Causal estimands and identification of time-varying effects in nonstationary time series from N-of-1 mobile device data¶
作者: Xiaoxuan Cai, Li Zeng, Charlotte Fowler, Lisa Dixon, Dost Ongur et al.
来源: Biostatistics
主题: 因果推断
相关性: 8/10
机构绿灯: Ohio State University(US News 前 50,免分进入精读)
链接: https://doi.org/10.1093/biostatistics/kxag014
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单被试(N-of-1)观察性时间序列的因果推断。其根本科学问题是:在只有一个个体、但时间点很多(T 大、n=1)的密集纵向数据中,如何定义并识别时变暴露对结局的因果效应。这类数据在移动健康(mHealth)研究中大量涌现——智能手机和可穿戴设备持续记录个体的暴露(如社交联络)、结局(如情绪)和协变量(如活动量),形成高频率、非平稳、存在反馈回路的多变量时间序列。该方向的成熟度处于早期发展阶段:已有工作多依赖群体数据(i.i.d. 个体)或平稳性假设,针对单一个体的非平稳动态因果效应的形式化框架尚属空白。
发展脉络¶
- 奠基工作:潜在结果框架与 g-formula。本文的识别策略直接建立在 Robins 等人的潜在结果框架和 g-formal(Robins, Greenland & Hu, 1999, [33])之上。作者引用该工作作为"时间-varying exposure 对 repeated binary outcome 边际均值的因果效应"的经典处理方式,并指出其需要大量 i.i.d. 个体。
- 主要进展:时间序列实验与 N-of-1 设计。Bojinov & Shephard (2019, [24]) 提出"时间序列实验"框架,在随机化条件下定义单位水平的 temporal average treatment effects,并给出非参数识别。作者引用时强调其"requires randomization and excludes covariates in consideration"——这是本文要突破的两个口子。Daza (2018, [29]) 提出 N-of-1 试验中的 period-average treatment effects,但作者指出其"not directly applicable in the context of time-varying exposures"。
- 当前 frontier:移动健康中的因果推断。Boruvka et al. (2018, [32]) 在移动健康中研究 time-varying effect moderation,但作者指出其依赖 micro-randomized trials(随机化分配),不适用于观察性数据。Blackwell & Glynn (2018, [25]) 和 Imai, Kim & Wang (2018, [26]) 处理 cross-sectional time series (CSTS) 数据,但作者评价其"tailored to static scenarios, assessing effects averaged across both population and time"。
- 本文的位置:作者声称填补的缺口是——在无随机化、无 i.i.d. 个体、非平稳的单被试时间序列中,定义并识别时变暴露的短期与长期因果效应。其策略是:潜在结果框架 + g-formula + 状态空间模型(state space model),并辅以两个新的可视化诊断工具(impulse impact plot、step positivity validation plot)。
子线索聚类¶
- 潜在结果框架与 g-formula 的纵向推广([33], [26], [25]):这条线处理"如何在时间维度上定义因果效应",核心工具是序贯条件交换性下的 g-formula。本文的 estimand 定义和识别定理(Theorem 1)直接继承此线。
- 时间序列实验与 N-of-1 设计([24], [29]):这条线处理"单一个体如何做因果推断",核心问题是单位水平效应的时间聚合。本文的 N-of-1 定位和"近期暴露"聚焦与此线对接。
- 移动健康中的动态处理效应([32], [3], [28]):这条线处理"密集纵向数据中的个性化干预",核心是时变效应异质性与实时决策。本文的应用场景(BLS 研究)和个性化推荐策略属于此线。
这个方向在追问的核心问题¶
- 如何定义单被试的因果 estimand? 当没有群体平均时,"效应"应该是什么?本文的回答是:给定历史条件下的条件效应(conditional effects),并区分 contemporaneous、lagged、cumulative 等不同时间尺度。
- 如何在非平稳时间序列中识别这些 estimand? 传统纵向因果推断假设平稳性或至少效应不变性,本文通过"periodic stable effects"(周期性稳定效应)假设来放松这一限制。
- 如何处理暴露-结局-协变量之间的反馈回路? 协变量同时是 confounder 和 mediator,本文通过 g-formula 的序贯条件分解来处理。
- 如何验证 positivity 假设? 在时间序列中,随着暴露历史长度增加,positivity 几乎必然被违反。本文提出一个可视化诊断工具来评估"哪些暴露历史长度是可行的"。
⚠️ 作者的 framing(这是作者的说法)¶
作者把缺口 frame 成:"现有方法要么假设 i.i.d. 个体(群体平均),要么假设平稳性(效应不变),要么需要随机化(实验设计),而 N-of-1 观察性移动健康数据三者都不满足。" 因此本文是"显然的下一步"——在无 i.i.d.、无平稳性、无随机化的条件下建立因果推断框架。被淡化或回避的竞争路线包括:(a) 断点回归或回归不连续设计——如果暴露变化有阈值规则,可以利用拟实验变异;(b) 面板数据方法——如果有多个个体(即使少量),可以用双向固定效应或合成控制法处理非平稳性;(c) 贝叶斯结构时间序列——Google 的 CausalImpact 等工具已在实践中处理单被试非平稳因果效应,但缺乏形式化的潜在结果框架。值得去查的问题:为什么作者没有引用 CausalImpact(Brodersen et al., 2015)或合成控制法(Abadie, 2010)?这些方法在"单被试非平稳因果效应"问题上已有实践,作者是否认为它们缺乏形式化的 estimand 定义?
张力¶
未见明显对立引用。但存在一个隐含张力:Bojinov & Shephard [24] 强调随机化对时间序列因果推断的必要性(否则无法保证无混杂),而本文声称在观察性数据中仅靠"no unmeasured confounding"(序贯条件交换性)即可识别。这两者的分歧在于:在时间序列中,序贯条件交换性是否足以替代随机化? 作者没有正面回应这一张力,而是通过引入"periodic stable effects"假设来绕开。
二、最核心、最简单的例子 / 数学内核¶
第一步:符号、模型、可观测数据¶
符号清单(逐个点名):
| 记号 | 含义 | 类型 |
|---|---|---|
| \(t = 1, \ldots, T\) | 离散时间指标 | 指标 |
| \(Y_t\) | 时间 \(t\) 的结局(如负性情绪评分) | 可观测随机变量 |
| \(A_t\) | 时间 \(t\) 的暴露/处理(如是否与密友联络,二值) | 可观测随机变量 |
| \(C_t\) | 时间 \(t\) 的时变协变量(如身体活动量) | 可观测随机变量 |
| \(C_0\) | 基线协变量 | 可观测随机变量 |
| \(H_t\) | 截至 \(t\) 的全部历史 \(\{(A_s, Y_s, C_s): s \leq t\}\) | 可观测历史 |
| \(H_{A_t^-}\) | 暴露 \(A_t\) 之前的全部历史 | 可观测历史 |
| \(Y_t(a_t)\) | 在 \(A_t = a_t\) 下的潜在结局 | 潜在(counterfactual)量 |
| \(Y_t(a_{(t-q):t})\) | 在 \(A_{(t-q):t} = a_{(t-q):t}\) 下的潜在结局 | 潜在量 |
| \(S_{Y_t^-}, S_{A_t^-}, S_{C_t^-}\) | 选定的相关历史子集(Markov 充分统计量) | 建模选择 |
| \(\theta_t, \psi_t\) | 状态空间模型中的时变参数(回归系数) | 参数 |
| \(G_t, W_t, F_t, V_t\) | 状态转移矩阵、状态噪声协方差、观测矩阵、观测噪声方差 | 参数 |
数据生成机制(模型):作者假设一个线性状态空间模型(Definition 9):
- 状态方程:\(\theta_t = G_t \theta_{t-1} + w_t\),其中 \(w_t \sim N_d(0, W_t)\)。时变系数 \(\theta_t\) 自身是一个 Markov 过程,允许系数随时间漂移(非平稳性来源)。
- 观测方程:\(Y_t = F_t \theta_t + v_t\),其中 \(v_t \sim N(0, V_t)\),\(F_t\) 包含解释变量(如 \(Y_{t-1}, A_t, A_{t-1}, C_{t-1}\))。
可观测数据:单个个体在 \(T\) 个时间点的序列 \(\{(A_t, Y_t, C_t): t = 1, \ldots, T\}\),加上基线 \(C_0\)。关键点:只有一个个体(\(n=1\)),所有推断都依赖时间维度上的重复观测。
想要但观测不到的:潜在结局 \(Y_t(a_{(t-q):t})\)——同一个体在同一时间点只能观测到一种暴露历史下的结局,其他暴露历史下的结局是反事实。
第二步:最小内核¶
核心问题:在只有一个个体、暴露随时间变化、且暴露影响结局的效应本身可能随时间变化的情况下,如何定义并识别"暴露 \(A_{t-q}\) 对结局 \(Y_t\) 的因果效应"?
最小设定(剥去一般性,保留本质):
- 二值暴露 \(A_t \in \{0, 1\}\),结局 \(Y_t\) 连续。
- 只考虑 \(q=1\) 的滞后效应(即 \(A_{t-1}\) 对 \(Y_t\) 的影响)。
- 假设无未观测混杂(序贯条件交换性):\(Y_t(a_{(t-1):t}) \perp A_t \mid H_{t-1}\)。
- 假设 Markov 性质:\(Y_t\) 只依赖 \(S_{Y_t^-} = \{A_{(t-1):t}, Y_{t-1}, C_{t-1}\}\)。
最小 estimand:1-滞后效应(Definition 3 的特例)
含义:在时间 \(t\) 的暴露固定为 0 的条件下,将 \(t-1\) 时刻的暴露从 0 改为 1,对 \(Y_t\) 的因果效应。注意这里固定了中间暴露 \(a_t\),因此这是一个 controlled direct effect——它阻断通过 \(A_t\) 的间接路径,只捕捉 \(A_{t-1} \to Y_t\) 的直接效应。
为什么这个 estimand 是"最小内核":它同时体现了本文的三个核心贡献点——(1) 单被试(没有群体平均,只有条件效应);(2) 非平稳(\(LE^{(1)}_t\) 是 \(t\) 的函数,允许效应随时间变化);(3) 反馈处理(通过固定中间暴露 \(a_t\) 来阻断间接路径)。
识别:在序贯条件交换性和 Markov 假设下,Theorem 1 给出:
即:条件期望 \(E[Y_t \mid \cdot]\) 在观测数据中是可估计的(因为它是给定观测历史的条件均值),因此 \(LE^{(1)}_t\) 被识别。证明的关键步骤是:通过序贯条件交换性,将潜在结局的期望替换为观测数据的条件期望,然后通过 Markov 假设将条件集从全部历史 \(H_{t-1}\) 缩减为相关子集 \(S_{Y_t^-}\)。
为什么这个识别是"最小内核":它展示了 g-formula 的本质——通过序贯地条件化并边缘化中间变量,将潜在结局的分布表示为观测数据条件分布的积分。在 \(q=1\) 的特例中,这个积分退化为一个条件期望,因此特别透明。
估计:作者提出用状态空间模型拟合 \(E[Y_t \mid S_{Y_t^-}]\),其中系数 \(\theta_t\) 允许随时间变化(通过状态方程)。然后,\(LE^{(1)}_t\) 的估计量就是 \(\hat{\beta}_{2,t}\)(即 \(A_{t-1}\) 的时变系数)。关键点:状态空间模型中的 Kalman 滤波和平滑算法(Definition 10-11)提供了 \(\theta_t\) 的后验分布,从而得到效应估计及其不确定性。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在 N-of-1 观察性移动健康研究中,如何定义并识别非平稳多元时间序列中时变暴露对结局的短期与长期因果效应。
- 核心工具/方法:潜在结果框架下定义新的因果 estimand(contemporaneous effect、q-lag structural direct effect、q-lag effect、q-step total effect、q-step general effect、cumulative effects),基于序贯条件交换性和 Markov 假设的 g-formula 识别,以及状态空间模型(Kalman 滤波/平滑)进行估计。
- 主要结论:所提出的 estimand 在合理的假设下可被识别;状态空间模型框架能灵活处理非平稳性和反馈回路;应用于 BLS 双相障碍患者数据,发现手机联络对负性情绪的影响随时间及个体间存在显著异质性;提出基于模拟的个性化治疗推荐策略和 positivity 诊断图。
关键设定与假设¶
在第二节最小记号的基础上,补全如下:
- 假设 1(Markov 独立性):\(Y_t\)、\(A_t\)、\(C_t\) 的条件分布只依赖选定的相关历史子集 \(S_{Y_t^-}\)、\(S_{A_t^-}\)、\(S_{C_t^-}\),而非全部历史。这是维度缩减的关键假设,使估计可行。相比已有文献(如 [26] 的 CSTS 方法),本文允许相关历史子集的选择依赖领域知识,更灵活。
- 假设 2(一致性):观测结局等于潜在结局在观测暴露下的值。标准假设,无特别之处。
- 假设 3(Positivity):给定历史,每个暴露水平都有正概率被观测到。作者特别指出,在时间序列中随着暴露历史长度增加,positivity 几乎必然被违反——这是他们提出 positivity 诊断图的动机。
- 假设 4(序贯条件交换性):给定过去历史,暴露分配独立于潜在结局。这是无未观测混杂的时序版本,比截面数据的 unconfoundedness 更强(要求所有时点的混杂都被观测到)。
- 假设 5(中间变量可交换性):对于 structural direct effect 的识别,要求中间变量(如 \(Y_{t-1}, C_{t-1}\))与潜在结局之间无未观测混杂。这是中介分析中的标准假设,但作者未明确讨论其可检验性。
- 假设 6(周期性稳定效应):效应在未知的时间段内保持不变,但不同时间段可以不同。这是本文放松平稳性假设的核心创新——相比 [24] 的完全时变效应,它假设效应是分段常数,从而在灵活性和可估计性之间取得平衡。
相比已有文献的放宽/强化: - 放宽:不假设平稳性([25, 26] 假设效应随时间不变);不要求随机化([24] 要求随机化分配);不要求 i.i.d. 个体([33] 的 g-formula 通常用于群体数据)。 - 强化:假设 5(中间变量可交换性)比标准 g-formula 更强;假设 6(周期性稳定效应)要求效应在时间段内恒定,这在快速变化的移动健康场景中可能不现实。
主要结果¶
理论结果:
- Theorem 1(识别定理):在假设 2-4 下,条件潜在结局期望 \(E[Y_t(a_{(t-q):t}) \mid H_{t-q-1}]\) 可由观测数据的条件期望识别(公式 10-13)。证明思路:通过序贯条件交换性将潜在结局替换为观测结局,然后通过 Markov 假设(假设 1)简化条件集。技术难点:处理时间序列中的反馈回路——\(A_t\) 影响 \(Y_t\),\(Y_t\) 又影响未来的 \(A_{t+1}\) 和 \(C_{t+1}\)。作者通过 g-formula 的序贯分解来处理,即对中间变量(\(Y, C\))的分布进行积分。
- Corollary 1(简化识别):在假设 1 和 DAG 结构(图 1)下,识别公式可简化为只依赖相关历史子集(公式 15-18)。技术难点:证明哪些历史信息可以安全地忽略——这需要仔细检查 DAG 中的条件独立性关系。
- Corollary 2-4(参数化估计):在线性状态空间模型(公式 24-25)下,各 estimand 可表示为模型参数的解析函数。例如,\(CE_t = \beta_{1,t}\),\(LDE^{(1)}_t = \beta_{2,t}\),而 \(LE^{(1)}_t = \beta_{2,t} + \beta_{c,t}\mu_{1,t-1} + \rho_t\beta_{1,t-1} + \beta_{c,t}\mu_{2,t-1}\beta_{1,t-1}\)。技术难点:推导滞后效应的解析表达式需要仔细追踪暴露通过中介变量(\(Y_{t-1}, C_{t-1}\))的间接路径。
方法贡献:
- Impulse impact plot:将 q-lag effects 对 q 作图,展示单次暴露冲击随时间衰减或增强的模式。这类似于时间序列分析中的脉冲响应函数,但基于潜在结果框架定义。
- Step response plot:将 q-step total effects 对 q 作图,展示永久性暴露改变(从 0 到 1)的累积效应。这类似于阶跃响应函数。
- Positivity validation plot:对每个暴露历史长度 \(q\),计算观测到的不同暴露序列组合的比例,评估 positivity 假设在多大程度上被满足。技术细节:对于二值暴露,\(q\) 天暴露历史有 \(2^q\) 种可能组合,随着 \(q\) 增大,观测到的组合数会迅速下降。该图帮助研究者确定"多大的 \(q\) 是可信的"。
实证结果(BLS 研究):
- 数据:一名双相 I 型障碍患者,708 天随访,每日记录负性情绪(结局)、是否与密友电话/短信联络(暴露)、身体活动量(协变量)。
- 发现:电话联络对当日负性情绪有显著负向效应(即减少负性情绪),但该效应在约 561-641 天之间才显著;短信联络的 contemporaneous effect 不显著,但 1-lag effect 在 461 天后显著。效应大小和显著性随时间变化,验证了非平稳性的重要性。
- 异质性:比较四名患者,发现效应方向、大小、时间模式均存在显著个体差异,支持 N-of-1 分析的必要性。
- 治疗推荐:基于估计的效应,模拟不同干预策略(如"每周 3 次联络"的不同时间安排),比较其预期效果,为临床决策提供参考。
🔎 结论是否比证明窄¶
需要指出的具体点:
-
Theorem 1 的证明是条件期望层面的,但估计量的渐近性质未证明。作者在 Corollary 2-4 中给出参数估计的解析表达式,但未证明这些估计量的相合性、渐近正态性或给出标准误的解析公式。文中仅通过 Kalman 滤波的后验分布获得不确定性度量,但这是基于模型假设(线性、高斯)的,而非基于抽样分布。文中没有明确声称估计量的渐近性质,但读者可能从"g-formula estimator"的表述中推断其具有标准性质——这需要谨慎。
-
"periodic stable effects"(假设 6)的检验问题。作者假设效应在未知时间段内恒定,但未提供检验时间段划分合理性的方法。文中提到"change points occurring on day 516 and 641",但未说明这些变点是如何检测的(是模型自动估计还是人为设定)。文中没有声称变点检测方法的最优性,但这一假设对估计结果至关重要。
-
无未观测混杂假设(假设 4)的敏感性。作者在讨论中承认这一假设不可检验,但未提供敏感性分析。文中提到"Further work is needed to develop sensitivity analysis strategies",明确承认了这一局限。
-
线性状态空间模型的限制。作者在讨论中提到"parametric assumptions and linear relationships"是局限,但未给出非线性扩展的方向。
四、开放问题¶
以下开放问题均扎根于文中具体语句:
-
敏感性分析框架:文中明确说"Further work is needed to develop sensitivity analysis strategies to address unmeasured confounding"(Discussion 部分)。具体要做什么:在 N-of-1 时间序列中,如何量化未观测混杂对估计的 causal effects 的影响?能否借鉴 Rosenbaum 敏感性分析或 E-value 方法到时间序列设定?扎根点:Discussion 第一段。
-
变点检测的推断:文中假设 6 允许效应在未知时间段内恒定,但未提供变点位置的推断方法。具体要做什么:如何对变点位置进行统计推断(估计、置信区间)?变点检测的不确定性如何传播到 causal effect 估计?扎根点:假设 6 的陈述及实证部分"change points occurring on day 516 and 641"。
-
跨个体聚合的正式框架:文中提到"there is also interest in combining evidence of treatment effect across multiple individuals for more generalizable and robust inferences in future work"(Discussion 末段)。具体要做什么:如何在保留个体异质性的同时进行跨个体推断?是随机效应模型、元分析还是其他框架?扎根点:Discussion 末段。
-
非线性状态空间模型的扩展:文中承认"parametric assumptions and linear relationships"是局限。具体要做什么:能否用粒子滤波/序列蒙特卡洛方法处理非线性非高斯的状态空间模型?计算成本如何?扎根点:Discussion 中"To reduce dependence on the model specification"一句。
-
positivity 诊断的正式阈值:文中提出 positivity validation plot 但未给出"可接受"的阈值。具体要做什么:能否基于有限样本误差或估计量方差,给出 positivity 满足程度的量化标准?扎根点:Section 6 中 positivity validation plot 的描述。
提示:要确认上述某条是否是真 gap,建议去读以下近期文献的 intro:(a) 移动健康中的因果推断(如 micro-randomized trials 的后续工作);(b) 时间序列因果推断的敏感性分析;(c) 单被试设计的统计方法。如果这些文献的 intro 都指向同一缺口,那就是共识性 gap;如果互相打架,则可能是机会。
Maintained by 陈星宇 · Homepage · Source on GitHub