Longitudinal causal inference under informative missingness using the self-censoring model¶
作者: Iv\'an D\'iaz
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2610.09234
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纵向因果推断中的信息性缺失(informative missingness)问题。其根本科学问题是:在纵向观测数据(如电子健康档案)中,结局和协变量并非在固定时间网格上被测量,而是仅在患者与医疗系统交互(就诊)时才被记录。这种"就诊驱动"的测量机制使得缺失指示符本身依赖于未观测的健康状态,构成一种典型的非随机缺失(MNAR)。若直接忽略缺失机制或假设缺失完全由观测历史解释,因果效应的估计将产生偏差。该子方向的核心挑战在于:在缺失机制不可检验的前提下,如何利用结构假设(如影子变量、工具变量、排除限制)实现因果参数的识别,并构造允许机器学习估计 nuisance 函数、同时保持根号 n 收敛的估计量。
该方向的成熟度处于快速发展期:识别理论(影子变量、自删失模型)已有若干奠基性工作,但纵向设定下的完整估计理论(尤其是效率界与二阶余项分析)仍属前沿。
发展脉络¶
- 奠基工作:Robins (1986) 建立了纵向因果推断的 g-computation 公式,为时变处理效应识别奠定基础。这是所有后续工作的起点。
- 影子变量与自删失模型的引入:Miao et al. (2015)、Miao and Tchetgen Tchetgen (2015) 将影子变量方法引入非随机缺失问题,利用"影子变量与缺失指示符在给定完整数据后条件独立"的排除限制实现识别。Miao et al. (2024) 进一步系统化了自删失模型的识别与半参数估计理论,给出了非参数条件下的识别条件与双稳健估计量。Chen et al. (2023) 将自删失思想用于因果效应识别,证明处理变量可作为影子变量。Li et al. (2023a,b) 则从均值泛函角度研究了影子变量模型下目标参数可识别性的充分条件。
- 纵向 MTP 框架:Díaz et al. (2023) 提出了纵向修正处理策略(modified treatment policy)的统一框架,将 g-computation 推广到处理可依赖自然值修改的情形,并给出了相应的半参数估计理论。Hoffman et al. (2024) 在此基础上进一步扩展。
- 条件矩估计的现代方法:Newey and Powell (2003)、Ai and Chen (2003)、Chen and Pouzo (2012) 建立了 sieve 最小距离估计的经典框架;Muandet et al. (2020) 提出最大矩限制准则;Lewis and Syrgchakov (2018)、Dikkala et al. (2020)、Bennett et al. (2019)、Bennett and Kallus (2023) 发展了对抗/极小极大条件矩估计方法。Kallus et al. (2021)、Kompa et al. (2022)、Bennett et al. (2023a,b) 专门针对桥函数估计提出了极小极大与惩罚方法。
- 本文位置:本文首次将自删失模型与纵向 MTP 框架结合,处理时变信息性缺失下的因果效应识别与估计。与已有工作相比,本文的贡献在于:(i) 目标参数是纵向 MTP 效应而非简单均值;(ii) 识别策略同时处理缺失与混杂,区分了"观测历史充分"与"需完整历史"两种设定;(iii) 给出了完整的半参数估计理论(路径导数、二阶余项、交叉拟合)。
子线索聚类¶
- 自删失/影子变量识别理论:Miao et al. (2015, 2024)、Chen et al. (2023)、Li et al. (2023a,b)、Sun et al. (2018)。核心问题是:在 MNAR 下,哪些目标泛函可识别?需要什么条件?
- 纵向因果推断与 MTP:Robins (1986)、Díaz et al. (2023)、Hoffman et al. (2024)、Young et al. (2014)。核心问题是:时变处理效应如何定义、识别与估计?
- 条件矩估计方法:Newey and Powell (2003)、Ai and Chen (2003)、Chen and Pouzo (2012)、Muandet et al. (2020)、Lewis and Syrgchakov (2018)、Dikkala et al. (2020)、Bennett et al. (2019, 2023a,b)、Kallus et al. (2021)、Kompa et al. (2022)。核心问题是:如何从条件矩限制中估计 nuisance 函数,并保证估计量的收敛性质?
- 信息性随访/就诊过程建模:Lin et al. (2004)、Bůžková and Lumley (2009)、Pullenayegum and Lim (2016)、Coulombe et al. (2019)。核心问题是:如何对不规则随访过程建模并校正其导致的偏倚?
这个方向在追问的核心问题¶
- 识别:在 MNAR 下,给定哪些结构假设(影子变量、排除限制、Markov 结构),纵向因果参数可被识别?识别是否要求桥函数唯一?
- 估计效率:在 nuisance 函数用机器学习估计时,如何构造渐近线性、根号 n 一致的估计量?二阶余项需要什么收敛率条件?
- 稳健性:当桥函数不唯一或弱识别时,目标参数是否仍然可估计?如何选择"正确的"桥函数解?
- 实际可行性:影子变量假设在电子健康档案等实际数据中是否合理?如何检验或敏感性分析?
已知瓶颈:桥函数方程通常是不适定逆问题,解不唯一;低维影子变量(如二值处理)导致桥函数空间过大,识别条件难以验证;纵向设定下累积误差随 T 增长。
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 为:"现有自删失模型工作主要关注单期或静态设定,缺乏对纵向 MTP 效应的处理"。作者声称本文的贡献在于"首次将自删失模型与纵向 MTP 框架结合",并强调其识别结果"不要求桥函数唯一",只需目标泛函不变。作者淡化了以下竞争路线:(i) 直接对就诊过程施加干预(如 Neugebauer et al. 2017, 2020)——作者认为这会改变目标量,而非处理缺失;(ii) 假设缺失可忽略(如标准 g-computation)——作者认为这在电子健康档案中不现实。作者还回避了桥函数估计的不适定性与正则化选择问题,仅在第 5 节简要提及。
值得研究者去查的问题:作者声称"不要求桥函数唯一"是相对已有工作的优势,但这一论断是否成立?Miao et al. (2024) 是否已给出类似结论?作者引用的 Bennett et al. (2023b) 是否已处理了非唯一桥函数下的推断问题?这些需要对照原文核实。
张力¶
未见明显对立引用。但存在一个潜在张力:作者强调"不干预就诊过程"的 framing,与 Neugebauer et al. (2017, 2020) 的"联合干预处理与就诊"框架形成对比。两者目标量不同,并非直接矛盾,但读者需注意作者的选择是定义层面的,而非方法层面的必然。
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¶
时间与变量: - 时间点 \(t = 1, \ldots, \tau+1\)。\(C_t\):时变协变量/结局向量(潜在完整数据)。\(A_t\):处理向量。\(R_t \in \{0,1\}\):就诊指示符(\(t>1\)),\(R_1 \equiv 1\)。 - 可观测数据:\(O_i = (\bar{L}_{\tau+1}, \bar{A}_\tau, \bar{R}_{\tau+1})\),其中 \(L_t = C_t\) 若 \(R_t=1\),否则 \(L_t = \zeta\)(占位符)。注意:\(C_t\) 在 \(R_t=0\) 时完全缺失,且 \(A_t\) 在 \(R_t=0\) 时由已知规则 \(\alpha_t(H_t)\) 决定(假设 1)。 - 历史:\(H_t = (\bar{L}_t, \bar{A}_{t-1}, \bar{R}_{t-1})\) 为观测历史(\(t\) 时刻处理前)。\(F_t = (\bar{C}_t, \bar{A}_{t-1}, \bar{R}_{t-1})\) 为完整历史。
参数 / 估计目标: - 目标 estimand:\(\theta_{t+1}(\bar{d}_t) = E[Y_{t+1}(\bar{d}_t)]\),即对处理实施修正策略 \(\bar{d}_t\) 后的反事实结局均值。\(Y_{t+1} = h(C_{t+1})\)。 - Nuisance 参数:桥函数 \(\beta_t(H_t, C_{t+1})\)(观测缺失模型)、条件密度/概率 \(g_t(a_t|h_t)\)(处理机制)、序贯回归 \(m_{t+1,s}(a_s, h_s)\)、密度比 \(\omega_t(a_t, h_t) = g_t^d(a_t|h_t)/g_t(a_t|h_t)\)。
模型与假设(以第 3 节观测历史设定为例): - 结构方程:\(C_t = f_{C,t}(\bar{A}_{t-1}, \bar{R}_{t-1}, \bar{C}_{t-1}, U_{C,t})\),\(R_t = f_{R,t}(\bar{A}_{t-1}, \bar{R}_{t-1}, \bar{C}_t, U_{R,t})\),\(A_t = f_{A,t}(\bar{A}_{t-1}, \bar{R}_{t-1}, \bar{C}_t, U_{A,t})\)。 - 假设 1(观测历史处理机制):\(A_t\) 在 \(R_t=0\) 时由 \(\alpha_t(H_t)\) 决定。 - 假设 2(序贯可忽略性):\(U_{A,s} \perp\!\!\!\perp (U_{C,s+1}, U_{R,s+1}, U_{A,s+1}) \mid H_s\)。 - 假设 4(影子变量排除):\(A_t \perp\!\!\!\perp R_{t+1} \mid H_t, C_{t+1}\)。 - 假设 5(缺失机制正性):\(P(R_{t+1}=1 \mid C_{t+1}, H_t) > 0\) a.s. - 假设 7(对偶值域条件):\(\phi_t(H_t, C_{t+1}) := \Omega_{t-1} E[Y_{t+1} \omega_t(A_t, H_t) \mid R_{t+1}=1, H_t, C_{t+1}] \in \text{Range}(T_t^*)\)。
可观测数据:\(n\) 个 i.i.d. 样本 \(O_i\),每个样本包含完整观测历史 \(\bar{L}_{\tau+1}\)(含缺失占位符)、处理 \(\bar{A}_\tau\)、就诊指示 \(\bar{R}_{\tau+1}\)。
第二步:最小内核¶
核心数学问题:在 \(C_{t+1}\) 可能缺失(\(R_{t+1}=0\))的情况下,如何用可观测数据识别 \(E[Y_{t+1}(\bar{d}_t)]\)?
最小例子:\(T=1\)(单期),\(C_2\) 可能缺失,\(A_1\) 为二值处理,\(Y_2 = C_2\)(结局即协变量)。目标:\(\theta_2(d_1) = E[Y_2(d_1)]\)。
关键困难:\(Y_2\) 在 \(R_2=0\) 时缺失,且 \(R_2\) 可能依赖于 \(Y_2\) 本身(MNAR)。标准 g-computation 需要 \(E[Y_2 | A_1, H_1]\),但该条件期望在 \(R_2=0\) 的子样本中无法估计。
核心思想:利用影子变量 \(A_1\) 的排除限制(假设 4),构造桥方程:
为什么成立:假设 4 意味着 \(A_1\) 对 \(R_2\) 的影响完全通过 \(C_2\) 中介。因此,\(R_2\) 的缺失概率可以"反解"为 \(C_2\) 的函数,而 \(A_1\) 提供了识别该函数的变异来源。桥方程的解 \(\beta_1\) 正是这个反解。
证明思路(对应定理 1): 1. 由假设 4,\(P(R_2=1 | A_1, H_1, C_2) = P(R_2=1 | H_1, C_2)\)。 2. 定义 \(\beta_1^0(H_1, C_2) = 1/P(R_2=1 | H_1, C_2)\),则 \(E[R_2 \beta_1^0 | A_1, H_1] = 1\)。 3. 对任意桥方程解 \(\beta_1\),\(E[R_2 \beta_1 Y_2] = E[Y_2]\)(由桥方程和迭代期望)。 4. 因此,\(E[R_2 \beta_1 Y_2]\) 不依赖于桥方程的具体选择,目标参数可识别。
一般化:纵向情形(\(T>1\))通过反向递推,每步解一个桥方程,得到序贯回归 \(m_{t+1,s}\)。定理 2 和推论 1 表明,即使每步桥方程解不唯一,目标参数仍唯一。
估计:桥方程是条件矩限制,可用第 5 节的极小极大/条件矩学习方法估计。估计量通过交叉拟合和路径导数修正实现渐近线性。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在纵向观测数据中,当协变量/结局的缺失由未观测健康状态驱动(MNAR)时,如何识别和估计纵向修正处理策略(MTP)的反事实结局均值。
- 核心工具/方法:将自删失模型(影子变量条件矩限制)与纵向 MTP 框架结合,推导桥方程和序贯回归的识别公式;基于路径导数构造渐近线性估计量,利用交叉拟合和机器学习估计 nuisance 函数。
- 主要结论:在影子变量排除限制和值域条件下,目标参数可识别且不要求桥方程解唯一;所提估计量在乘积率条件下渐近正态且根号 n 一致,支持同时推断多个结局时间。
关键设定与假设¶
- 两种设定:第 3 节(观测历史充分)假设 2 的序贯可忽略性;第 4 节(完整历史需求)假设 8-10 更强,要求完整历史可忽略性,并引入 Markov 结构(假设 14)以降低维度。
- 相比已有工作的变化:
- 相比 Miao et al. (2024)(单期/静态),本文处理时变 MTP,需要反向递推。
- 相比 Díaz et al. (2023)(无缺失),本文引入桥方程处理缺失。
- 相比 Bennett et al. (2023b)(单期桥函数),本文的桥函数是时变的,且目标参数是 MTP 而非简单均值。
- 假设的统计含义:
- 假设 4(影子变量排除):\(A_t\) 是 \(R_{t+1}\) 的"工具",其效应完全通过 \(C_{t+1}\) 中介。这是识别桥方程的关键。
- 假设 7(值域条件):目标载荷 \(\phi_t\) 必须落在桥算子值域内,否则目标参数不可识别。这是 MNAR 问题的本质困难。
- 假设 14(Markov 结构):限制完整历史的记忆长度,使高维问题可处理。
主要结果¶
- 定理 1:桥方程解的存在性(\(\beta_t^0\) 是特解)和观测数据表示(\(m_{t+1,t}(a_t, h_t) = E[\eta_t(O) | A_t = a_t, H_t = h_t]\))。
- 定理 2:目标参数识别公式 \(\theta_{t+1}(\bar{d}_t) = E[R_{t+1} \Omega_t Y_{t+1} \beta_t(H_t, C_{t+1})]\),且不依赖桥方程解的选择。
- 推论 1:序贯回归识别公式,将 MTP 效应表示为可观测数据的递推期望。
- 定理 3:路径导数公式 \(D_t(O) = D^{\text{seq}}_t(O) + D^{\text{br}}_t(O)\),其中 \(D^{\text{br}}_t\) 修正桥函数估计误差。
- 命题 1/2:二阶余项分解,给出乘积率条件(如 \(\|\hat{\omega} - \omega\| \|\hat{m} - m\| = o_p(n^{-1/2})\))。
- 推论 2:交叉拟合估计量的渐近正态性,协方差矩阵由路径导数方差给出。
证明路线与技术技巧¶
- 整体路线:
- 识别:先证明桥方程解的存在性(定理 1),再证明目标参数对桥方程解的选择不变(定理 2),最后给出序贯回归形式(推论 1)。
- 估计:构造路径导数,分解为序贯回归部分和桥函数修正部分(定理 3)。
- 渐近理论:利用 von Mises 展开,将估计误差分解为 nuisance 估计误差的乘积项(命题 1/2),在乘积率条件下证明渐近线性。
-
推断:交叉拟合 + 经验协方差矩阵,构造联合置信带。
-
关键技巧:
- 桥方程的不适定性处理:不要求桥函数唯一,而是利用值域条件保证目标参数不变。这是本文的核心技巧。
- 反向递推:从终端时刻 \(t\) 开始,逐步解桥方程和序贯回归,避免高维积分。
- 交叉拟合:将 nuisance 估计与目标估计分离,避免 Donsker 条件。
- Pool-and-smooth:借用 Susmann et al. (2025) 的方法,将不同结局时间的回归按对角线分组,提高数据利用效率。
真实例子与应用¶
本文为纯理论方法论文,无真实数据应用。但文中给出了两个示例(第 3 节末和第 4 节末): - 示例 1(处方药宽限期):定义 MTP 为"若上次处方仍在宽限期内则继续用药",说明如何将实际临床问题映射到 MTP 框架。 - 示例 2(治疗强化):定义 MTP 为"若收缩压 > 140 mmHg 则增加剂量",展示 MTP 对连续处理的适用性。
这些示例主要用于说明 MTP 的定义和实际意义,而非数值演示。模拟实验和真实数据分析均未包含,作者在结论中将其列为未来工作。
🔎 结论是否比证明窄¶
- 明确窄化的地方:
- 定理 3 的路径导数公式是在假设 7(值域条件)下证明的,但作者在第 5 节讨论 nuisance 估计时,未明确说明如何验证该条件。
- 命题 1/2 的乘积率条件要求 nuisance 估计量满足特定收敛率,但作者未给出具体机器学习方法的收敛率验证。
- 第 4 节的完整历史设定需要假设 14(Markov 结构),但作者未讨论 \(k\) 的选择对结果的影响。
- 被泛化的地方:
- 作者在摘要和引言中声称"支持同时推断多个结局时间",但定理和命题均针对固定 \(t\),联合推断的证明未详细展开(仅在第 3.2 节末简要提及)。
- 作者声称"不要求桥函数唯一",但定理 2 的证明依赖于值域条件,该条件在实际中难以验证。
四、开放问题¶
- 值域条件的验证:假设 7 在实际数据中如何检验?当桥方程解不唯一时,如何选择"正确的"解以保证有限样本性质?(扎根于定理 2 和命题 1 的讨论)
- 效率界:本文给出的路径导数是否达到半参数效率界?作者在结论中承认"投影到切空间"的任务留待未来,这意味着当前估计量可能不是有效的。
- 敏感性分析:当影子变量排除限制(假设 4)违反时,估计量的偏倚方向如何?能否构造敏感性分析框架?(扎根于第 6 节"敏感性分析是重要方向")
- 有限样本性能:作者未提供模拟实验,桥方程估计的不适定性和正则化选择对有限样本的影响未知。
- 高维/大规模数据:Pool-and-smooth 方法在高维协变量下的表现如何?Markov 阶数 \(k\) 的选择准则?
提醒:要确认上述问题是否为真 gap,建议阅读 Miao et al. (2024)、Bennett et al. (2023b) 和 Susmann et al. (2025) 的近期工作,看它们是否已部分解决这些问题。若多个近期工作指向同一 gap,则为共识;若互相矛盾,则为机会。
Maintained by 陈星宇 · Homepage · Source on GitHub