Nonrandom Selection With and Without Bias Due to Selecting on an Exposure¶
作者: Chanelle J. Howe, Han-Chih T. Hsieh, Jason R. Gantenberg, Arman Oganisian, Charles B. Eaton et al.
来源: Epidemiology
主题: 因果推断
相关性: 7/10
机构绿灯: Boston University(US News 前 50,免分进入精读)
链接: https://doi.org/10.1097/ede.0000000000002018
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流行病学因果推断中的选择偏倚(selection bias)识别问题。其根本科学问题是:当研究样本并非从目标人群中随机抽取(即存在非随机选择,nonrandom selection)时,在什么条件下仍然可以对某个特定的因果 estimand(如 ATE、ATT、条件效应)进行无偏估计?这个问题的成熟度处于"概念框架已建立、但系统性梳理不足"的阶段——文献中大量讨论的是"何时会产生偏倚",而本文反其道而行之,系统梳理"何时不会产生偏倚"。
发展脉络(history)¶
从 introduction 和参考文献中可以梳理出以下脉络:
- 奠基工作:Hernán & Robins 的因果推断教科书框架(以及 Greenland 等关于 DAG 的早期工作)确立了用有向无环图(DAG)表达选择机制的基本语言。这一代工作明确了选择偏倚的本质——对 S 的调节(conditioning on S)会打开或关闭某些路径,从而在估计因果效应时引入偏倚。
- 主要进展:Cole & Hernán (2002) 等早期综述系统讨论了选择偏倚的经典场景(如病例对照研究中的 Berkson 偏倚、失访导致的偏倚)。随后,estimand-specific bias 的概念逐渐浮现——即同一个数据生成机制下,不同的目标 estimand(ATE vs. ATT vs. 条件效应)对选择是否敏感是不同的。这一认识在 Lu et al. (2022) 等近作中得到进一步强调。
- 当前 frontier:近年来,文献开始从"选择是否产生偏倚"转向"在何种因果结构下、对何种 estimand、选择不产生偏倚"。这包括对工具变量(IV)决定选择、暴露决定选择、以及选择由协变量决定等不同情形的分类讨论。本文正是这一前沿的系统化尝试。
- 本文的位置:作者将"选择不导致偏倚"的情形从零散的例子提升为系统分类,并用因果图 + 模拟 + 可复现代码三重手段加以论证。其定位是教学性 + 概念澄清性的贡献,而非提出新的估计方法或新的识别条件。
子线索聚类¶
被引文献大致落在三条子线索上:
- 选择偏倚的 DAG 形式化(Hernán & Robins; Greenland; Cole & Hernán):这一簇的核心工作是用 DAG 表达选择机制,识别"调节选择变量 S"何时会引入偏倚。其核心洞见是:如果 S 是碰撞子(collider)的后代,调节 S 会打开一条非因果路径。
- Estimand-specific 偏倚分析(Lu et al. 2022; 以及关于 ATT 与 ATE 区别的文献):这一簇强调,同一个数据生成机制下,不同 estimand 对选择的敏感性不同。例如,选择由暴露决定时,ATT 可能无偏而 ATE 有偏。
- 模拟与教学工具(Richardson et al.; 以及提供模拟代码的文献):这一簇关注如何用模拟帮助研究者直观理解选择偏倚,本文延续并强化了这一传统(提供 SAS 和 R 代码)。
这个方向在追问的核心问题¶
- 选择何时不产生偏倚? 即:给定一个 DAG 和一个目标 estimand,什么条件下调节选择变量 S 不会破坏因果效应的可识别性?
- 选择偏倚的评估是否必须依赖 estimand? 即:同一个选择机制,对 ATE 有偏是否必然对 ATT 也有偏?答案是否定的——这是本文的核心论点。
- 如何在实际研究设计中利用"无偏选择"场景? 即:如果研究者知道某些选择机制不会导致偏倚,是否可以据此设计更高效的抽样策略?
已知瓶颈:现有文献对"何时有偏"的讨论远多于"何时无偏",导致研究者在面对审稿人质疑选择偏倚时缺乏系统的辩护工具。此外,estimand-specific 的视角尚未被充分整合进标准流行病学教学。
⚠️ 作者的 framing(必须明确标注成"这是作者的说法")¶
这是作者的说法:作者将缺口 frame 成"文献过度强调选择何时导致偏倚,而忽视了选择何时不导致偏倚",从而将本文定位为"填补这一空白的系统性梳理"。作者特别强调,选择由暴露决定且目标 estimand 为条件效应(或 ATT)时,选择不导致偏倚——这是本文最核心的正面主张。
被淡化或回避的竞争路线:作者回避了对"选择偏倚与混杂(confounding)的交互"的深入讨论——即当选择机制与混杂结构同时存在时,无偏性条件是否仍然成立。此外,作者对"选择由未观测变量决定"的情形着墨较少,而这恰恰是实际研究中最棘手的情形。
什么明显该被引 / 该存在、却没出现在 intro 里:作者没有引用关于 proximal causal inference(Tchetgen Tchetgen et al.)的文献——该框架正是为处理"未观测混杂 + 选择"而发展起来的。也没有引用 target trial emulation 框架(Hernán & Robins 的近作),该框架为选择偏倚提供了另一种系统化处理方式。这两条线索的缺席值得研究者去查证:是作者有意为之(聚焦于简单情形),还是文献梳理的疏漏?
张力¶
未见明显对立引用。不过存在一个隐含张力:一部分文献(如经典的选择偏倚综述)倾向于将"非随机选择"视为普遍威胁,而本文(以及 estimand-specific 文献)则强调"非随机选择"本身不构成威胁,威胁来自"选择机制与因果结构的特定组合"。这一张力不是直接对立,而是视角差异——前者是保守的实用主义,后者是精确的识别分析。
二、最核心、最简单的例子 / 数学问题¶
第一步:把符号、模型、可观测数据交代清楚¶
符号(逐个点名):
- A:暴露 / 处理变量(exposure/treatment),二值或连续。本文的 motivating example 中 A 为二值(如是否服用某种药物)。
- Y:结局变量(outcome)。
- C:协变量集合(covariates),可能包含混杂因素。
- S:选择指示变量(selection indicator),S=1 表示个体被纳入分析样本,S=0 表示未被纳入。这是本文的核心变量——非随机选择即 S 与某些变量相关。
- U:未观测变量(unobserved variable),可能同时影响 A、Y 和/或 S。
- ATE:平均处理效应(Average Treatment Effect),定义为 E[Y(1) - Y(0)],其中 Y(a) 是潜在结局(potential outcome)。
- ATT:处理组平均处理效应(Average Treatment Effect on the Treated),定义为 E[Y(1) - Y(0) | A=1]。
- 条件效应:给定协变量 C=c 时的处理效应,即 E[Y(1) - Y(0) | C=c]。
模型(数据生成机制):
- 潜在结局框架:每个个体有两个潜在结局 Y(1) 和 Y(0),观测到的 Y = A·Y(1) + (1-A)·Y(0)。
- 选择机制:S 由某些变量决定,可能是 A、C、U 或它们的组合。本文的关键区分在于:S 是否受 A 影响,以及 S 是否受 U 影响。
- 目标:估计 ATE 或 ATT,但只能使用 S=1 的子样本。
可观测数据:
- 研究者实际能观测到的是:{A, Y, C, S} 的联合样本,但仅对 S=1 的个体能观测到 (A, Y, C);对 S=0 的个体,只知道其存在(或甚至不知道其存在,取决于抽样设计)。
- 关键区分:可观测的是"选择后的样本",而想要估计的是"整个目标人群"的因果效应。不可观测的是:S=0 个体的 Y(无论 A 取何值),以及潜在结局 Y(1)、Y(0) 中未实现的那个。
第二步:讲最小内核¶
最小内核:本文的核心命题可以剥离为以下最小问题——
假设我们只关心 ATT(处理组平均处理效应),且选择机制完全由暴露 A 决定(即 S ⊥ (Y(1), Y(0)) | A)。那么,基于 S=1 子样本估计的 ATT 是否无偏?
答案:是。 理由如下:
- ATT 的定义是 E[Y(1) - Y(0) | A=1],即处理组中每个个体的潜在结局差。
- 如果 S 仅由 A 决定,那么在 A=1 的子群中,S=1 的个体和 S=0 的个体在潜在结局分布上没有系统差异(因为 S 不直接依赖 Y(1) 或 Y(0),也不依赖任何与潜在结局相关的未观测变量)。
- 因此,E[Y(1) | A=1, S=1] = E[Y(1) | A=1],且 E[Y(0) | A=1, S=1] = E[Y(0) | A=1]。
- 于是,基于 S=1 子样本估计的 ATT(即 E[Y | A=1, S=1] - E[Y | A=0, S=1] 的某种调整形式)在适当假设下收敛到真实的 ATT。
为什么这个例子是"最小内核":它剥离了所有复杂的协变量调整、未观测混杂、以及多种 estimand 的区分,只保留了一个核心洞见——当选择机制与目标 estimand 的定义条件对齐时(即选择由 A 决定,且目标是 ATT),选择不产生偏倚。本文的其余部分(各种 DAG 变体、模拟验证)都是在这个内核上添加不同的"壳":如果 S 还受 C 影响怎么办?如果目标是 ATE 怎么办?如果 S 受 U 影响怎么办?
这个内核的数学本质:这是一个条件独立性问题。选择不导致偏倚的充要条件是:在目标 estimand 所定义的条件分布下,S 与潜在结局独立。即:
- 对 ATT:需要 Y(a) ⊥ S | A=1(对 a=0,1)。
- 对 ATE:需要 Y(a) ⊥ S(对 a=0,1),这是一个更强的条件。
本文的贡献在于:用 DAG 语言系统化地展示了哪些因果结构满足这些条件独立性,哪些不满足。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在流行病学因果推断框架下,系统梳理非随机选择(特别是选择由暴露水平决定时)在何种因果结构下、对何种 estimand 不导致估计偏倚。
- 核心工具 / 方法:因果图(DAG)作为形式化语言,结合模拟研究(simulation studies)验证理论预期,并提供 SAS 和 R 代码促进可复现性。
- 主要结论:非随机选择是否导致偏倚取决于因果结构和目标 estimand 的交互;当选择由暴露决定且目标为 ATT 或条件效应时,选择不导致偏倚;当目标为 ATE 时,同样的选择机制可能导致偏倚。
关键设定与假设¶
在第二节最小内核的基础上,本文补全的设定包括:
- DAG 设定:本文考虑多种 DAG 结构,核心变化在于 S 的父节点集合。具体包括:
- S 仅由 A 决定(S ← A)。
- S 由 A 和 C 决定(S ← A, S ← C)。
- S 由 C 决定但不直接由 A 决定(S ← C)。
- S 由未观测变量 U 决定(S ← U),其中 U 也影响 Y。
- estimand 设定:本文区分 ATE、ATT 和条件效应(conditional effect),并分别讨论每种 DAG 下各 estimand 的可识别性。
- 关键假设:
- 一致性(consistency):观测到的 Y 等于潜在结局中与 A 对应的那个。
- 无未观测混杂(针对 ATE 的无偏性):Y(a) ⊥ A | C(在无选择时成立)。
- 选择机制的可忽略性(针对特定 estimand):在目标 estimand 的定义条件下,S 与潜在结局独立。
- 相比已有文献的差异:本文不提出新的识别条件,而是将已有文献中零散的无偏选择场景系统化。相比经典的选择偏倚综述(强调偏倚的普遍性),本文强调无偏场景的存在性和可识别性。
主要结果¶
理论结果(以 DAG 分类的形式呈现):
- 选择由暴露决定(S ← A):
- 对 ATT:无偏。因为 ATT 的条件是 A=1,而 S 在 A=1 的子群内与潜在结局独立。
- 对 ATE:有偏。因为 ATE 需要对 A=0 和 A=1 两个子群都做推断,而 S=1 的 A=0 子群与 S=0 的 A=0 子群在潜在结局上可能有系统差异(如果 A 与 Y(0) 相关)。
-
对条件效应(给定 A=a):无偏。因为条件效应本身就是给定 A=a 时的效应,选择不改变该子群内的分布。
-
选择由暴露和协变量决定(S ← A, S ← C):
- 对 ATT:无偏,但需要额外调整 C(如果 C 与潜在结局相关)。
-
对 ATE:有偏,除非 C 被充分调整且调整后的条件独立性成立。
-
选择由未观测变量决定(S ← U, U → Y):
- 对所有 estimand:有偏。因为 U 同时影响选择和结局,调节 S 会引入选择偏倚,且无法通过观测变量调整消除。
模拟结果:本文通过模拟验证了上述理论预期。模拟设计包括不同的 DAG 结构、不同的效应大小和样本量,结果显示: - 当理论预期为无偏时,模拟估计的偏差接近零。 - 当理论预期为有偏时,模拟估计的偏差显著不为零,且偏差方向与 DAG 结构一致。
教学性贡献:本文提供了 SAS 和 R 代码,允许读者自行修改 DAG 结构并观察偏倚的变化,这有助于直观理解选择偏倚的机制。
证明路线与技术技巧¶
本文不是传统意义上的定理证明型论文,而是概念论证 + 模拟验证型论文。其"证明"路线如下:
- DAG 形式化:将选择机制表达为 DAG 中的节点 S,用 d-分离(d-separation)准则判断条件独立性。
- 条件独立性分析:对每个 DAG 结构,分析在给定 estimand 的定义条件下,S 是否与潜在结局 d-分离。如果 d-分离成立,则选择不导致偏倚;否则,选择导致偏倚。
- 模拟验证:用模拟数据验证 DAG 分析的结论。模拟的关键在于生成符合 DAG 结构的数据,然后比较基于 S=1 子样本的估计与真实效应。
技术技巧: - d-分离准则:这是本文的核心技术工具,用于判断条件独立性。读者需要熟悉 DAG 中的碰撞子(collider)、后门路径(backdoor path)等概念。 - 模拟设计:本文的模拟设计遵循"先定 DAG,再定参数,最后生成数据"的标准流程。模拟的细节(如样本量、效应大小、变量分布)在附录中给出。 - 代码可复现性:提供 SAS 和 R 代码是本文的一个重要技术贡献,降低了读者理解的门槛。
真实例子与应用¶
本文的 motivating example 涉及心血管流行病学中的选择偏倚问题。具体场景为:研究者只纳入了暴露于某种风险因素(如高胆固醇饮食)的个体,然后估计该暴露对心血管疾病结局的效应。本文用这个例子说明:
- 如果研究者的目标 estimand 是 ATT(即暴露者中的平均效应),那么仅纳入暴露者的选择不导致偏倚。
- 如果研究者的目标 estimand 是 ATE(即整个人群的平均效应),那么仅纳入暴露者的选择会导致偏倚。
这个例子想说明什么:它展示了 estimand 选择如何决定选择偏倚的存在与否。对于实际研究者而言,这意味着在研究设计阶段就需要明确目标 estimand,并据此判断抽样策略是否会产生偏倚。
🔎 结论是否比证明窄¶
是的,存在结论比证明窄的情况。具体而言:
- 本文的结论以"预期"(expected)而非"严格证明"的形式呈现。例如,摘要和正文中反复使用"not expected to result in bias"的措辞,而非"provably unbiased"。这意味着本文的结论依赖于 DAG 的正确设定——如果实际数据生成机制与假设的 DAG 不符,结论可能失效。
- 模拟验证的覆盖范围有限。本文的模拟只覆盖了有限的参数组合和 DAG 结构,对于更复杂的结构(如 S 同时受 A、C、U 影响)没有系统验证。
- 本文没有讨论有限样本性质。所有结论都是渐近意义上的(即样本量趋于无穷时成立),对于有限样本下的偏倚程度没有给出界。
- 本文没有讨论估计方法的选择。即使选择不导致偏倚,不同的估计方法(如 IPW、G-computation、AIPW)在有限样本下的表现也可能不同,本文未涉及。
四、开放问题¶
以下开放问题均扎根于本文的具体表述:
-
未观测混杂与选择偏倚的交互:本文主要讨论了选择由观测变量(A、C)决定的情形,但对 S 由未观测变量 U 决定的情形着墨较少(仅在 DAG 分类中提及)。扎根点:正文中关于 S ← U 的讨论仅有一句"this scenario is expected to result in bias",未展开分析。要确认这是否为真 gap,建议去读近 5 年关于 proximal causal inference 的文献——该框架正是为处理"未观测混杂 + 选择"而发展起来的。
-
有限样本下的偏倚界:本文的结论是渐近的,未给出有限样本下的偏倚上界。扎根点:模拟部分仅报告了"偏差接近零"或"偏差显著不为零",未给出具体的有限样本界。这是一个可以严格化的方向——用非渐近界(如 concentration inequalities)刻画选择偏倚的有限样本行为。
-
多变量暴露与选择:本文的 motivating example 中 A 为二值暴露,但实际研究中暴露常为多水平或连续变量。扎根点:正文中未讨论 A 为连续变量时选择由 A 决定的情形。此时"选择由暴露决定"意味着 S 是 A 的确定性或随机性函数,ATT 的定义本身需要推广(如分位数处理效应)。
-
估计方法的选择与效率:本文只讨论了"是否无偏",未讨论"在无偏的前提下,哪种估计方法更高效"。扎根点:正文未提及任何估计方法(IPW、G-computation、AIPW 等)。这是一个自然的延伸——在无偏选择场景下,比较不同估计方法的效率,可能需要用到半参数效率理论。
-
选择偏倚与测量误差的交互:本文假设 A、Y、C 均被精确测量,但实际研究中测量误差普遍存在。扎根点:正文未提及测量误差。测量误差可能改变 DAG 结构,从而影响选择偏倚的结论。
提醒:要确认上述某条是否是真 gap,建议去读同一子领域(选择偏倚、estimand-specific bias)近期的约 5 篇文献的 introduction——如果多篇都指向同一个问题,说明是共识性 gap;如果文献之间互相矛盾,则可能是机会所在。
Maintained by 陈星宇 · Homepage · Source on GitHub