Individual causal effect estimation accounting for latent disease state modification among bipolar participants in mobile health studies¶
作者: Charlotte R Fowler, Xiaoxuan Cai, Habiballah Rahimi-Eichi, Lisa Dixon, Justin T Baker et al.
来源: Biometrics
主题: 因果推断
相关性: 6/10
机构绿灯: Ohio State University(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
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移动健康(mHealth)数据中的个体化因果推断,其根本科学问题是:在个体水平上,如何利用密集纵向观测数据(如智能手机被动传感、每日问卷)估计某一干预(如社交活动)对健康结局(如睡眠时长)的因果效应,同时承认并刻画这种效应可能随个体内部不可观测状态(如双相障碍的抑郁/躁狂相)而改变。该方向的统计核心是将潜在状态模型(隐马尔可夫模型)嵌入反事实因果框架,在时间序列上同时完成状态识别、效应估计与缺失数据处理。当前成熟度属于方法发展中期:已有大量针对群体平均效应(如Boruvka等的时变效应修饰工作)和状态识别(HMM及其变体)的文献,但将两者结合并用于个体因果效应估计的工作仍较少,且缺乏系统的识别性与渐近理论。
发展脉络¶
- 奠基工作:Rubin (1974) 奠定了潜在结果框架,为后续所有因果推断工作提供了形式化语言。本文引用它来确立反事实定义的基础。Neyman (1990) 和 Robins (1989, 1994) 进一步扩展了纵向设定下的因果推断,特别是Robins的序贯可忽略性与g-formula,是本文估计量的直接理论来源。
- 移动健康数据平台与数据质量:Torous et al. (2016) 和 Onnela et al. (2021) 开发了Beiwe平台,使得大规模被动传感数据收集成为可能;Rahimi-Eichi et al. (2021) 提供了从加速度计数据推断睡眠的算法(DPSleep)。这些工作解决了"数据从哪来"的问题,但未涉及因果推断。Cai et al. (2022) 和 Fowler et al. (2022) 则处理了移动健康数据中的缺失值与非平稳性问题,为本文的缺失数据处理提供了直接基础。
- 时变效应修饰与动态治疗策略:Boruvka et al. (2016) 在移动健康背景下正式定义了时变效应修饰,并提出了估计方法,但假设修饰变量可观测。Luckett et al. (2016) 将强化学习引入动态治疗策略估计,但聚焦于最优策略而非效应识别。这两篇是本文在因果框架上的主要参照。
- 潜在状态建模:HMM 文献(Rabiner 1989; Wu 2010)提供了状态识别的基本工具,但如作者所述,"the majority of literature for HMMs has the goal of latent state prediction or identification, not causal estimation"(第2页)。Hulme et al. (2020) 和 Ren & Barnett (2023) 将HMM应用于精神健康数据,但未与因果推断结合。
- 潜在类别与异质性处理效应:Shahn & Madigan (2017)、Suk et al. (2021)、Lyu et al. (2023) 等将潜在类别模型用于处理效应异质性,但主要针对个体间异质性(即不同人有不同潜在类别),而本文关注的是个体内异质性(即同一个体在不同时间处于不同状态)。这是本文与这类文献的关键区别。
- 本文的位置:作者将上述两条线索——因果推断(g-formula)与潜在状态建模(AR-HMM)——首次系统地结合,提出在单个个体的时间序列上估计状态条件因果效应的方法,并专门处理了缺失数据问题。这是该方向的"显然下一步",但作者也承认其假设较强(stationarity, ignorability)。
子线索聚类¶
- 因果推断形式化与识别(Rubin 1974; Robins 1989, 1994, 1997; Boruvka et al. 2016):这条线索提供反事实定义、g-formula、序贯可忽略性等核心工具。已知瓶颈:在观测数据中验证可忽略性几乎不可能,且g-formula对模型误设敏感。
- 潜在状态模型(Rabiner 1989; Wu 2010; Hulme et al. 2020; Ren & Barnett 2023):提供状态识别与序列建模工具。已知瓶颈:状态数需预先指定,状态可解释性差,且标准HMM假设观测条件独立于给定状态,在因果设定下过强。
- 移动健康数据工程与预处理(Torous et al. 2016; Onnela et al. 2021; Rahimi-Eichi et al. 2021; Cai et al. 2022; Fowler et al. 2022):解决数据收集、缺失值、非平稳性等实际问题。已知瓶颈:缺失机制复杂,被动传感数据噪声大。
- 潜在类别与异质性处理效应(Shahn & Madigan 2017; Suk et al. 2021; Lyu et al. 2022):处理效应异质性的建模。已知瓶颈:主要处理个体间异质性,对个体内时变状态关注不足。
这个方向在追问的核心问题¶
- 识别问题:在仅有观测数据、且存在潜在状态修饰的情况下,状态条件因果效应是否可识别?需要哪些假设(如序贯可忽略性、状态可分离性)?
- 估计问题:如何同时估计潜在状态序列与状态条件效应?EM算法是否收敛到全局最优?估计量的有限样本性质如何?
- 推断问题:如何为个体水平的效应估计构造有效的置信区间?bootstrap在HMM设定下是否有效?
- 缺失数据问题:移动健康数据中缺失率高且机制复杂,如何在因果框架下处理缺失而不引入偏倚?
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口frame成:"现有潜在状态模型主要用于状态预测而非因果估计,而现有因果推断方法又假设修饰变量可观测;因此需要一种方法,能从移动健康数据中同时识别潜在疾病状态并估计状态条件因果效应。"(第2页:"the majority of literature for HMMs has the goal of latent state prediction or identification, not causal estimation")。作者淡化的竞争路线包括:(1) 直接对状态做测量误差建模而非视为潜在变量;(2) 使用更灵活的深度生成模型(如变分自编码器)替代HMM;(3) 将个体内异质性视为随机效应而非离散状态转移。明显该被引却没出现在intro里的:Didelez (2008) 关于因果图与潜在变量的工作、Tchetgen Tchetgen & Phiri (2014) 关于代理变量的因果推断、以及Pearl的do-calculus在隐变量下的扩展——这些文献直接关系到潜在状态下的识别问题,但作者未提及。
张力¶
未见明显对立引用。但存在一个潜在张力:Boruvka et al. (2016) 的框架假设修饰变量可观测(或至少可测量),而本文假设其潜在;这两者对数据要求与识别策略有本质差异,作者未直接讨论这一分歧。
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¶
符号(逐个点名):
- 时间索引:\(t = 1, \ldots, T\),表示个体被随访的天数。\(T\) 是随访长度,对每个个体固定。
- 结局变量:\(Y_t\),第 \(t\) 天的健康结局(如睡眠时长)。这是可观测的随机变量。
- 暴露变量:\(A_t\),第 \(t\) 天的干预/暴露(如与关键联系人互动的次数)。这是可观测的随机变量,可以是连续或离散(含序数)。
- 潜在状态:\(L_t \in \{1, \ldots, J\}\),第 \(t\) 天的潜在疾病状态(如抑郁、躁狂、平稳)。这是不可观测的潜在变量,是本文的核心建模对象。
- 受状态影响的协变量:\(C_t\),第 \(t\) 天受潜在状态影响的观测协变量(如自我报告的情绪评分)。这是可观测的随机变量,但受 \(L_t\) 影响。
- 不受状态影响的协变量:\(W_t\),第 \(t\) 天独立于潜在状态的观测协变量(如室外温度)。这是可观测的随机变量。
- 参数:
- \(\pi_i = P(L_1 = i)\):初始状态概率。
- \(a_{ij,t} = P(L_t = j \mid L_{t-1} = i, \text{历史})\):状态转移概率,允许依赖历史协变量。
- \(\beta, \psi, \phi\):分别对应 \(Y_t\)、\(A_t\)、\(C_t\) 的条件分布参数(如回归系数)。
- \(\lambda\):状态转移模型的参数(如logistic回归系数)。
- 因果 estimand:
- 同期条件平均个体因果效应(contemporaneous conditional average individual causal effect):
\[E(Y_t^{a_{1,t}} - Y_t^{a_{0,t}} \mid Y_{t-1}, C_t, W_t, A_{t-1}, L_t = j)\]其中 \(Y_t^{a}\) 是潜在结局(potential outcome),即在第 \(t\) 天将暴露设为 \(a\) 时个体将观测到的结局。注意:这里条件集中包含 \(L_t\),因此估计的是给定状态下的效应。
- k-滞后条件平均个体因果效应(k-lagged conditional average individual causal effect):
\[E(Y_t^{a_{1,t-k}} - Y_t^{a_{0,t-k}} \mid L_{t-k} = j, X_{Y,t-k} \setminus A_{t-k})\]其中 \(X_{Y,t} = (Y_{t-1}, A_t, A_{t-1}, C_t, W_t)\),\(X_{Y,t-k} \setminus A_{t-k}\) 表示去掉 \(A_{t-k}\) 后的历史变量。这个 estimand 衡量的是 \(t-k\) 时刻的暴露对 \(t\) 时刻结局的(间接)效应,条件在 \(t-k\) 时刻的状态上。
模型(数据生成机制):
-
状态序列:\(L_t\) 服从一阶马尔可夫链,转移概率依赖 \(C_{t-1}, W_{t-1}, Y_{t-1}, A_{t-1}\)(见公式(5)):
\[\eta_{L_t, ij} = \lambda_{1,ij} + \lambda_{2,ij} C_{t-1} + \lambda_{3,ij} W_{t-1} + \lambda_{4,ij} Y_{t-1} + \lambda_{5,ij} A_{t-1}\]其中 \(\eta\) 是 logit 或 multinomial logit 链接函数的线性预测子。 -
结局模型:\(Y_t\) 的条件分布依赖 \(L_t\)、\(Y_{t-1}\)、\(A_t\)、\(C_t\)、\(W_t\)、\(A_{t-1}\)(公式(6)):
\[E(Y_t \mid L_t = j, Y_{t-1}, A_t, C_t, W_t, A_{t-1}) = f^{-1}(\beta_{1,j} + \beta_2 Y_{t-1} + \beta_{3,j} A_t + \beta_4 C_t + \beta_5 W_t + \beta_{6,j} A_{t-1})\]其中 \(f\) 是链接函数(如恒等、logit)。关键:\(\beta_{3,j}\) 是状态 \(j\) 下的暴露效应,即我们关心的因果参数。 -
暴露模型:\(A_t\) 的条件分布依赖 \(L_t\)、\(A_{t-1}\)、\(W_t\)、\(C_{t-1}\)、\(Y_{t-1}\)(公式(7))。
-
协变量模型:\(C_t\) 的条件分布依赖 \(L_t\)、\(C_{t-1}\)、\(W_t\)、\(A_{t-1}\)、\(Y_{t-1}\)(公式(8))。
可观测数据:研究者实际能观测到的是 \(\{Y_t, A_t, C_t, W_t\}_{t=1}^T\) 的完整时间序列(含缺失)。不可观测的是状态序列 \(\{L_t\}_{t=1}^T\)。因果推断的目标是从可观测数据中恢复 \(E(Y_t^{a_1} - Y_t^{a_0} \mid \cdot, L_t = j)\)。
关键识别假设(作者在第1.1节列出):
- 一致性:\(Y_t \mid A_t = a_t = Y_t^{a_t}\)。
- 正性:\(P(A_t = a_t \mid A_{t-1}, Y_{t-1}, C_{t-1}, W_t) > 0\)。
- 条件可交换性:\(Y_t^a \perp\!\!\!\perp A_t \mid Y_{t-1}, A_{t-1}, C_t, W_t, L_t\)。注意:这里条件集中包含潜在状态 \(L_t\),这是一个强假设——它要求给定状态后,暴露分配与潜在结局独立。由于 \(L_t\) 不可观测,这一假设无法直接检验。
第二步:最小内核¶
最小内核:假设 \(J=2\)(两个状态:抑郁 vs. 平稳),\(T=500\) 天,\(A_t\) 为二值(如是否与关键联系人互动),\(Y_t\) 为连续(睡眠时长),无 \(C_t\) 和 \(W_t\)(简化),无缺失数据。模型简化为:
- \(L_t \in \{1, 2\}\),转移矩阵 \(A = \begin{pmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{pmatrix}\)(时不变)。
- \(Y_t = \beta_{1,L_t} + \beta_{2} Y_{t-1} + \beta_{3,L_t} A_t + \varepsilon_t\),\(\varepsilon_t \sim N(0, \sigma^2)\)。
- \(A_t\) 的分布依赖 \(L_t\) 和 \(A_{t-1}\)(例如 \(P(A_t = 1 \mid L_t = j, A_{t-1}) = \text{logit}^{-1}(\psi_{1,j} + \psi_2 A_{t-1})\))。
要估计的 estimand:\(\beta_{3,1}\) 和 \(\beta_{3,2}\),即抑郁状态和平稳状态下,社交互动对睡眠时长的同期效应。
为什么这个例子是"最小内核":它包含了本文方法的全部核心要素——潜在状态(\(L_t\))、状态依赖的暴露效应(\(\beta_{3,j}\))、时间序列依赖(\(Y_{t-1}\)、\(A_{t-1}\))、以及状态转移(\(A\) 矩阵)。去掉 \(C_t, W_t\) 和缺失数据后,剩下的就是"在隐马尔可夫模型中做因果估计"这一核心问题。
核心困难:\(L_t\) 不可观测,因此我们不能直接估计 \(\beta_{3,j}\)。EM算法通过迭代以下两步解决:
- E步:给定当前参数估计,用前向-后向算法计算 \(P(L_t = j \mid \text{全部观测数据})\),即每个时间点处于各状态的后验概率。
- M步:用这些后验概率作为权重,加权回归更新 \(\beta, \psi, \phi, \lambda\) 的估计。
为什么有效:如果状态已知,\(\beta_{3,j}\) 就是简单的分组回归系数。EM算法用后验概率代替未知状态,在期望意义下最大化完整数据似然。为什么可能失败:EM可能收敛到局部最优;状态标签可能互换(label switching);如果状态对观测数据的区分度不足,后验概率接近0.5,效应估计的精度会很低。
本文的贡献:将上述EM框架与g-formula结合,使得估计出的 \(\beta_{3,j}\) 具有因果解释(而非单纯关联),并专门处理了 \(Y_t\) 缺失的情况(通过边际化或插补)。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在移动健康数据中,当疾病状态(如双相障碍的抑郁/躁狂相)不可观测且可能修饰干预效应时,如何估计个体水平的状态条件因果效应。
- 核心工具/方法:将自回归隐马尔可夫模型(AR-HMM)嵌入反事实因果框架,推导状态条件g-formula估计量,并开发了处理结局变量缺失的EM算法(单值插补与多重插补两种变体)。
- 主要结论:模拟研究表明,所提出的HMM方法在估计状态条件因果效应时无偏且置信区间覆盖率达到名义水平,而忽略潜在状态的朴素方法产生严重偏倚;在双相障碍患者的真实数据应用中,方法识别出了有临床意义的状态依赖效应模式。
关键设定与假设¶
- 因果结构:作者假设了一个特定的DAG(图1),其中 \(L_t\)(潜在状态)影响 \(Y_t, A_t, C_t\),且 \(A_t\) 与 \(C_t\) 之间存在滞后关系。关键假设是 \(A_t\) 与 \(Y_t\) 之间没有未观测的混杂(给定 \(L_t\) 和历史),即条件可交换性。作者明确排除了 \(A_t\) 到 \(C_t\) 的同期边("we omit this edge and include lagged effects"),理由是方向性未知且可能双向。
- 状态转移:\(L_t\) 的转移概率依赖 \(C_{t-1}, W_{t-1}, Y_{t-1}, A_{t-1}\)(公式5),这意味着状态转移是非齐次的,允许外部因素影响状态变化。
- 缺失数据:假设 \(Y_t\) 的缺失是可忽略的(ignorable),即给定观测到的历史和状态后,缺失机制与缺失值独立。这是一个强假设,作者在讨论中承认了其局限性。
- 与已有文献的比较:相比Boruvka et al. (2016) 假设修饰变量可观测,本文将其视为潜在变量;相比标准HMM文献(如Hulme et al. 2020),本文增加了因果估计的目标;相比潜在类别处理效应文献(如Suk et al. 2021),本文处理的是个体内时间异质性而非个体间异质性。
主要结果¶
-
估计量:作者推导了状态条件g-formula估计量。对于同期效应,估计量为:
\[\hat{\beta}_{3,j} = \frac{\sum_{t=1}^{T} \gamma_j(t) (A_t - \bar{A}_j)(Y_t - \bar{Y}_j)}{\sum_{t=1}^{T} \gamma_j(t) (A_t - \bar{A}_j)^2}\]其中 \(\gamma_j(t) = P(L_t = j \mid \text{数据})\) 是后验状态概率,\(\bar{A}_j\) 和 \(\bar{Y}_j\) 是加权均值。这是加权最小二乘估计量,权重为状态后验概率。 -
模拟结果(第5节):
- 在 \(J=2\) 和 \(J=3\) 两种设定下,HMM-F-S-B(单值插补+块bootstrap)和HMM-F-ML-B(多重插补+块bootstrap)均能无偏估计 \(\beta_{3,j}\)。
- 朴素方法(忽略潜在状态,直接回归 \(Y_t\) 对 \(A_t\))产生严重偏倚,因为状态同时影响暴露和结局,造成混杂。
- 状态预测准确率:HMM-F-S-B 在 \(J=2\) 时为 97.3%,\(J=3\) 时为 90.0%;HMM-F-ML-B 分别为 85.7% 和 73.6%。
- 置信区间覆盖率:两种方法均接近95%的名义水平,但HMM-F-ML-B在 \(J=3\) 时略低。
-
附录中的额外模拟显示,贝叶斯方法(HMM-B)和参数bootstrap(HMM-F-S-P, HMM-F-ML-P)的覆盖率不足,作者据此推荐块bootstrap。
-
真实数据应用(第6节):
- 数据:双相障碍患者的智能手机数据,随访708天(参与者A)。
- 暴露:每日与关键联系人的短信/通话次数(平方根变换)。
- 结局:夜间睡眠时长(小时)。
- 协变量:正/负情绪评分(\(C_t\)),温度、是否周末(\(W_t\))。
- 结果:识别出两个潜在状态,与临床抑郁/平稳状态大致对应。在状态1(抑郁样状态)下,社交互动对睡眠时长的效应为0.031(95% CI: -0.199, 0.089),不显著;在状态2(平稳状态)下,效应为0.14(95% CI: -0.223, 0.036),也不显著。滞后效应均为负但不显著。作者强调,虽然未发现显著效应,但方法成功识别了状态依赖的效应模式,且状态预测与临床评估一致。
证明路线与技术技巧¶
- 整体路线(EM算法):
- 初始化:用K-means或随机初始化参数。
- E步:给定当前参数 \(\theta^{(k)}\),用前向-后向算法计算 \(\gamma_i(t) = P(L_t = i \mid \text{数据}, \theta^{(k)})\) 和 \(\xi_{ij}(t) = P(L_t = i, L_{t+1} = j \mid \text{数据}, \theta^{(k)})\)。
- M步:用 \(\gamma_i(t)\) 作为权重,分别更新:
- 转移参数 \(\lambda\):用加权多分类logistic回归。
- 结局参数 \(\beta\):用加权广义线性模型。
- 暴露参数 \(\psi\):用加权广义线性模型。
- 协变量参数 \(\phi\):用加权广义线性模型。
-
迭代直至收敛(对数似然变化小于阈值)。
-
缺失数据处理:
- 单值插补(HMM-F-S):在M步中,用当前参数估计 \(E(Y_t \mid \text{历史}, L_t = i)\) 插补缺失的 \(Y_t\),然后继续EM。
- 多重插补(HMM-F-ML):在E步后,从后验预测分布中抽取 \(Y_t\) 的插补值,重复M次,合并估计结果(Rubin's rules)。
-
关键技巧:插补 \(Y_t\) 时使用其作为回归变量的条件分布,而非边际分布,以避免引入偏倚。
-
推断方法:
- 块bootstrap(Clémençon et al. 2009):将时间序列分成块,有放回地抽样块,保持时间依赖性。对每个bootstrap样本重新拟合HMM并计算效应估计,取2.5%和97.5%分位数作为置信区间。
-
关键理由:标准bootstrap假设观测独立,但时间序列数据存在自相关;块bootstrap通过保持块内的时间结构来缓解这一问题。
-
关键跳跃点:
- 状态标签识别:HMM的状态标签是任意的(label switching),作者通过最大化状态预测与临床评估的一致性来重新标记状态。
- 状态条件效应的因果解释:作者论证,在给定 \(L_t\) 和历史后,\(A_t\) 的分配是条件可交换的,因此 \(\beta_{3,j}\) 可以解释为状态 \(j\) 下的因果效应。这一论证依赖于DAG中不存在未观测混杂的假设。
- 缺失数据与状态估计的耦合:缺失的 \(Y_t\) 同时影响状态估计和效应估计,作者通过将插补纳入EM迭代来解决这一耦合问题。
🔎 结论是否比证明窄¶
- 作者声称:"the proposed models provide unbiased estimation of the contemporaneous average individual causal effect of interest and high prediction accuracy of the latent state"(第7节)。
- 实际证明:模拟中确实展示了无偏性和高预测准确率,但仅在特定的数据生成机制下(作者自己设定的模拟参数)。作者未提供任何理论证明(如一致性、渐近正态性),也未讨论当模型假设(如状态数 \(J\)、转移矩阵形式、缺失机制)被违反时的表现。
- 具体窄化点:
- 模拟中 \(Y_t\) 的缺失是完全随机缺失(MCAR),而真实数据中更可能是随机缺失(MAR)或非随机缺失(MNAR)。作者在讨论中承认了这一点,但未提供MAR或MNAR下的模拟。
- 模拟中状态转移概率是时不变的,但真实数据中状态转移可能依赖时间或外部事件。
- 作者声称"unbiased",但未报告bootstrap估计量的偏差校正,且未讨论bootstrap在HMM设定下的一阶有效性。
- 真实数据应用中,效应估计的置信区间均包含0,作者未讨论统计功效问题。
四、开放问题¶
-
识别性的理论刻画:在潜在状态修饰下,状态条件因果效应的非参数识别条件是什么?作者依赖参数模型(logistic回归、正态误差)实现识别,但未讨论在非参数或半参数设定下是否仍然可识别。扎根于第1.1节的假设列表——作者列出了条件可交换性、一致性、正性,但未证明这些假设是否充分或必要。
-
状态数 \(J\) 的选择:作者在应用中将 \(J\) 固定为2(基于临床知识),但未讨论 \(J\) 的模型选择问题(如BIC、交叉验证)。扎根于第2节:"We specify the model to include two underlying latent states, as clinically we understand this patient only exhibits symptoms related to depressed and euthymic states"——这是基于个体特异的临床判断,而非数据驱动。
-
缺失机制的敏感性:作者假设 \(Y_t\) 缺失可忽略,但移动健康数据中缺失往往与症状严重程度相关(MNAR)。需要开发对缺失机制假设的敏感性分析方法。扎根于第7节:"We additionally assume that the missingness is limited to the outcome variable, and that said missingness is ignorable. In truth, it is likely in mobile health that the missingness is not at random and across several variables"。
-
bootstrap的理论性质:块bootstrap在HMM设定下是否一致?块长度如何选择?作者未提供任何理论保证。扎根于第4.2节——作者仅描述了bootstrap程序,未讨论其渐近性质。
-
多重比较问题:在 \(J\) 个状态下分别检验效应,涉及多重比较问题。作者未讨论如何控制族wise错误率或FDR。扎根于第6节——作者对每个状态分别报告置信区间,但未进行多重性校正。
-
从个体到群体的泛化:N-of-1方法估计的是个体效应,但如何将这些个体效应汇总为群体层面的结论(如"双相障碍患者中,社交互动对睡眠的效应在抑郁状态下平均为X")?作者未讨论异质性汇总的元分析方法。扎根于第1节——作者明确采用N-of-1框架,但未讨论跨个体推断。
提示:若要确认上述开放问题是否为真gap,建议检索近5年(2020-2025)在 Biometrics, Journal of the American Statistical Association, Annals of Applied Statistics 上关于"latent state causal inference"、"mobile health causal inference"、"HMM causal effect"的论文,看是否已有后续工作解决了这些问题。特别关注是否有论文给出了潜在状态修饰下的非参数识别条件,或开发了针对MNAR缺失的敏感性分析工具。
Maintained by 陈星宇 · Homepage · Source on GitHub