跳转至

Doubly Robust Estimation under Covariate Dependent Censoring in Semi-Competing Risks Data

作者: Jiyue Qin, Yuyao Wang, Ronghui Xu
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2609.32311


一、领域脉络与小综述

这个方向是什么:半竞争风险数据(semi-competing risks)出现在医学随访研究中:个体可能经历非终点事件(如疾病诊断)和终点事件(如死亡),其中终点事件会删失非终点事件,但反之不然。这种不对称结构使得标准的竞争风险方法(如 Fine-Gray 子分布风险模型)不能直接套用。本方向的核心统计问题是:在存在协变量依赖删失(covariate-dependent censoring)和观测性治疗分配(非随机)时,如何从观测数据中识别并估计治疗的因果效应,具体表现为治疗特异性累积风险函数(CIF)。该方向当前处于"方法快速发展但尚未统一"的阶段:已有大量针对单变量生存结果或竞争风险结果的双重稳健(DR)估计方法,但针对半竞争风险结构、且同时处理协变量依赖删失与混杂的 DR 框架,在本文之前尚属空白。

发展脉络:

  • 奠基工作:Rubin (1974) 建立潜在结果框架,将因果效应定义为潜在结果分布的对比;Hernán and Robins (2020) 系统化了因果推断的假设体系(一致性、交换性、阳性)。在删失数据方面,Robins (1993) 提出 IPCW 思想,Tsiatis (2006) 建立了粗化数据(coarsened data)上的半参数效率理论,为后续 AIPCW 类方法提供了统一语言。
  • 主要进展:Rotnitzky and Robins (2005) 在单变量生存数据中系统发展了 AIPCW 方法,证明其双重稳健性。Lok et al. (2018) 将 AIPCW 应用于竞争风险数据,估计累积发生函数。Zhang and Schaubel (2012)、Bai et al. (2013, 2017)、Dukes et al. (2019)、Hou et al. (2023)、Rava and Xu (2023)、Luo et al. (2025) 等将 DR 思想扩展到各种生存因果 estimand(限制平均生存时间、风险差、生存概率等),并建立了率双重稳健性(rate DR)理论。在半竞争风险方面,Xu et al. (2010) 建立了 illness-death 模型的回归框架,Meira-Machado and Sestelo (2019) 综述了该模型下的估计方法,Zhang et al. (2024) 提出边际结构 illness-death 模型(MSM)用于因果推断,但依赖独立删失假设。
  • 当前 frontier:将机器学习方法用于 nuisance 参数估计时的率双重稳健性(rate double robustness),即在两个 nuisance 都以慢于根号 n 的速率收敛时,目标估计量仍保持根号 n 一致性和渐近正态性。本文声称其框架继承了这一性质。

子线索聚类:

  1. 半竞争风险的结构化建模:illness-death 模型(Xu et al., 2010; Meira-Machado and Sestelo, 2019; Zhang et al., 2024)。这条线索关注如何用三个转移强度 λ₁, λ₂, λ₃ 完整刻画疾病-死亡过程,并估计转移概率、CIF 等可解释量。其局限是通常假设删失独立于事件时间(给定协变量)。
  2. 删失数据的半参数效率理论:Tsiatis (2006) 的粗化数据框架、Rotnitzky and Robins (2005) 的 AIPCW。这条线索提供了构造 DR 估计量的系统方法:从完整数据影响函数出发,通过 IPW 变换和增广项投影得到高效估计量。
  3. 因果推断中的 DR 估计:AIPTW(Van der Laan and Robins, 2003)、率 DR(Rotnitzky et al., 2021; Hou et al., 2023; Rava and Xu, 2023; Luo et al., 2025)。这条线索关注在 nuisance 估计不精确时如何保持目标参数的推断有效性。
  4. 半竞争风险的因果推断:Zhang et al. (2024) 的边际结构 illness-death 模型,以及本文的因果 AIPCW_sc 框架。这是最前沿的子线索,直接处理"治疗 → 疾病 → 死亡"路径上的因果效应分解。

这个方向在追问的核心问题:

  1. 识别:在协变量依赖删失和非随机治疗分配下,治疗特异性 CIF 能否由观测数据识别?需要哪些假设(条件独立删失、无未测量混杂、阳性)?
  2. 估计:如何构造兼具双重稳健性和效率的估计量?当 nuisance 用机器学习估计时,目标参数的推断是否仍然有效?
  3. 解释:半竞争风险中的因果效应如何分解为"对非终点事件风险的直接效应"和"通过死亡竞争的间接效应"?不同 estimand(CIF₁, CIF₂, CIF₃)的临床意义是什么?

⚠️ 作者的 framing(这是作者的说法):作者在引言中将缺口定位为——"AIPCW 方法尚未被系统地推广到半竞争风险数据",理由是半竞争风险具有不对称的事件时间结构(T₁ 可被 T₂ 删失但反之不然)和复杂 estimand(如 CIF₃ 需要条件于 T₁ = t₁),因此不能简单套用竞争风险下的 AIPCW。作者声称其贡献是:(i) 通过单调粗化框架统一推导 AIPCW_sc;(ii) 与 AIPTW 结合得到因果 AIPCW_sc,具有双重稳健性;(iii) 首次在协变量依赖删失下估计 CIF₃(死亡在非终点事件之后的概率)。作者还特别强调其方法允许删失时间依赖协变量,而 Zhang et al. (2024) 的 MSM 方法假设独立删失。被作者淡化或回避的竞争方法包括:win ratio 方法(Yang et al., 2022)——作者仅一句带过,称其"目标不同";mediation 框架(Huang, 2021; Xu et al., 2022)——作者承认其价值但指出它们估计的是分解效应而非治疗特异性风险。什么明显该被引却没出现在 intro 里:Fine-Gray 子分布风险模型(1999)作为竞争风险的标准工具未被讨论;因果推断中关于"幸存者平均处理效应"(SACE)的文献(如 Frangakis & Rubin, 2002)与半竞争风险下的 principal stratification 方法(Xu et al., 2022)存在概念交叉,但作者未在引言中定位自己与 SACE 文献的关系。

张力:未见明显对立引用。但存在一个值得注意的概念张力:作者在补充材料 B.10 中专门证明"条件 Markov 假设不蕴含边际 Markov 假设",这暗示审稿过程中可能有关于 Markov 假设合理性的质疑。此外,Zhang et al. (2024) 的 MSM 方法假设独立删失,而本文放松为协变量依赖删失,但代价是需要估计删失模型——当删失模型正确时效率更高,错误时可能引入偏倚,这是 DR 估计的典型权衡。


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

潜在结果与因果 estimand: - \(T_1^a\):在治疗 \(a \in \{0,1\}\) 下的潜在非终点事件时间(如认知障碍发生时间) - \(T_2^a\):在治疗 \(a\) 下的潜在终点事件时间(如死亡时间) - \(C^a\):在治疗 \(a\) 下的潜在删失时间 - \(Z\):基线协变量向量(可包含混杂因素) - \(A \in \{0,1\}\):实际接受的治疗

观测数据(对每个个体 \(i\)): - \(X_1 = \min(T_1, T_2, C)\):非终点事件或终点事件或删失的最早发生时间 - \(X_2 = \min(T_2, C)\):终点事件或删失的最早发生时间 - \(\delta_1 = \mathbf{1}(X_1 = T_1)\):是否观察到非终点事件 - \(\delta_2 = \mathbf{1}(X_2 = T_2)\):是否观察到终点事件 - \(A\):治疗分配 - \(Z\):协变量

注意半竞争风险的关键不对称性:若 \(T_2 < T_1\),则 \(T_1\) 被 \(T_2\) 删失(个体死亡前未发生非终点事件),此时 \(T_1 = \infty\) 按约定;但若 \(T_1 < T_2\),\(T_2\) 仍可被观察到(个体在死亡前发生了非终点事件,之后继续随访至死亡或删失)。

模型与假设: - SUTVA 与一致性:\(T_1 = T_1^A\),\(T_2 = T_2^A\),\(C = C^A\)(观测到的结果等于实际治疗下的潜在结果) - 无未测量混杂(交换性):\((T_1^a, T_2^a, C^a) \perp\!\!\!\perp A \mid Z\),对 \(a=0,1\) - 条件独立删失:\(C \perp\!\!\!\perp (T_1, T_2) \mid (A, Z)\) - 阳性假设:\(0 < \epsilon < \pi(Z) = P(A=1 \mid Z) < 1-\epsilon\) 且 \(S_c(\tau \mid A, Z) > \epsilon\),其中 \(\tau\) 为最大随访时间 - Markov 假设(仅对 CIF₃):\(\lambda_3^a(t \mid t_1) = \lambda_3^a(t) \mathbf{1}(t \geq t_1)\),即从非终点事件到终点事件的转移强度不依赖于非终点事件的发生时间 \(t_1\)

目标 estimand:治疗特异性累积风险函数

\[\text{CIF}_j^a(t) = P(T^a_1 \leq t, T^a_1 \leq T^a_2) \quad (j=1), \quad P(T^a_2 \leq t, T^a_1 > T^a_2) \quad (j=2), \quad P(T^a_2 \leq t \mid T^a_1 = t_1) \quad (j=3)\]
因果效应定义为 \(\text{CIF}_j^1(t) - \text{CIF}_j^0(t)\) 或风险差。

nuisance 参数: - \(\pi(Z)\):倾向得分 - \(S_c(t \mid A, Z)\):删失时间的条件生存函数 - \(F\):\((T_1, T_2)\) 的条件联合分布(由 \(\lambda_1, \lambda_2, \lambda_3\) 决定)

第二步:最小内核

最简特例:假设我们只关心 CIF₁(t) = P(T₁ ≤ t, T₁ ≤ T₂),即非终点事件在终点事件之前发生的概率。再假设: - 治疗 \(A\) 是随机分配的(\(\pi(Z) \equiv 0.5\)),因此无混杂 - 删失时间 \(C\) 依赖一个二元协变量 \(Z \in \{0,1\}\),且 \(C \perp (T_1, T_2) \mid Z\) - 目标:估计 \(\theta = \text{CIF}_1(t)\) 在固定时间 \(t\) 的值

完全数据(无删失):若 \(C = \infty\),则 \(\theta = E[\mathbf{1}(T_1 \leq t, T_1 \leq T_2)]\),直接用经验平均估计。

有删失时:观测到 \(X_1 = \min(T_1, T_2, C)\) 和 \(\delta_1\)。若 \(C\) 依赖 \(Z\),则删失是选择性的,简单用未删失个体估计会有偏。IPCW 估计量为:

\[\hat{\theta}_{\text{IPCW}} = \frac{1}{n} \sum_{i=1}^n \frac{\delta_{1i} \mathbf{1}(X_{1i} \leq t)}{S_c(X_{1i} \mid Z_i)}\]
其中 \(S_c\) 是删失生存函数。如果 \(S_c\) 正确,这个估计量一致。但如果 \(S_c\) 模型错误,就有偏。

AIPCW 的核心思想:在 IPCW 基础上加一个增广项,利用结局模型 \(F\)(即 \((T_1, T_2)\) 的条件分布)的信息。增广项的形式为:

\[\hat{\theta}_{\text{AIPCW}} = \frac{1}{n} \sum_{i=1}^n \left[ \frac{\delta_{1i} \mathbf{1}(X_{1i} \leq t)}{S_c(X_{1i} \mid Z_i)} + \left(1 - \frac{\delta_{1i}}{S_c(X_{1i} \mid Z_i)}\right) E\{\mathbf{1}(T_1 \leq t, T_1 \leq T_2) \mid X_{1i}, \delta_{1i}, Z_i\} \right]\]
这个估计量的双重稳健性体现在:只要删失模型 \(S_c\) 或结局模型 \(F\) 之一正确,估计量就是一致的。直观上,第一项在 \(S_c\) 正确时无偏;第二项在 \(F\) 正确时,其期望为零(因为 \(E[\delta_1/S_c - 1] = 0\)),但能修正 \(S_c\) 错误时的偏倚。

为什么半竞争风险更复杂:在竞争风险中,CIF₁ 只涉及 \(T_1\) 和 \(T_2\) 的"谁先发生";但在半竞争风险中,CIF₃(t | t₁) = P(T₂ ≤ t | T₁ = t₁) 需要条件于 \(T_1 = t_1\),这意味着必须估计给定 \(T_1\) 时 \(T_2\) 的条件分布。由于 \(T_1\) 可能被 \(T_2\) 删失(当 \(T_2 < T_1\) 时),这个条件分布不是直接可识别的,需要 Markov 假设或额外的结构假设。本文的核心技术贡献之一,就是在这个更复杂的结构下构造 AIPCW 估计量,并证明其双重稳健性。

数学上最难的点:证明双重稳健性时,需要处理增广项中的条件期望 \(E\{\mathbf{1}(T_1 \leq t, T_1 \leq T_2) \mid X_1, \delta_1, Z\}\)。在半竞争风险中,这个条件期望涉及 \(T_1\) 和 \(T_2\) 的联合分布,且 \(T_1\) 可能取 \(\infty\)。作者通过单调粗化框架(Tsiatis, 2006)将问题转化为对粗化数据影响函数的系统推导,避免了逐项手工计算。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在协变量依赖删失下,如何对半竞争风险数据构造双重稳健的因果估计量,以估计治疗对非终点事件、终点事件(无先前非终点事件)以及非终点事件后终点事件这三类风险的影响。
  2. 核心方法:基于粗化数据上的半参数理论,系统构建 AIPCW_sc 估计方程,再与 AIPTW 结合得到因果 AIPCW_sc 框架,涵盖三个 estimand(CIF₁, CIF₂, CIF₃)。
  3. 主要结论:所提估计量具有模型双重稳健性(model DR)和率双重稳健性(rate DR),在模拟中表现优于 IPW 和朴素估计量,并在檀香山亚洲老龄化研究(HAAS)中发现中年重度饮酒显著增加 10 年和 15 年后的认知障碍风险。

关键设定与假设

  • 数据:\(O = (X_1, X_2, \delta_1, \delta_2, A, Z)\),其中 \(X_1 = \min(T_1, T_2, C)\),\(X_2 = \min(T_2, C)\),\(\delta_1 = \mathbf{1}(X_1 = T_1)\),\(\delta_2 = \mathbf{1}(X_2 = T_2)\)。
  • 假设 D1–D5(论文第 3 节):
  • D1(SUTVA/一致性)
  • D2(无未测量混杂):\((T_1^a, T_2^a, C^a) \perp A \mid Z\)
  • D3(条件独立删失):\(C \perp (T_1, T_2) \mid (A, Z)\)
  • D4(阳性):\(0 < \epsilon < \pi(Z) < 1-\epsilon\),\(S_c(\tau \mid A, Z) > \epsilon\)
  • D5(Markov 假设,仅对 CIF₃):\(\lambda_3^a(t \mid t_1) = \lambda_3^a(t) \mathbf{1}(t \geq t_1)\)
  • 与已有文献的对比:相比 Zhang et al. (2024) 的边际结构 illness-death 模型,本文放松了独立删失假设,允许删失依赖协变量;相比 Lok et al. (2018) 的竞争风险 AIPCW,本文处理了半竞争风险的不对称结构。

主要结果

定理 1(AIPCW_sc 双重稳健性):在假设 B(条件独立删失 + 阳性)下,对任意 \(\theta\),若 \(F = F^o\) 或 \(S_c = S_c^o\) 之一成立,则 \(E\{U(t; \theta; S_c, F)\} = E\{U_c(t; \theta)\}\)。这意味着估计方程在 nuisance 部分正确时无偏。

定理 2(因果 AIPCW_sc 双重稳健性):在假设 D1–D5 下,对 \(a = 0,1\),若 \((\pi, S_c)\) 或 \(F\) 之一正确,则 \(\hat{\theta}^a\) 是 \(\theta^a\) 的一致估计量。

推论(率双重稳健性):当两个 nuisance 都以慢于根号 n 的速率收敛时(如非参数估计的 \(n^{-2/5}\)),只要乘积速率快于 \(n^{-1/2}\),目标估计量仍保持根号 n 一致性和渐近正态性。这继承了 Rotnitzky et al. (2021) 和 Hou et al. (2023) 的率 DR 理论。

估计量形式:论文给出了三个 estimand 的闭式解: - \(\hat{\Lambda}^a_1(t)\):如公式 (9),分子分母均为加权估计量,权重包含治疗权数 \(Q^a_{1i}\) 和删失权数 \(1/\hat{S}_c\)。 - \(\hat{\Lambda}^a_2(t)\):类似结构,但事件定义为"无先前非终点事件的死亡"。 - \(\hat{\Lambda}^a_3(t)\):需要估计给定 \(T_1\) 时的条件分布,公式 (11) 中包含了 Markov 假设下的简化。

证明路线

  1. 粗化数据框架:将删失视为单调粗化(monotone coarsening),证明该机制满足粗化随机(CAR)条件(补充材料 Lemma 3–4)。这保证了半参数效率理论适用。
  2. 影响函数推导:从完整数据影响函数出发,通过 IPW 变换得到初步估计方程,再通过投影到粗化数据正交补空间得到增广项。关键步骤是计算 \(E\{U_c(t;\theta) \mid \text{observed data}\}\),这需要仔细处理 \(T_1 = \infty\) 的情况。
  3. 双重稳健性证明:分两种情形——(i) \(S_c\) 正确时,利用鞅理论证明增广项期望为零;(ii) \(F\) 正确时,利用条件期望的迭代性质证明 IPW 项的偏倚被增广项抵消。两种情形都归结为 \(E\{U(t;\theta;S_c,F)\} = E\{U_c(t;\theta)\}\)。
  4. 交叉拟合:为避免 nuisance 估计的过拟合偏倚,采用 K 折交叉拟合(Robins et al., 2008; Chernozhukov et al., 2018),在每一折中用其余数据估计 nuisance,再在当折上评估估计方程。

技术技巧

  • 单调粗化:将删失问题嵌入粗化数据理论,使得影响函数推导系统化。
  • 鞅表示:利用计数过程的鞅性质处理删失权重的随机性。
  • 交叉拟合:放松 nuisance 估计的 Donsker 条件,允许使用灵活的机器学习方法。
  • 率双重稳健性:通过乘积速率条件(如 \(n^{-2/5} \times n^{-2/5} = n^{-4/5}\) 快于 \(n^{-1/2}\))保证根号 n 推断。

真实例子与应用

模拟研究(论文第 5 节):样本量 500,比较因果 AIPCW_sc、IPW、朴素 Nelson-Aalen 和全数据估计量。结果显示: - 当删失模型和结局模型都正确时,AIPCW_sc 的偏倚接近零,标准差接近全数据估计量。 - 当结局模型错误但删失模型正确时,AIPCW_sc 仍近似无偏(模型 DR 的体现)。 - 当两个模型都错误时,所有估计量都有偏,但 AIPCW_sc 的偏倚小于 IPW。 - 使用 RSF 和 GBM 等机器学习方法时,交叉拟合的 AIPCW_sc 覆盖率接近 95%。

HAAS 数据分析(论文第 6 节):1,881 名日裔美国男性,随访至 2012 年。治疗定义为中年(45-65 岁)重度饮酒(>1.2 盎司乙醇/天),结局为晚年认知障碍(MI)和死亡。结果: - 重度饮酒者在 10 年和 15 年时 MI 风险显著更高(RD = 0.07, 95% CI: 0.02–0.12 和 0.01–0.12)。 - 死亡风险(无 MI 或 MI 后死亡)无显著差异。 - 与 Zhang et al. (2024) 的结论一致,但本文方法允许删失依赖协变量,结果更稳健。

🔎 结论是否比证明窄

论文的主要定理(定理 1–2)严格证明了双重稳健性,但存在以下值得注意的"窄于声称"之处:

  1. Markov 假设的局限:论文对 CIF₃ 的估计依赖边际 Markov 假设 \(\lambda_3^a(t \mid t_1) = \lambda_3^a(t)\)。作者在补充材料 B.10 中证明了条件 Markov 不蕴含边际 Markov,这意味着实际应用中需要验证该假设,但论文未提供检验方法。
  2. 率 DR 的证明条件:论文声称继承率 DR 性质,但未给出完整的定理陈述和证明(仅引用 Rotnitzky et al. 2021 和 Hou et al. 2023)。对于半竞争风险的特殊结构(如 \(T_1 = \infty\) 的处理),率 DR 的成立条件可能比标准情形更严格。
  3. 效率性:论文强调双重稳健性,但未明确讨论估计量是否达到半参数效率界。从公式 (9)–(11) 看,增广项的选择可能不是最优的(即未达到效率界),但论文未对此展开。
  4. 模拟范围:模拟中样本量固定为 500,未展示不同样本量下的收敛行为,也未展示高维协变量(如 \(p > n\))下的表现。

四、开放问题

以下问题均扎根于论文的具体语句或直接推论,供研究者自行判断价值:

  1. 非 Markov 假设下的 CIF₃ 估计:论文明确说"我们采用 Markov 假设来估计 CIF₃"(第 4 节),并在补充材料中证明条件 Markov 不蕴含边际 Markov。能否在非 Markov 设定下构造 DR 估计量?这需要估计给定 \(T_1\) 的完整条件分布,可能涉及非参数或高维方法。

  2. 率 DR 的完整理论:论文引用 Rotnitzky et al. (2021) 和 Hou et al. (2023) 来支持率 DR 性质,但未给出针对半竞争风险结构的完整证明。一个具体问题是:当 \(T_1 = \infty\) 的比例较高时,交叉拟合的 nuisance 估计是否仍满足乘积速率条件?

  3. 效率界与最优增项:论文的 AIPCW_sc 估计量是否达到半参数效率界?如果不是,最优增项的形式是什么?这需要计算半参数效率界并比较不同增项选择的方差。

  4. 高维协变量下的行为:论文的模拟和理论均未涉及高维协变量。当 \(p\) 随 \(n\) 增长时,倾向得分和删失模型的估计误差如何影响目标估计量的收敛速率?LASSO 或深度学习等正则化方法是否仍能保证率 DR?

  5. 左截断与复合删失:论文在讨论部分提到"我们正在将框架扩展到左截断情形"(第 7 节)。左截断在老龄化队列研究中常见(如 HAAS 中个体需存活至基线才能入组),这会引入额外的选择偏倚,需要新的识别条件。

  6. 敏感性分析:论文的识别依赖于无未测量混杂(D2)和条件独立删失(D3)。若这些假设违反,估计量的偏倚方向是什么?能否构造类似 E-value 或偏倚校正的敏感性分析工具?

  7. 与 principal stratification 的关系:论文的 CIF₃ 估计量在概念上接近"在非终点事件发生者中的死亡风险",这与 principal stratification 中的"幸存者平均因果效应"(SACE)有联系但不等价。能否建立两者之间的形式化桥梁?

  8. 软件实现与数值稳定性:论文提到 R 包 causalDR 已在 GitHub 发布,但未讨论数值稳定性问题(如权重截断、积分近似误差)。在极端权重或稀疏事件下,估计量的有限样本表现如何?


提醒:若要确认上述问题是否为真 gap,建议检索近 2-3 年(2023-2026)在 Biometrika、JRSS-B、Annals of Statistics 和 Biometrics 上关于半竞争风险因果推断的论文。若多篇论文的引言都指向同一缺口,则大概率是共识性问题;若各论文的假设条件互相矛盾(如 Markov vs 非 Markov、独立 vs 依赖删失),则说明该方向仍处于"方法竞争"阶段,机会与风险并存。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论