跳转至

The Role of Assignment in Defining and Identifying Causal Effects in Randomized Trials

作者: Issa J. Dahabreh, Lawson Ung, Miguel A. Hernán, Yu-Han Chiu
来源: Epidemiology
主题: 因果推断
相关性: 8/10
机构绿灯: Harvard 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随机试验中因果 estimand 的精确定义与识别。其根本的统计问题是:在存在非依从(non-adherence)的随机试验中,研究者关心的"治疗策略的效果"(effect of treatment strategy)与"按方案治疗的效果"(per-protocol effect)这两个看似相近的因果量,究竟在什么条件下相等、各自需要什么假设才能从观测数据中识别。这个方向处于因果推断中"定义阶段"与"识别阶段"的交界处——它不提出新的估计方法,而是澄清"我们到底想估计什么"以及"在什么假设下能估计它"。该方向目前较为成熟,但本文指出一个被广泛忽视的概念混淆:per-protocol effect 的定义中隐含了对 assignment 的干预,因此它并不纯粹是治疗策略的效果。

发展脉络

  • 奠基工作:Rubin (1974) 奠定了用潜在结果框架讨论随机化在因果推断中作用的语言,明确指出随机化在估计因果效应中的价值,但也承认非随机数据在必要时可用于因果推断。这一工作确立了"因果效应"需要以潜在结果来精确定义的基本范式。
  • 主要进展:Hernán & Hernández-Díaz (2011) 系统梳理了 intention-to-treat(ITT)分析的缺陷,指出在存在非依从时 ITT 估计的是"分配的效果"而非"治疗的效果",并讨论了 per-protocol 分析作为替代方案时面临的偏倚问题。这一工作将 per-protocol effect 推入主流方法学讨论的中心。Dahabreh et al. (2019) 则将问题扩展到外部效度:当试验参与本身影响结局时,试验内部的因果效应如何推广到目标人群。该文明确提出了"trial engagement effect"的概念,即参与试验这一行为本身可能直接影响结局。
  • 当前 frontier:Dahabreh et al. (2022) 进一步研究了在非依从存在时,如何将试验效应推广或运输到目标人群,指出当试验参与通过影响依从而影响结局时,assignment 的效应在目标人群中不可识别。这直接触及了本文的核心关切——assignment 的角色。
  • 本文的位置:本文在以上工作的基础上,明确区分了 per-protocol effect 与 treatment strategy effect 这两个 estimand,指出前者包含 assignment 的非治疗路径效应,后者则纯粹是治疗策略的效果。本文通过构造因果结构(DAG)来系统展示二者相等的条件,并指出即使 assignment 是随机化的,识别这些效应仍可能需要利用 assignment 的信息。

子线索聚类

  1. 潜在结果框架与随机化的作用(Rubin 1974):确立因果效应的潜在结果定义,讨论随机化在识别中的角色。
  2. 非依从下的 estimand 定义与估计(Hernán & Hernández-Díaz 2011;Hernán & Robins 2024):ITT、per-protocol、as-treated 等 estimand 的定义、偏倚来源与估计方法(g-methods)。
  3. 试验效应的推广与运输(Dahabreh et al. 2019, 2022):从试验人群推广到目标人群时,试验参与效应、非依从与外部效度的交互。

这个方向在追问的核心问题

  1. Per-protocol effect 究竟估计的是什么? 它是否纯粹是治疗策略的效果,还是混杂了 assignment 的效应?
  2. 在什么条件下 per-protocol effect 等于 treatment strategy effect? 这需要什么样的排除性限制(exclusion restriction)假设?
  3. 识别这些 estimand 是否需要 assignment 的信息? 即使 assignment 是随机化的,是否仍需要将其纳入分析?
  4. 不同试验设计(如盲法 vs. 开放标签)如何影响这些 estimand 的定义与识别?

当前主流方法(如 g-methods)通常假设排除性限制成立,即 assignment 仅通过治疗影响结局。本文指出这一假设在实际试验中可能不成立,尤其是当试验的分配过程与常规实践存在差异时(如盲法)。

⚠️ 作者的 framing

这是作者的说法:作者将缺口 frame 为"per-protocol effect 的定义中隐含了对 assignment 的干预,因此它不能简单地等同于治疗策略的效果"。作者强调,即使 assignment 是随机化的,识别 per-protocol effect 和 treatment strategy effect 仍可能需要利用 assignment 的信息,除非额外的排除性限制假设成立。作者通过构造两个因果结构(一个违反排除性限制,一个满足)来展示这一区别的实际后果。

被淡化或回避的竞争路线:作者没有深入讨论如何估计这些 estimand(如 g-estimation、IPW 的具体实现),而是聚焦于定义与识别。对于"在违反排除性限制时是否有替代的识别策略"这一问题,作者仅在附录中简要提及,未给出系统性方案。此外,作者没有讨论敏感性分析——即当排除性限制不成立时,估计结果如何随违反程度变化。

值得研究者去查的问题:本文的 intro 中没有引用关于工具变量(IV)方法的文献(如 Angrist, Imbens & Rubin 1996 的 LATE 框架)。在非依从问题中,IV 方法是一个重要的竞争框架,且 LATE 的定义本身就涉及 assignment 的角色。本文未讨论 IV 框架与 per-protocol effect 的关系,这是一个明显的空缺。

张力

未见明显对立引用。但存在一个微妙的张力:Hernán & Hernández-Díaz (2011) 将 per-protocol effect 视为"治疗策略的效果"的合理估计目标,而本文则指出这一等同需要排除性限制假设。这不是直接矛盾,而是对同一 estimand 的定义精确化——本文认为前者的表述不够精确,容易导致误解。


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):

  • Z ∈ {0, 1}:随机化分配的 treatment assignment(随机变量,可观测)。Z = 1 表示分配到治疗组,Z = 0 表示分配到对照组。
  • A ∈ {0, 1}:实际接受的 treatment(随机变量,可观测)。A = 1 表示实际接受治疗,A = 0 表示未接受。
  • X:post-assignment 协变量(随机变量,可观测),在 assignment 之后、治疗之前测量。可能受 Z 影响,也可能影响 A 和 Y。
  • U:未测量的协变量(随机变量,不可观测),可能是 A 和 Y 的共同原因。
  • Y:结局(随机变量,可观测),在治疗之后测量。
  • Yᵃ:潜在结局(counterfactual),在干预设置 A = a 时的结局。注意:这里没有对 Z 的干预。
  • Yᶻ:潜在结局,在干预设置 Z = z 时的结局。
  • Yᶻᵃ:潜在结局,在联合干预设置 Z = z 且 A = a 时的结局。
  • Yᵃ 与 Yᶻᵃ 的区别:前者只干预治疗,后者同时干预 assignment 和治疗。这是本文的核心区分。

模型(数据生成机制):

  • 试验设计:边际随机化(marginal randomization),即 Z ⊥ (Yᶻ⁼¹, Yᶻ⁼⁰, Aᶻ⁼¹, Aᶻ⁼⁰, Xᶻ⁼¹, Xᶻ⁼⁰),且 P(Z = 1) ∈ (0, 1)。
  • 因果结构(图 1A):Z → X, Z → A, X → A, X → Y, A → Y, U → A, U → Y。注意:没有 Z → Y 的直接路径,但存在 Z → X → Y 的间接路径。
  • 一致性(consistency):如果 Z = z,则 Xᶻ = X, Aᶻ = A, Yᶻ = Y;如果 Z = z 且 A = a,则 Yᶻᵃ = Y。
  • 非依从:A 不一定等于 Z,即存在 Z ≠ A 的个体。

可观测数据:对每个试验参与者,观测到 (Z, X, A, Y)。不可观测:潜在结局 Yᵃ, Yᶻ, Yᶻᵃ 以及 U。

关键区分:

  • Per-protocol effect:E[Yᶻ⁼¹,ᵃ⁼¹ − Yᶻ⁼⁰,ᵃ⁼⁰],即联合干预 assignment 和治疗的效应。
  • Treatment strategy effect:E[Yᵃ⁼¹ − Yᵃ⁼⁰],即只干预治疗的效应。

第二步:最小内核

最小内核:在什么条件下,per-protocol effect 等于 treatment strategy effect?

最简特例:考虑一个极端简化的情形——没有 X(即 X 不存在),只有 Z, A, Y,且 Z 随机化。此时:

  • Per-protocol effect:E[Yᶻ⁼¹,ᵃ⁼¹ − Yᶻ⁼⁰,ᵃ⁼⁰]
  • Treatment strategy effect:E[Yᵃ⁼¹ − Yᵃ⁼⁰]

关键观察:如果 Z 对 Y 有直接影响(即 Z → Y 路径存在),那么即使 A 被固定,改变 Z 也会改变 Y。此时 Yᶻ⁼¹,ᵃ⁼¹ ≠ Yᵃ⁼¹,因为前者包含了 Z 的直接影响。因此,per-protocol effect ≠ treatment strategy effect。

在什么条件下二者相等? 需要排除性限制:Z 对 Y 没有直接影响,即 Yᶻᵃ = Yᵃ 对所有 z, a 成立。在图 1A 中,这意味着删除 Z → X → Y 路径(或假设 X 不直接影响 Y)。

为什么这个例子是"最小内核"? 因为它剥离了所有技术复杂性(X 的存在、时间结构、依从机制),直接展示了本文的核心命题:per-protocol effect 的定义中隐含了对 assignment 的干预,因此它不等于 treatment strategy effect,除非排除性限制成立。本文的图 1A 只是在这个最小内核上加了 X 作为中介,使得问题更贴近实际试验,但核心逻辑不变。

数学上本文干的事:在一般因果结构(图 1A)下,推导出 per-protocol effect 的识别公式 φ(z, a) = E[E[Y | Z, X, A = a] | Z = z],以及 treatment strategy effect 的识别公式 χ(a) = E[E[Y | Z, X, A = a]],并证明在排除性限制下二者相等(φ = χ = ψ),否则不等。本文的贡献在于明确指出这两个 estimand 的区别,并给出它们相等的充分条件。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:在随机试验中,per-protocol effect 与 treatment strategy effect 这两个因果 estimand 是否相等?在什么条件下相等?识别它们是否需要 assignment 的信息?
  2. 核心工具/方法:潜在结果框架 + 因果图(DAG/SWIG)+ g-formula 识别公式。通过构造两个因果结构(图 1 违反排除性限制,图 2 满足),对比不同 estimand 的识别公式。
  3. 主要结论:Per-protocol effect 与 treatment strategy effect 是不同的 estimand,前者包含 assignment 的非治疗路径效应;二者相等当且仅当排除性限制成立(assignment 仅通过治疗影响结局)。即使 assignment 是随机化的,识别这两个效应仍可能需要利用 assignment 的信息,除非排除性限制成立。

关键设定与假设

  • 边际随机化:Z ⊥ (Yᶻ, Aᶻ, Xᶻ),即 assignment 与所有潜在结果独立。这是试验设计保证的。
  • 一致性:观测到的 Y 等于对应干预下的潜在结果。
  • 正值性(positivity):对所有的 z, x, a,联合密度 f(Z = z, X = x, A = a) > 0。本文假设了一个比必要更强的正值性条件以简化表述。
  • 排除性限制(exclusion restriction):在图 2 中,Z → X → Y 路径被删除,即 Z 对 Y 没有直接影响。这是 per-protocol effect 等于 treatment strategy effect 的关键假设。
  • 无未测量混杂(针对 A 和 Y):在给定 (Z, X) 的条件下,A ⊥ Yᵃ。这是识别 treatment strategy effect 所需的假设。

相比已有文献的强化/弱化:本文没有提出新的假设,而是澄清了已有假设的角色——特别是排除性限制在 per-protocol effect 定义中的核心地位。本文强调,即使 assignment 是随机化的,它仍可能是 treatment-outcome 关联的混杂因素(在给定 X 的条件下),因此识别 treatment strategy effect 需要调整 assignment。

主要结果

定理 1(非正式陈述):在图 1A 的因果结构下(违反排除性限制),per-protocol effect E[Yᶻ⁼¹,ᵃ⁼¹ − Yᶻ⁼⁰,ᵃ⁼⁰] 由 φ(z, a) = E[E[Y | Z, X, A = a] | Z = z] 识别,treatment strategy effect E[Yᵃ⁼¹ − Yᵃ⁼⁰] 由 χ(a) = E[E[Y | Z, X, A = a]] 识别。二者不相等,因为 φ 包含了 Z 通过 X 对 Y 的间接效应。

定理 2(非正式陈述):在图 2A 的因果结构下(满足排除性限制),Yᶻᵃ = Yᵃ,因此 per-protocol effect 等于 treatment strategy effect,且二者均由 ψ(a) = E[E[Y | X, A = a]] 识别。此时不需要调整 assignment。

关键直觉:当排除性限制成立时,assignment 对结局没有直接影响,因此联合干预 (Z, A) 的效果等于单独干预 A 的效果。当排除性限制不成立时,assignment 本身对结局有影响,per-protocol effect 捕捉的是"在特定 assignment 机制下接受治疗的效果",而非纯粹的治疗效果。

证明路线与技术技巧

整体路线(3-5 步):

  1. 定义 estimand:用潜在结果明确写出 per-protocol effect 和 treatment strategy effect 的定义,指出前者涉及对 Z 和 A 的联合干预。
  2. 构造 SWIG:对每个因果结构,画出对应的 SWIG,从图中读出条件独立关系。
  3. 推导识别公式:利用 g-formula(嵌套期望)从 SWIG 中的独立性条件推导出 φ(z, a)、χ(a)、ψ(a) 的表达式。
  4. 对比识别公式:在排除性限制成立与否两种情况下,对比不同 estimand 的识别公式,证明相等或不等。
  5. 讨论实际含义:将结果与试验设计(盲法、开放标签)和实践中的估计方法联系起来。

关键跳跃点:

  • 从 SWIG 到识别公式:作者利用 SWIG 中的条件独立性(如 Yᶻᵃ ⊥ Z 和 Yᶻᵃ ⊥ A | (Xᶻ, Z))来证明 g-formula 表达式的有效性。这是本文最核心的技术步骤,需要仔细验证 SWIG 中的独立性是否确实成立。
  • 排除性限制的图形表示:作者通过删除 Z → X → Y 路径来图形化表示排除性限制,从而将"estimand 相等"的问题转化为"图形结构是否等价"的问题。

技术技巧点名:

  • SWIG(Single World Intervention Graphs):用于表示干预后的潜在结果分布,是连接因果图与识别公式的桥梁。
  • g-formula(嵌套期望):用于从条件分布中表达潜在结果均值,是识别公式的标准工具。
  • 反例构造:通过构造违反排除性限制的因果结构(图 1),展示 per-protocol effect 与 treatment strategy effect 不等的具体情形。

真实例子与应用

本文为纯理论/无实证例子。作者在文中明确说明"Data: No datasets are used in this paper." 本文的论证完全基于因果图与潜在结果框架的理论分析。作者在讨论部分提到,结果对解释真实试验(如盲法试验 vs. 开放标签试验)有实际意义,但未给出具体数据应用。

🔎 结论是否比证明窄

  • 作者在摘要和引言中声称"per-protocol effect 与 treatment strategy effect 是不同的 estimand",但这一结论仅在文中考察的两个因果结构(图 1 和图 2)下被严格证明。作者在附录中考察了更多结构(如结构 #7 和 #8),但未给出一般性定理。
  • 作者在讨论部分声称"识别这些 estimand 可能需要 assignment 的信息",但这一结论依赖于排除性限制不成立的前提。在排除性限制成立时(图 2),assignment 的信息并非必需。作者未明确说明在更一般的因果结构下(如存在未测量混杂时)这一结论是否成立。
  • 作者在结论部分提到"per-protocol effect 应被视为 assignment 和 treatment 的联合效应",但这一表述在文中并未被形式化证明,更像是一个概念性建议。

四、开放问题

  1. 一般因果结构下的 estimand 等价条件:本文仅在特定 DAG 下证明了 per-protocol effect 与 treatment strategy effect 的等价条件。在更一般的因果结构(如存在时变混杂、多个时间点的 treatment)下,等价条件是什么?是否可以用图准则(如 d-separation)来刻画?(扎根于:本文的"Remarks on Additional Causal Structures"部分,作者仅考察了有限几种结构。)

  2. 违反排除性限制时的敏感性分析:本文指出排除性限制是二者相等的关键假设,但未讨论当该假设违反时,估计结果如何变化。是否可以发展一种敏感性分析方法,量化排除性限制违反程度对 per-protocol effect 估计的影响?(扎根于:本文的 Discussion 部分,作者提到"per-protocol effect 可能因 assignment 机制不同而变化",但未给出具体方法。)

  3. 估计方法的选择:本文聚焦于识别,未讨论估计。在识别公式 φ(z, a) 和 χ(a) 下,如何选择高效的估计方法(如 IPW、g-estimation、TMLE)?这些方法在有限样本下的表现如何?(扎根于:本文的识别公式部分,作者未涉及估计问题。)

  4. 与 IV 方法的关系:本文未讨论工具变量(IV)方法。在非依从问题中,LATE 框架也涉及 assignment 的角色。Per-protocol effect 与 LATE 的关系是什么?在什么条件下二者相等?(扎根于:本文的参考文献中未包含 Angrist, Imbens & Rubin 1996,这是一个明显的空缺。)

提示:要确认以上问题是否为真 gap,建议去读近 5 年关于 per-protocol effect 识别的文献(如发表于 Biometrics、Statistical Methods in Medical Research、American Journal of Epidemiology 的相关论文)的引言部分——如果多篇论文都指向同一问题,则可能是共识性 gap;如果各论文的 framing 互相矛盾,则可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论