跳转至

Bounds for the regression parameters in dependently censored survival models

作者: Ilias Willems, Jad Beyhum, Ingrid Van Keilegom
来源: Journal of the Royal Statistical Society Series B
主题: 因果推断
相关性: 7/10
机构绿灯: KU Leuven(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删失生存分析中的部分识别(partial identification)。其根本的统计问题是:在事件时间 T 与删失时间 C 可能相关(即删失机制完全未知)的情况下,如何对协变量 X 对 T 分布的影响进行推断。传统生存分析几乎都依赖 T⊥C|X 的独立删失假设(或已知依赖结构的 copula 假设),而本文的目标是在完全不指定 T 与 C 的依赖结构的前提下,对回归系数进行推断。由于模型在无额外假设时不可点识别(Tsiatis, 1975),研究者只能退而求其次,估计系数的识别集(identified set),即所有与观测数据相容的系数值构成的集合。该方向的成熟度处于快速发展期:理论基础(Peterson 界)已有近五十年历史,但将其与现代部分识别推断工具(矩不等式、子向量推断)结合是近十年的前沿工作。

发展脉络

  • 奠基工作:Tsiatis (1975) 证明了在完全非参数设定下,T 与 C 的联合分布不可识别,这为所有后续部分识别工作提供了理论基础。Peterson (1976) 给出了在仅观测 (Y, Δ, X) 时,T 的边际生存函数的上下界(即 Peterson 界),这是本文方法论的直接起点。Kaplan 和 Meier (1958) 的乘积限估计则是独立删失下点估计的基准。
  • 主要进展:Horowitz 和 Manski (1998) 将部分识别思想引入删失与缺失数据问题,但他们的方法需要指定权重函数或插补方法,仍对删失机制有间接假设。Huang 和 Zhang (2008) 与 Deresa 和 Van Keilegom (2024) 等通过引入 copula 函数来参数化 T 与 C 的依赖结构,从而在点识别框架下工作,但代价是必须正确指定 copula 形式。Sakaguchi (2024) 是本文最直接的竞争者,他在更一般的设定下(允许时变效应)研究了部分识别,但假设效应不随时间变化,且使用了不同的推断方法。Bei (2024) 提供了子向量推断的新工具,本文直接借用其检验方法。
  • 当前 frontier:如何在完全不假设删失机制的前提下,对时变效应进行推断;如何在高维协变量下构造更紧的识别集;如何将部分识别与敏感性分析结合。
  • 本文的位置:本文填补的缺口是——在完全删失不可知(agnostic)的设定下,对时变系数进行部分识别推断。作者将 Peterson 界与 Bei (2024) 的矩不等式检验结合,构造了系数的识别区间,并证明其具有经典置信区间的解释。这是对 Sakaguchi (2024) 的推广(允许时变效应),同时比 copula 方法(Huang & Zhang, 2008)更稳健。

子线索聚类

  1. 删失机制建模:以 copula 为基础的参数/半参数方法(Huang & Zhang, 2008; Deresa & Van Keilegom, 2024, 2025; Czado & Van Keilegom, 2023; Lo & Wilke, 2023; Ding & Van Keilegom, 2025)。这条线追求点识别,但依赖对依赖结构的正确指定。
  2. 部分识别与稳健推断:不指定删失机制,只求识别集(Peterson, 1976; Horowitz & Manski, 1998; Sakaguchi, 2024; 本文)。这条线更稳健,但代价是只能得到区间估计。
  3. 矩不等式推断方法:为部分识别模型提供检验和置信集构造工具(Andrews & Shi, 2013; Bei, 2024; Kaido et al., 2019; Bugni et al., 2017; Gasparin & Ramdas, 2024)。这是方法论支撑,本文直接应用 Bei (2024) 的检验。
  4. 变换模型与半参数回归:Delgado et al. (2022) 等研究了删失数据下的分布回归,本文的模型 (1) 是其推广。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"a truly censoring-agnostic method for doing inference on the Cox PH model has eluded the literature thus far"(第 1 页)。他们声称自己的贡献是首次在 Cox 模型下实现完全删失不可知的推断。这个 framing 隐含地淡化了 Sakaguchi (2024) 的贡献——作者在文献综述中仅用一句话提及 Sakaguchi,并强调其假设"time-independent effects",而本文允许时变效应。同时,作者回避了 copula 方法的优势:当研究者有先验知识认为 T 与 C 的依赖结构属于某参数族时,copula 方法能给出更紧的识别集甚至点估计,而本文的方法会丢弃这些信息。作者也没有讨论效率问题——他们的识别区间是否在某种意义下最优,或者是否可以通过选择不同的工具变量来缩小识别集。

张力

未见明显对立引用。但存在一个隐含张力:copula 方法(点识别)与删失不可知方法(部分识别)之间的取舍。这两条线的支持者可能对"什么是最小合理假设"有不同看法。此外,Bei (2024) 的检验依赖于 Assumption (A8),该假设在本文中被替换为更易验证的 (A8'),但作者承认 (A8') 排除了某些边界情形(Supplementary E, Example 2),这可能与 Sakaguchi (2024) 的设定不完全一致。


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

符号清单(按类别分组):

类别 符号 含义
随机变量 T 事件时间(潜在,可能被删失)
C 删失时间(潜在,不可观测)
Y = min(T, C) 观测到的随访时间
Δ = 1{Y = T} 事件指示符(1=观察到事件,0=删失)
X = (1, X̃)ᵀ d+1 维协变量向量(含截距项)
W = (Y, Δ, X) 单个观测的完整数据
参数/目标量 β_true,t ∈ ℝ^(d+1) 在时间 t 处的真实回归系数(目标 estimand)
β ∈ B ⊂ ℝ^(d+1) 候选参数向量
B_I* 识别集(所有与数据相容的 β)
B_I,k* 识别集在第 k 个坐标上的投影
模型成分 Λ_t : ℝ → (0,1) 已知链接函数(如 Cox: Λ_t(u) = 1 - exp(-exp(u)))
G = {g_j, j=1,...,J} 工具函数类(用于将条件矩转化为无条件矩)
C_θ 连接 T 与 C 的 copula(本文不指定)
样本量/维数 n 样本量
d 协变量维数(不含截距)
J 工具函数个数
B 自助法重复次数(模拟中 B = 600)

数据生成机制(模型):

  1. 协变量 X 从某分布 F_X 中独立同分布抽样。
  2. 给定 X = x,事件时间 T 的条件生存函数满足模型 (1): P(T > t | X = x) = 1 - Λ_t(xᵀβ_true,t)。 注意:模型只在一个固定时间点 t 上施加约束,不要求对所有 t 同时成立。
  3. 删失时间 C 的条件分布 F_{C|X} 完全未知,且 T 与 C 的依赖结构(copula C_θ)完全未知。
  4. 观测到 (Y, Δ, X),其中 Y = min(T, C),Δ = 1{T ≤ C}。

可观测数据:{(Y_i, Δ_i, X_i) : i = 1, ..., n},独立同分布。

关键识别问题:给定观测数据,哪些 β 是"可能的"?即,是否存在某个条件删失分布 F_{C|X} 和某个 copula C_θ,使得模型 (1) 与观测到的 (Y, Δ, X) 的联合分布相容?

第二步:最小内核

核心思想:Peterson (1976) 给出了 T 的条件生存函数 S_T(t|x) = P(T > t | X = x) 的识别界:

  • 下界:S_T(t|x) ≥ P(Y > t | X = x) (因为 T > t 蕴含 Y > t)
  • 上界:S_T(t|x) ≤ P(Y > t, Δ = 1 | X = x) + P(Y ≤ t, Δ = 0 | X = x) (因为若在 t 之前删失,则 T 可能大于 t)

最小例子(d = 1,单个二元协变量 X ∈ {0,1},固定时间 t):

假设我们观测到: - P(Y > t | X = 0) = 0.7, P(Y > t, Δ = 1 | X = 0) = 0.4 - P(Y > t | X = 1) = 0.5, P(Y > t, Δ = 1 | X = 1) = 0.3

那么 Peterson 界给出: - 对 X = 0:S_T(t|0) ∈ [0.7, 0.4 + (1 - 0.7) = 0.7] = {0.7}(点识别!因为 P(Y ≤ t, Δ = 0 | X = 0) = 0.3,上界 = 0.4 + 0.3 = 0.7) - 对 X = 1:S_T(t|1) ∈ [0.5, 0.3 + (1 - 0.5) = 0.8] = [0.5, 0.8]

现在假设模型 (1) 采用 Cox 链接:S_T(t|x) = exp(-exp(β_0 + β_1 x))。

  • 对 X = 0:S_T(t|0) = exp(-exp(β_0)) = 0.7 ⟹ β_0 = log(-log(0.7)) ≈ -1.03。
  • 对 X = 1:S_T(t|1) = exp(-exp(β_0 + β_1)) ∈ [0.5, 0.8] ⟹ β_0 + β_1 ∈ [log(-log(0.8)), log(-log(0.5))] ≈ [-1.50, -0.37]。

因此,β_1 的识别集为:β_1 ∈ [-1.50 - (-1.03), -0.37 - (-1.03)] = [-0.47, 0.66]。

这个例子说明了什么: 1. 即使删失机制完全未知,模型 (1) 的系数仍然可以被部分识别(即被限制在一个区间内)。 2. 识别集的宽度取决于 Peterson 界的宽度,而后者由观测数据中删失的比例和协变量的分布决定。 3. 当没有删失时(P(Y ≤ t, Δ = 0) = 0),Peterson 界退化为一个点,识别集也退化为一个点,模型变为点识别。

数学上,本文做了一件什么事:将上述 Peterson 界(对每个 x 都成立)转化为关于 β 的条件矩不等式(式 5),再用工具函数 G 将其转化为无条件矩不等式(式 6),最后用 Bei (2024) 的检验对每个候选值 r 检验 H₀(r) : r ∈ B_I,k*,通过检验反演得到识别区间的估计。核心难点在于:(i) 如何保证工具函数的选择不丢失信息(Assumption A4);(ii) 如何处理连续协变量带来的无穷多个条件约束;(iii) 如何构造具有正确渐近水平的检验(Assumptions A8, A9 和 Bei (2024) 的 bootstrap)。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在事件时间 T 与删失时间 C 的依赖关系完全未知(censoring-agnostic)的设定下,如何对半参数生存模型(式 1)中的回归系数进行推断,该模型允许协变量效应随时间变化。
  2. 核心工具/方法:将 Peterson (1976) 的条件界转化为条件矩不等式,用工具函数(indicator、B-spline 等)离散化为无条件矩不等式,再借用 Bei (2024) 的广义矩选择(GMS)检验进行子向量推断,通过检验反演得到系数的识别区间。
  3. 主要结论:在温和的正则条件下(A1–A9),所构造的识别区间以至少 1−α 的概率覆盖真实系数 β_true,k(Theorem 1);模拟显示区间宽度随样本量增大而收缩,随删失率增大而变宽;在删失率较低时,区间宽度接近点估计的置信区间。

关键设定与假设

  • 模型(式 1):P(T > t | X = x) = 1 - Λ_t(xᵀβ_true,t)。这是单点约束模型,只在固定时间 t 上施加结构。Λ_t 已知且严格递增、二次可微(A2)。
  • 可观测数据:W = (Y, Δ, X),i.i.d.,Y = min(T, C),Δ = 1{T ≤ C}。
  • 核心假设:
  • (A1) i.i.d. 观测。
  • (A2) Λ_t 严格递增、二次连续可微。
  • (A3) 工具函数 G 有界、连续。
  • (A4) 工具函数的支撑覆盖整个协变量空间(保证条件矩不等式的信息不丢失)。
  • (A5) 参数空间 B 非空、凸、紧。
  • (A6) 协变量空间 X 有界。
  • (A7) 矩函数方差一致有界(保证检验统计量渐近正态)。
  • (A8) 识别集边界处的"可分离性"条件(保证检验在边界处有正确的渐近水平)。这是对 Bei (2024) Assumption 2 的替代,作者用更易验证的 (A8') 代替。
  • (A9) 存在严格可行的参数点(保证 bootstrap 的有效性)。

相比已有文献的放宽/强化: - 放宽:完全不假设 T 与 C 的依赖结构(对比 copula 方法);允许时变效应(对比 Sakaguchi, 2024)。 - 强化:要求工具函数类 G 的支撑覆盖整个协变量空间(A4),这在实际中可能难以完全满足;要求参数空间有界(A5),排除了无界参数的情形。

主要结果

  • Theorem 1:在 A1–A9 下,估计的识别区间 Î_k 满足 P(β_true,k ∈ Î_k) ≥ 1−α(渐近)。证明思路:验证 Bei (2024) 检验的所有条件,将其 Assumption 2 替换为 A8 + Theorem 3。
  • Theorem 3:在 A8 下,矩函数在识别集边界附近有线性下界,这保证了检验统计量的渐近分布正确。
  • Theorem 2 & Corollary 1:矩函数类 {m_j,q(·,β) : β ∈ B} 是 Donsker 类,从而经验过程收敛,bootstrap 有效。
  • 模拟结果(Table 1, 4–14):
  • 区间宽度随 n 增大而收缩(如 n=500 时宽度约 1.1,n=2000 时约 0.8)。
  • 删失率从 30% 增至 65% 时,宽度约增大 2–3 倍。
  • 正依赖(T 与 C 正相关)比负依赖产生更窄的区间。
  • 增加工具函数数量(NIF 从 12 增至 30)不一定改善区间宽度,甚至可能因方差增大而变宽。
  • 覆盖率在几乎所有设计中接近 1(保守),但在负依赖 + 重删失时可能略低于名义水平。

真实例子

  1. 胰腺癌数据(SEER):4490 名黑人男性患者,关注肿瘤大小和年龄对生存的影响。在假设独立删失的 Cox 模型下,肿瘤大小效应显著为正;在 censoring-agnostic 方法下,识别区间包含 0,即无法排除无效应。年龄效应在两种方法下都显著为正,但识别区间比点估计置信区间宽约 50%。
  2. NLSY 失业数据:关注教育对失业持续时间的影响。在独立删失假设下,教育效应显著为负(高教育缩短失业);在 censoring-agnostic 方法下,识别区间在多数亚组中仍不包含 0,但宽度显著增大。在"男性-其他种族"亚组中,Cox 链接模型被判定为误设(空识别区间)。

🔎 结论是否比证明窄

是,存在明显差距。具体表现:

  1. Theorem 1 的证明依赖 A8,而 A8 的定义(式 S1)涉及对所有 β ∈ B(r) \ B_I(r) 的梯度条件。作者在正文中承认 A8 难以直接验证,并用 A8' 替代,但 A8' 只排除了"边界几乎垂直"的情形,并未完全覆盖 A8。Supplementary E, Example 2 展示了 A8 可能不满足的构造例子,但作者未说明该例子的实际发生率。
  2. 模拟中覆盖率接近 1 而非名义水平 0.95,作者将其归因于检验的保守性,但未提供理论解释。这可能意味着区间过宽,效率损失比模拟显示的更大。
  3. 对时变效应的处理:正文声称模型允许时变效应,但所有模拟和实际应用都只报告了固定时间点 t 的系数。Supplementary I.5 和 J.2 虽然讨论了时间点选择的影响,但未提供时变系数的完整推断方法(如同时对所有 t 构造置信带)。
  4. 工具函数的选择:作者建议使用 B-spline 和 indicator,但未给出选择工具函数数量的数据驱动准则。模拟显示 NIF 过大可能有害,但正文未提供理论指导。
  5. 无协变量时的 Peterson 界:作者在 Supplementary I.2 中计算了真实识别界,但未将其与估计区间进行系统比较,因此无法判断估计区间是否接近最优。

四、开放问题

  1. 效率最优性:本文的识别区间是通过检验反演得到的,但未讨论工具函数的选择是否在某种意义下最优。是否存在一个"最优"工具函数类 G 使得识别区间最窄?这需要建立识别区间宽度的下界,并与 minimax 最优性联系起来。(扎根于 Section 3.2 和 Supplementary D 对工具函数选择的讨论,以及模拟中 NIF 增大反而使区间变宽的现象。)

  2. 时变系数的联合推断:正文允许时变效应,但所有实证都只报告了单点 t 的系数。如何构造系数函数 β_k(·) 的联合置信带(simultaneous confidence band)?这需要处理多个时间点检验之间的相依性,可能涉及高斯过程的极值理论。(扎根于 Section 3.3 的时间点组合方法,以及 Supplementary J.2 中关于时间点网格选择的讨论。)

  3. 高维协变量:当 d 较大时,工具函数的数量会随 d 指数增长(式 10 的乘积形式),导致矩条件过多、检验功效下降。如何在高维下选择工具函数或采用正则化方法?这与研究者熟悉的高维统计和随机矩阵理论有直接联系。(扎根于 Section 3.2 对维度的讨论和 Supplementary D 的 remarks。)

  4. 假设 A8 的可验证性:A8 是保证检验正确水平的关键,但作者承认其难以验证。能否构造一个数据驱动的检验来验证 A8,或者用更弱的条件替代?这涉及部分识别模型的推断理论前沿。(扎根于 Theorem 3 的证明和 Supplementary E, Example 2。)

  5. 与其他部分识别方法的比较:Sakaguchi (2024) 使用了不同的方法(可能基于不同的识别策略),本文未与其进行数值比较。两种方法在何种数据生成机制下各有优劣?这需要系统的模拟比较。(扎根于 Section 1.1 的文献综述,作者仅用一句话提及 Sakaguchi。)

  6. 敏感性分析框架:本文的识别区间是在完全无假设下得到的,可能过宽。如果研究者愿意对 T 与 C 的依赖结构施加部分假设(如 copula 属于某个参数族,但参数未知),如何将这种信息纳入以缩窄识别区间?这可以看作 copula 方法(点识别)与本文方法(完全不可知)之间的中间地带。(扎根于 Section 3.4 的讨论和 Supplementary H 的未来研究方向。)


提醒:要确认上述开放问题是否是真 gap,建议去读以下近期文献的 introduction(各约 5 篇):(i) 部分识别模型的子向量推断(Bei 2024 的后续引用);(ii) 删失数据下的敏感性分析(如基于 copula 的灵敏度分析);(iii) 生存分析中的高维回归。如果这些文献的 introduction 都指向同一个未解决问题,那大概率是共识性 gap;如果互相打架,则可能是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论