i = 1, …, n 名患者,随机分配到活性臂(A_i = 1)或参考臂(A_i = 0)。计划在 J 个访问时点记录计数结局。对患者 i 在访问 j:

  • Y_ij ∈ ℕ₀:观测到的计数(如失禁发作次数)。这是可观测数据的一部分。
  • e_ij > 0:暴露时间(如有效日记天数)。这是可观测数据,在边际模型中作为偏移量。
  • X_i ∈ ℝᵖ:基线协变量向量(含截距项)。可观测。
  • O_ij ∈ {0,1}:记录指示符,O_ij = 1 表示 Y_ij 被记录。可观测。
  • D_i:触发时点(第一个未记录访问的编号),由数据决定。可观测。
  • O_i = {j : O_ij = 1 且 j < D_i}:保留用于条件推断的访问集合。
  • M_i = {1, …, J} \ O_i:需要填补的访问集合,分为 M_i^pre(触发前缺失,间歇性缺失)和 M_i^post(触发后缺失)。

参数 / 待估对象:

  • 边际参数:对每个访问 j 和臂 a ∈ {0,1},有
  • η_j:参考臂在访问 j 的 log 率(当 X_i = 0 时)
  • τ_j:活性臂 vs 参考臂在访问 j 的 log 率比
  • β_j:协变量效应(log 率尺度)
  • α_j > 0:访问 j 的负二项过度离散参数
  • 依赖参数:ρ ∈ (-1, 1),高斯 copula 的 AR(1) 相关系数(相邻访问间的潜在相关)。
  • 敏感性参数:ω = (ω₁, …, ω_J)ᵀ,ω_j ∈ [0,1],控制活性臂在触发后保留多少治疗效应。

模型(数据生成机制):

  1. 边际:对臂 a、访问 j、协变量 X_i、暴露 e_ij, Y_ij | A_i = a, X_i, e_ij ~ NB(μ^a_ij, α_j),其中 μ^a_ij = e_ij · exp(η_j + τ_j a + X_iᵀβ_j)。 这里 NB 参数化为均值 μ、方差 μ + α_j μ²。

  2. 联合(copula):存在潜在高斯向量 Z_i = (Z_i1, …, Z_iJ)ᵀ ~ N(0, R(ρ)),其中 R(ρ) 的 (j,k) 元素为 ρ^{|j-k|}(AR(1) 结构)。通过 U_ij = Φ(Z_ij),Y_ij = F^a_ij^{-1}(U_ij) 将潜在高斯与负二项边际连接。F^a_ij 是 NB(μ^a_ij, α_j) 的 CDF。

  3. 缺失机制:触发时点 D_i 由外部过程决定(如不良事件),给定 D_i 和已观测历史,触发后的 Y_ij 视为缺失。关键:RBMI 不建模缺失机制,而是直接规定填补分布。

可观测数据:{ (A_i, X_i, e_i, O_i, Y_i,O_i, D_i) : i = 1, …, n },其中 Y_i,O_i 是已记录的计数向量。

第二步:最小内核

核心问题:给定模型参数 θ = (η, τ, β, α, ρ) 和患者 i 的已观测历史 Y_i,O_i,如何从"参考臂的视角"填补触发后的缺失值 Y_i,M_i^post?

最小例子:J = 2 个访问(基线后访问 1 和访问 2),活性臂患者在访问 2 触发缺失。假设无协变量、暴露 e_ij = 1(即计数 = 率)。

  • 已观测:Y_i1 = y_1(访问 1 的计数,来自活性臂)。
  • 待填补:Y_i2(访问 2 的计数)。

参考臂的边际:Y_i2 在参考臂下的分布为 NB(μ^0_i2, α_2),其中 μ^0_i2 = exp(η_2)。

活性臂的边际(若继续治疗):Y_i2 在活性臂下的分布为 NB(μ^1_i2, α_2),其中 μ^1_i2 = exp(η_2 + τ_2)。

三种填补规则(在 log 率尺度上定义):

  1. 继续活性臂(ω = 0):填补分布使用活性臂边际 μ^1_i2。等价于 MAR 假设。
  2. 跳转至参考(J2R,ω = 1):填补分布使用参考臂边际 μ^0_i2。等价于假设治疗效应在触发后完全消失。
  3. 中间规则(0 < ω < 1):填补分布使用插值边际 μ^ω_i2 = exp[(1-ω) log μ^1_i2 + ω log μ^0_i2] = (μ^1_i2)^{1-ω} (μ^0_i2)^ω。ω 越大,填补值越接近参考臂。

关键步骤——条件填补分布:不能直接从边际分布抽样,因为 Y_i2 与已观测的 Y_i1 相关(通过 copula)。正确做法是:

  1. 给定 Y_i1 = y_1,计算潜在变量 Z_i1 的区间:Z_i1 ∈ (Φ^{-1}(F^1_i1(y_1-1)), Φ^{-1}(F^1_i1(y_1))]。
  2. 从条件分布 Z_i2 | Z_i1 ∈ 该区间 中抽样。在 AR(1) 结构下,Z_i2 = ρ Z_i1 + √(1-ρ²) ε,ε ~ N(0,1)。因此给定 Z_i1 的区间,Z_i2 的条件分布是截断正态的混合。
  3. 将抽得的 Z_i2 转换为均匀变量 U_i2 = Φ(Z_i2),再通过参考臂(或插值)边际的分位数函数映射为计数:Y_i2^imp = F^ω_i2^{-1}(U_i2)。

为什么这是最小内核:这个两步流程(潜在高斯抽样 → 分位数映射)正是本文方法的核心。所有更复杂的设置(J > 2、协变量、间歇性缺失)都是这个基本操作的推广。本文的数学贡献在于:为这个流程提供了完整的贝叶斯实现——通过随机化 PIT 增广处理离散边际,通过 Metropolis-within-Gibbs 采样器联合估计参数和潜在变量,从而将参数不确定性正确传播到填补值中。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:如何对纵向随机对照试验中的重复计数结局(如失禁发作次数)进行基于参考假设的敏感性分析,在保留负二项边际的率解释和过度离散特征的同时,显式建模纵向相关并生成条件填补分布。
  2. 核心方法:构建"访问特异负二项边际 + 高斯 copula(AR(1) 相关)"的联合模型,通过随机化概率积分变换(PIT)增广处理离散性,用 Metropolis-within-Gibbs 采样器进行贝叶斯推断,并在触发后通过 log 率尺度上的插值参数 ω 定义从"继续活性臂"到"跳转至参考"的连续填补规则族。
  3. 主要结论:模拟研究表明模型能良好恢复生成参数;当填补规则与真实数据生成机制匹配时,治疗效应估计最接近完整数据估计;在膀胱过度活动症试验中,所有参考假设下率比均低于 1,且规则间差异在末次访问时最大。

关键设定与假设

  • 负二项边际:每个访问 j 有独立的均值参数(η_j, τ_j, β_j)和过度离散参数 α_j。相比常见的"随机截距负二项混合模型",这里不引入患者随机效应,纵向相关完全由 copula 承担。这是一个重要的建模选择:它避免了随机效应分布误设的风险,但代价是相关结构被限制为潜在高斯相关。
  • 高斯 copula + AR(1):潜在相关矩阵 R(ρ) 假设相邻访问间的相关为 ρ,间隔 k 个访问为 ρᵏ。这是一个强结构假设——它假设相关随访问间隔几何衰减。作者在讨论中承认更一般的结构(如无结构相关矩阵)在原理上可行,但会增加参数维度和计算负担。
  • 随机化 PIT 增广:这是处理离散边际的关键技术。对每个观测计数 y_ij,引入潜在均匀变量 V_ij,使得 F_ij(y_ij - 1) < V_ij ≤ F_ij(y_ij)。这等价于将离散观测"增广"为连续潜在空间中的区间,从而可以在高斯 copula 框架下进行 Gibbs 采样。统计含义:这种方法避免了直接计算高维离散 copula 的矩形概率(计算上不可行),但引入了额外的潜在变量,增加了采样器的维度。
  • 参考规则的参数化:ω 在 log 率尺度上插值,即 log μ^ω = (1-ω) log μ^active + ω log μ^reference。这个参数化保证了 μ^ω 始终为正,且 ω = 0/1 对应两个极端。相比连续结局的 RBMI,这里没有直接对协方差结构进行插值,而是仅对边际均值插值——这是一个简化,因为在高斯 copula 下,条件相关结构由潜在相关矩阵决定,不随 ω 变化。
  • 缺失机制假设:模型假设触发时点 D_i 是"可忽略的"(ignorable),即给定已观测历史和协变量,D_i 的分布不依赖于未观测的计数。这是标准假设,但作者未讨论其合理性。相比已有文献,本文没有建模触发时点本身,而是将其视为固定条件。

主要结果

  • 模拟研究 1(模型恢复):在完全观测数据下,所有参数(边际均值、过度离散、AR(1) 相关)的估计偏差小,95% 后验覆盖概率在 0.94–0.96 之间(除 τ₄ 为 0.92 外)。这表明贝叶斯采样器能正确地从后验分布抽样。
  • 模拟研究 2(填补规则比较):当数据按"继续活性臂"生成时,使用 ω=0 填补得到的治疗效应估计与完整数据估计最接近(平均差异 -0.012 和 -0.019,分别在第 8 周和第 12 周);使用 ω=1(J2R)填补则产生明显偏差(第 12 周平均差异 0.344)。当数据按 J2R 生成时,结论对称。这验证了方法的内部一致性——填补规则必须与真实机制匹配才能恢复完整数据估计。
  • 应用:在膀胱过度活动症试验中,基于观测数据的率比估计在第 12 周为 0.782(95% CI 0.616–0.994)。在三种填补规则下,率比分别为 0.810(ω=0)、0.838(ω=0.5)、0.867(ω=1),均低于 1,但 J2R 假设下的置信区间包含 1。这表明结论对缺失假设的敏感性主要体现在置信区间的覆盖,而非点估计的方向。

证明路线与技术技巧

本文是方法型论文,没有传统意义上的定理证明,但包含一个关键的理论推导(附录 A):

  • 推导目标:证明随机化 PIT 增广的似然等价于原始离散观测的似然。即,对观测计数 y_ij,有 ∫{区间} c{R}(Φ^{-1}(u)) du = Pr(Y_ij = y_ij), 其中 c_R 是高斯 copula 密度,区间由 F_ij(y_ij-1) 和 F_ij(y_ij) 界定。
  • 推导路线:从 copula 的 Sklar 表示出发,将离散联合概率写为 copula 在矩形上的积分。然后引入 PIT 变量,将矩形积分转化为对增广变量的积分。关键步骤是证明增广似然(copula 密度 × 边际概率质量)对 PIT 变量积分后恰好回到原始矩形概率。
  • 技术要点:这个推导依赖于高斯 copula 的密度形式(即潜在正态的密度),以及 PIT 变换的保测性质。难点在于处理离散边际的非唯一性——copula 在离散情形下不唯一,但作者通过固定"先验"为高斯 copula 并引入随机化,绕过了这个问题。

技术技巧清单:

  1. 随机化 PIT 增广(核心技巧):将离散观测映射到潜在连续空间,使得 Gibbs 采样可以在高斯潜在空间中进行。这借鉴了 Smith & Khaled (2012) [18] 的贝叶斯 copula 估计方法。
  2. Metropolis-within-Gibbs 采样器:分块更新边际参数、过度离散参数、copula 相关参数和 PIT 变量。关键设计是:在更新 PIT 变量时,利用条件分布是截断正态的性质,使用截断正态采样器。
  3. AR(1) 相关结构的解析利用:在条件正态抽样中,AR(1) 结构使得给定相邻观测的潜在值后,条件均值和方差有解析表达式,避免了高维矩阵求逆。
  4. 公共随机数(common random numbers):在比较不同填补规则时,复用同一组潜在变量抽样,减少蒙特卡洛方差。这是计算技巧,不影响统计性质。

真实例子与应用

数据:来自一项已发表的 12 周、多中心、双盲 III 期试验(NCT00689104),比较 mirabegron 50 mg 与安慰剂治疗膀胱过度活动症。分析样本含 584 名患者(291 安慰剂,293 mirabegron)。结局为访问时日记窗口内的失禁发作次数。缺失模式为单调:所有患者有基线和第 4 周数据,约 35% 在第 8 周缺失,约 55% 在第 12 周缺失。

分析流程: 1. 用观测数据拟合负二项边际 + 高斯 copula 模型(含基线 log 率、年龄、性别、地区协变量)。 2. 对活性臂中触发后缺失的计数,分别用 ω=0(继续活性臂)、ω=0.5(中间)、ω=1(J2R)三种规则填补。 3. 对每个填补数据集,用工作负二项 GLMM 估计访问特异治疗效应(率比)。 4. 用 Rubin 规则合并估计。

结果:所有规则下率比均 < 1,但 J2R 假设下第 12 周置信区间包含 1(0.659–1.103),而观测数据置信区间不包含 1(0.616–0.994)。这个例子的作用:展示了方法如何量化"如果停药后效应完全消失"这一极端假设对结论的影响——结论的方向稳健,但统计显著性不稳健。

🔎 结论是否比证明窄

  • 明确承认的限制:作者在讨论中承认 (i) 方法不满足信息锚定(information anchoring),Rubin 方差估计量可能不保守;(ii) AR(1) 相关结构是简化假设;(iii) 模型是"工作模型",若边际或相关结构误设,填补分布可能不准确。
  • 未明确承认的窄处:模拟研究仅评估了模型恢复和填补规则的内部一致性,没有评估当 copula 或边际模型误设时的稳健性。例如,如果真实相关结构不是 AR(1)(如访问 1 和 3 的相关不等于 ρ²),方法的表现如何?此外,模拟中的缺失机制是单调的,而方法声称支持间歇性缺失(M_i^pre),但没有专门模拟验证间歇性缺失场景下的表现。
  • 一个值得注意的 gap:作者声称"所有参考臂患者的填补规则相同",但未讨论参考臂自身缺失的处理。如果参考臂也有缺失,其填补是否也用参考臂边际?这在实际中可能影响结果。

四、开放问题

  1. 信息锚定的形式化:本文方法不满足信息锚定,Rubin 方差估计量在敏感性分析中的行为未知。能否发展一种方差校正方法,使得敏感性分析的信息损失与连续结局 RBMI 中已知的结果类似?这需要推导 Rubin 方差估计量在非正态填补分布下的渐近性质。(扎根于 Discussion 中关于 information anchoring 的段落。)

  2. copula 结构的可识别性与稳健性:AR(1) 结构是否可检验?如果真实相关结构更复杂(如因子结构、非平稳相关),填补分布会如何变化?能否发展一种模型选择或模型平均策略?这需要研究离散 copula 的识别理论。(扎根于 Discussion 中关于更一般相关结构的评论。)

  3. 参考臂缺失的联合处理:当参考臂也存在缺失时,如何定义"参考臂边际"?是使用参考臂的观测数据分布,还是使用模型预测的边际?这两种选择在 estimand 层面有何不同?(扎根于方法描述中"所有规则对参考臂患者相同"的设定。)

  4. 与因果 estimand 的严格对应:White et al. [4] 为连续结局建立了填补规则与潜在结果框架下 estimand 的对应。本文的 ω 插值在潜在结果框架下对应什么因果假设?特别是,ω 在 log 率尺度上的插值是否隐含了"效应按比例衰减"的假设,而这在临床意义上是否合理?(扎根于 Introduction 中对 White et al. 的引用。)

  5. 高频/零膨胀计数的扩展:如果计数数据存在大量零(如许多患者无症状),负二项边际可能不足。零膨胀负二项或 hurdle 模型能否嵌入同一 copula 框架?这需要重新推导 PIT 增广和条件抽样步骤。(扎根于 Discussion 中关于其他离散边际的评论。)


给研究者的提醒:若要确认上述某条是否为真 gap,建议去读近 5 年(2021–2026)内发表于 Biometrics、Statistics in Medicine、JRSS-A 的 RBMI 相关论文的 Introduction 和 Discussion。若多条论文都指向同一缺口(如"非正态结局的 RBMI 缺乏信息锚定理论"),则这是共识性 gap;若各论文对同一问题的处理方式互相矛盾(如对"跳转至参考"在计数结局下的定义不同),则可能存在更根本的概念张力,值得深挖。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论