Inverse‐Intensity‐Weighted Generalized Estimating Equations With Irregularly Measured Longitudinal Data and Informative Dropout¶
作者: George Stefan, Eleanor Pullenayegum
来源: Statistics in Medicine
主题: 因果推断
相关性: 6/10
机构绿灯: University of Toronto(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¶
本方向关注纵向数据中访问过程不规则且存在信息性缺失(informative dropout)时的边际均值模型估计问题。根本的统计挑战在于:当个体的健康结局影响其访问频率或退出研究的时间时,观测到的数据不再是总体的随机样本,直接使用广义估计方程(GEE)会导致估计偏倚。该子方向的核心任务是设计加权方案(如逆强度加权、逆概率加权),使得在访问过程和 dropout 机制均可能依赖于结局的条件下,仍能一致地估计边际均值模型的参数。当前该领域已从早期的逆强度加权(IIW)方法,发展到需要同时处理访问过程与 dropout 的联合加权框架,但理论完备性和实际可操作性之间仍有张力。
发展脉络¶
- 奠基工作:Robins, Rotnitzky & Zhao (1995) [1] 首次将逆概率加权(IPW)引入 GEE 框架,处理纵向数据中的缺失响应。其核心思想是:若 dropout 机制在给定观测历史下是可忽略的(即 MAR),则通过加权可以恢复一致性。这一工作奠定了"用缺失机制模型构造权重"的基本范式。
- 主要进展(处理不规则访问):Lin, Scharfstein & Rosenheck (2004) [4] 提出逆强度加权 GEE(IIW-GEE),将访问过程建模为强度函数,用逆强度作为权重来校正访问时间与结局的相关性。Bůžková & Lumley (2007) [5] 进一步扩展了 IIW-GEE 的适用性,允许更灵活的强度模型设定。这一支线解决了"访问时间不规则"的问题,但默认 dropout 是可忽略的。
- 主要进展(处理信息性 dropout):Lin & Ying (2001) [6] 和 Lin & Ying (2003) [7] 提出半参数估计方程方法,通过引入准残差项来处理信息性 dropout,但要求 dropout 时间服从加速失效时间模型。Bůžková & Lumley (2009) [8] 在 Lin-Ying 框架下允许结局依赖的访问过程,但仍未显式建模 dropout 机制。
- 当前 frontier(联合建模访问与 dropout):Miao et al. [10]、He et al. [11]、Shen et al. (2019) [13] 通过引入共享潜变量来同时刻画访问过程和 dropout 与结局的相关性;Han et al. [14] 和 Yu et al. (2019) [15] 则用人工删失(artificial censoring)技术处理信息性 dropout。这些方法在理论上更完备,但计算复杂且对模型设定敏感。Coulombe & Yang (2024) [16] 提出双重稳健的加权估计器,将逆概率处理权重与逆强度权重结合,但未给出完整的理论证明和模拟验证。Tompkins et al. (2024) [17] 的模拟研究表明,简单地将 dropout 权重乘入 IIW 权重可能并不有效,这为本文的动机提供了直接依据。
- 本文的位置:本文在 IIW-GEE 框架内显式地将 dropout 概率纳入权重(IIW×IPW),并给出了估计方程均值为零的证明(附录 6.6),填补了"访问过程与 dropout 均信息性"这一组合场景下 IIW 类方法缺乏理论保证的空白。与潜变量联合模型相比,本文的方法更接近实践者的工具箱,但代价是需要正确指定 dropout 模型。
子线索聚类¶
- 加权估计方程类(IIW-GEE、IPW-GEE、IIW×IPW):以 Robins et al. (1995)、Lin et al. (2004)、Bůžková & Lumley (2007)、本文为代表。核心思路是构造权重使加权后的估计方程在观测数据下无偏。优点是计算简单、可解释性强;缺点是权重模型误设时偏倚可能很大。
- 半参数联合模型类(潜变量、人工删失):以 Miao et al.、He et al.、Shen et al.、Han et al.、Yu et al. 为代表。通过显式建模访问、dropout 与结局的联合分布来校正偏倚。优点是理论上更一般;缺点是计算负担重、对分布假设敏感。
- 因果推断框架类(边际结构模型、双重稳健估计):以 Cole & Hernán (2008) [3]、Coulombe & Yang (2024) 为代表。将访问与 dropout 视为时变处理/删失,用 MSM 或双重稳健方法估计因果参数。优点是能处理时变混杂;缺点是权重乘积可能导致方差膨胀。
这个方向在追问的核心问题¶
- 识别条件:在访问过程和 dropout 均依赖于结局(可能通过观测历史)时,边际均值模型参数是否可识别?需要哪些条件(如序贯可忽略性、正性)?
- 权重估计与偏倚-方差权衡:权重模型(强度模型、dropout 模型)的误设对估计的影响有多大?如何通过权重截断(trimming)在偏倚和方差之间取得平衡?
- 效率问题:IIW×IPW 加权估计是否达到半参数效率界?能否通过增强估计方程(augmentation)提高效率?
- 实际可行性:在电子健康记录(EHR)等真实数据中,访问机制和 dropout 机制往往复杂且难以完全指定,方法对模型误设的稳健性如何?
⚠️ 作者的 framing¶
作者将缺口 frame 为:现有 IIW-GEE 方法(Lin et al. 2004;Bůžková & Lumley 2007)在处理不规则访问时假设 dropout 是可忽略的,但当健康结局影响 dropout 时,这些方法会产生偏倚。作者声称其贡献在于"将 dropout 机制纳入访问强度模型来调整信息性缺失",并通过模拟和 STAR*D 数据展示偏倚的显著降低。注意:作者没有声称其方法在 dropout 模型误设时仍然稳健,也没有与潜变量联合模型进行效率比较——这些是作者淡化或回避的竞争路线。
张力¶
未见明显对立引用。但存在一个微妙张力:Tompkins et al. (2024) [17] 的模拟似乎表明简单乘以 dropout 权重并不有效,而本文声称这样做有效。作者将其归因于 Tompkins 等人的 dropout 过程没有时变协变量,但这一解释是否充分,值得研究者自行验证(可对比两文的模拟设定)。
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(逐个点名):
| 符号 | 含义 | 类型 |
|---|---|---|
| \(T_{ik}\) | 第 \(i\) 个体的第 \(k\) 次访问时间 | 随机变量(观测) |
| \(K_i\) | 个体 \(i\) 的总访问次数 | 随机变量(观测) |
| \(N_i(t) = \sum_{k=1}^{K_i} \mathbb{1}(T_{ik} \le t)\) | 到时间 \(t\) 为止的访问计数过程 | 随机过程(观测) |
| \(dN_i(t)\) | 在时间 \(t\) 是否发生访问的指示 | 随机变量(观测) |
| \(N_i^*(t)\) | 潜在(无 dropout/删失时的)访问计数过程 | 潜在过程(不可观测) |
| \(D_i\) | 信息性 dropout 时间 | 潜在变量(部分观测:\(D_i \le C_i\) 时观测到) |
| \(G_i\) | 非信息性删失时间 | 潜在变量(部分观测) |
| \(L_i\) | 竞争事件时间 | 潜在变量(部分观测) |
| \(C_i = \min(D_i, G_i, L_i)\) | 实际随访终止时间 | 随机变量(观测) |
| \(\zeta_i(t) = \mathbb{1}(D_i > t)\mathbb{1}(G_i > t)\mathbb{1}(L_i \ge t)\) | 到时间 \(t\) 仍在随访中的指示 | 随机变量(观测) |
| \(X_i(t)\) | 可能时变的协变量向量 | 随机变量(观测) |
| \(Z_i(t)\) | 辅助协变量向量(影响访问但不直接影响结局) | 随机变量(观测) |
| \(Y_i(t)\) | 结局变量 | 随机变量(部分观测:仅在访问时观测) |
| \(\mu_i(t) \equiv E[Y_i(t) \mid X_i(t), \bar{\xi}_i^L(t) = 0]\) | 条件均值模型 | 目标 estimand |
| \(\beta_0\) | 均值模型参数 | 待估参数 |
| \(\gamma_0\) | 访问强度模型参数 | nuisance 参数 |
| \(\eta_0\) | dropout 模型参数 | nuisance 参数 |
| \(h(X_i(t))\) | 稳定化函数 | 设计选择 |
| \(\rho_i(t; \gamma_0, \eta_0, h)\) | 权重函数 | 构造量 |
模型(三个核心模型):
- 边际均值模型:\(g(\mu_i(t)) = \beta_0^\top X_i(t)\),其中 \(g\) 为链接函数(如恒等、logit)。
- 访问强度模型:\(E[dN_i^*(t) \mid \mathcal{H}_i^O(t-), X_i(t)] = e^{\gamma_0^\top \mathcal{H}_i^O(t-)} d\Lambda_0(t)\),即访问过程为带协变量的乘法强度模型(Andersen-Gill 形式)。
- dropout 模型:\(P(D_i > t \mid G_i > t, \mathcal{H}_i^O(t-), X_i(t))\),用 logistic 回归建模。
可观测数据:对每个个体 \(i\),观测到 \(\{T_{ik}, Y_i(T_{ik}), X_i(T_{ik}), Z_i(T_{ik}), k = 1, \dots, K_i, C_i, \delta_i\}\),其中 \(\delta_i\) 指示 dropout 是否发生。关键点:\(Y_i(t)\) 仅在访问时刻被观测;\(D_i\) 仅在 \(D_i \le G_i\) 且 \(D_i \le L_i\) 时被观测到(即实际 dropout 时间);\(N_i^*(t)\) 在 \(t > C_i\) 后完全不可观测。
潜在 / 不可观测量:\(N_i^*(t)\)(无 dropout 时的访问过程)、\(D_i\)(若被 \(G_i\) 或 \(L_i\) 先截断)、\(Y_i(t)\) 在未访问时刻的值。
第二步:最小内核¶
最小设定:假设只有两个时间点 \(t_1 < t_2\),每个个体最多访问两次。结局 \(Y_i(t)\) 为连续变量,均值模型为 \(E[Y_i(t)] = \beta_0 + \beta_1 t\)(即 \(X_i(t) = (1, t)^\top\),恒等链接)。访问过程为齐次 Poisson 过程,强度 \(\lambda_i = \exp(\gamma_0 + \gamma_1 Y_i(t-))\),即访问强度依赖于前一次结局。Dropout 发生在第二次访问之前,概率为 \(\pi_i = \text{logit}^{-1}(\eta_0 + \eta_1 Y_i(t_1))\),即dropout 概率依赖于第一次观测的结局。
要估计的 estimand:\(\beta = (\beta_0, \beta_1)^\top\),即结局随时间变化的边际轨迹。
朴素 GEE 的问题:如果我们只对观测到的访问时刻用 GEE 估计 \(\beta\),那么: - 访问强度依赖 \(Y_i(t-)\) → 结局较差的患者访问更频繁 → 观测到的 \(Y_i(t)\) 不能代表总体 → 访问过程信息性导致偏倚。 - Dropout 概率依赖 \(Y_i(t_1)\) → 结局较差的患者更可能 dropout → 第二次访问的观测样本是"幸存者" → dropout 信息性导致偏倚。
IIW×IPW 的核心思想:对每次观测到的 \((Y_i(t), X_i(t))\) 赋予权重
为什么估计方程均值为零(本文附录 6.6 的核心论证):
- 给定 \(X_i(t)\),条件于协变量后,加权估计方程的期望可以分解为对 \(Y_i(t)\) 的条件期望。
- 关键步骤:利用条件期望的迭代性质,将 \(dN_i(t)\) 的期望替换为 \(E[dN_i(t) \mid \mathcal{H}_i^O(t-), X_i(t)]\),后者由模型 (1) 给出。
- 代入模型 (1) 后,权重中的逆强度项 \(e^{-\gamma_0^\top \mathcal{H}_i^O(t-)}\) 与 \(E[dN_i(t) \mid \cdot]\) 中的 \(e^{\gamma_0^\top \mathcal{H}_i^O(t-)}\) 相消,留下 \(d\Lambda_0(t) \cdot P(D_i > t \mid G_i > t, \cdot) \cdot P(G_i > t \mid \cdot)\)。
- 再代入 dropout 生存概率的逆权重,\(P(D_i > t \mid \cdot)\) 被约掉,留下 \(d\Lambda_0(t) \cdot P(G_i > t \mid \cdot)\)。
- 最后利用条件 (2)(非信息性删失条件独立于结局),将 \(P(G_i > t \mid \cdot)\) 从条件期望中提出,剩余项为 \(E[Y_i(t) - \mu_i(t;\beta) \mid X_i(t), \bar{\xi}_i^L(t) = 0] = 0\),因为 \(\mu_i(t;\beta)\) 正是这个条件期望的模型。
这个最小内核揭示了什么:整个方法的有效性依赖于三个关键假设的串联——(i) 访问强度模型正确指定;(ii) dropout 模型正确指定;(iii) 非信息性删失条件 (2) 成立。任何一个环节出错,权重就无法完全消除偏倚。这解释了为什么作者在模拟中强调"模型正确指定"的场景,也暗示了实际应用中模型误设的风险。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:当纵向数据的访问过程不规则且 dropout 是信息性的(即 dropout 受健康结局影响)时,现有 IIW-GEE 方法会产生偏倚,本文提出将 dropout 概率纳入权重的 IIW×IPW-GEE 方法以消除该偏倚。
- 核心工具 / 方法:在 IIW-GEE 框架内,将权重从单纯的逆访问强度扩展为逆访问强度 × 逆 dropout 生存概率的乘积,并证明该加权估计方程在给定条件下均值为零,从而保证估计的一致性。
- 主要结论:模拟研究表明,当 dropout 是信息性且结局影响访问强度时,IIW×IPW-GEE 相比仅用 IIW 或忽略 dropout 的 GEE 显著降低偏倚;在 STAR*D 数据中,忽略信息性 dropout 会高估抑郁症状的改善轨迹。
关键设定与假设¶
- 边际均值模型:\(g(\mu_i(t)) = \beta_0^\top X_i(t)\),\(X_i(t)\) 可含时变协变量。
- 访问强度模型:乘法强度模型 \(E[dN_i^*(t) \mid \mathcal{H}_i^O(t-), X_i(t)] = e^{\gamma_0^\top \mathcal{H}_i^O(t-)} d\Lambda_0(t)\),其中 \(\mathcal{H}_i^O(t-)\) 为观测历史(含过去的 \(Y\) 值)。相比 Lin et al. (2004):本文允许强度依赖过去的结局值,这是"信息性访问"的核心设定。
- Dropout 模型:\(P(D_i > t \mid G_i > t, \mathcal{H}_i^O(t-), X_i(t))\),用 logistic 回归建模,允许依赖过去的结局值。这是本文相对 Lin et al. (2004) 和 Bůžková & Lumley (2007) 的关键扩展——后两者假设 dropout 可忽略。
- 非信息性删失条件 (2):\(P[G_i > t \mid Y_i(t), X_i(t)] = P[G_i > t \mid X_i(t)]\),即删失时间与结局条件独立。相比已有文献:这是标准假设,但本文明确写出并用于证明。
- 正性假设:权重 \(\rho_i(t)\) 有界且不为零(即访问强度和 dropout 概率均不为 0 或 1)。
- 相比已有文献的放宽/强化:放宽了 dropout 可忽略的假设(Lin et al. 2004 的隐含假设),但强化了对 dropout 模型正确指定的依赖(潜变量联合模型如 Shen et al. 2019 对此更稳健)。
主要结果¶
理论结果: - 附录 6.6 证明了估计方程 \(U(\beta; \hat{\gamma}, \hat{\eta}, h)\) 在真实参数 \(\beta_0\) 处均值为零,条件是访问强度模型和 dropout 模型均正确指定,且条件 (2) 成立。这是本文的核心理论贡献——为 IIW×IPW 加权提供了一致性保证。 - 作者没有给出渐近正态性的正式定理,仅提及"由 M-估计理论可得"——这是一个理论上的缺口(见第四节)。
模拟结果(Scenario 1 和 2): - Scenario 1(随机截距模型,\(\gamma_0 = -0.336\),结局影响访问强度):IIW×IPW 方法在 \(n=200\) 时 bias 约为 -0.2 到 -0.6(取决于 dropout 比例),而 IIW 方法 bias 为 -1.3 到 -5.3,IIW-NID(假设无信息性 dropout)bias 为 -1.1 到 -8.1。在 80% dropout、高信息性(\(\eta_1 = 1.5\))场景下,IIW×IPW 的 bias 为 -3.4(未截断)和 -5.4(99% 截断),而 IIW 为 -8.1。 - Scenario 2(更复杂的均值结构):结论类似,IIW×IPW 在大多数设定下 bias 最小,但在高 dropout + 高信息性 + 强截断时 bias 仍可达 -0.62(相比 IIW 的 1.0)。 - 方差:IIW×IPW 的经验标准误通常大于 IIW(因为权重更复杂),但覆盖概率更接近 95%。在低 dropout 场景下,IIW×IPW 的覆盖率为 0.94-0.96,而 IIW 为 0.88-0.90。 - 截断的影响:截断权重(99.9%、99.5%、99%)降低方差但增加偏倚。在极端场景(80% dropout,\(\eta_1 = 1.5\)),截断使 bias 从 -3.4 增至 -5.4,但覆盖概率从 0.78 升至 0.87。
真实数据例子(STAR*D): - 数据:抑郁症临床试验,Level 1 使用西酞普兰,结局为 QIDS 评分(0-27,越高越严重),推荐访问时间为 2、4、6、9、12 周。 - 方法应用:用 Andersen-Gill 模型估计访问强度(含时间、QIDS 前值、人口学变量),用 logistic 回归估计 dropout 概率(含时间、QIDS 变化、人口学变量),然后计算 IIW×IPW 权重并拟合加权 GEE。 - 结果:IIW×IPW-GEE 估计的 QIDS 轨迹在 4-12 周期间高于 IIW-GEE(即抑郁改善被高估了约 0.5-1 分),且置信区间更宽。作者解释为:未调整 dropout 时,结局较差的患者更早退出,导致观测到的改善被高估。
🔎 结论是否比证明窄¶
- 明确窄的地方:作者在附录 6.6 中证明了估计方程均值为零,但没有证明渐近正态性、也没有给出标准误的一致性估计。文中建议用 bootstrap 标准误,但未证明 bootstrap 的有效性。这是一个"证明窄于 claim"的典型例子——作者在摘要和引言中声称方法"减少偏倚",但理论保证仅限于一致性。
- 模拟覆盖的局限:模拟仅覆盖了随机截距模型和一种更复杂的均值结构,未覆盖二元结局、非正态随机效应、或访问强度模型误设的场景。作者在讨论中承认"模型误设的影响需要进一步研究"。
- STAR*D 分析的局限:dropout 原因分类依赖数据库记录,可能存在误分类;且未与其他方法(如潜变量联合模型)进行比较。
四、开放问题¶
-
渐近理论完备化:本文仅证明了估计方程均值为零(一致性),未给出 \(\sqrt{n}\)-渐近正态性和标准误的一致性估计。一个直接的问题是:在权重估计(\(\hat{\gamma}, \hat{\eta}\))的不确定性被忽略时,bootstrap 标准误是否渐近有效?这需要推导加权估计方程的 influence function,并处理权重估计的 plug-in 效应。
-
效率界与最优权重:IIW×IPW 权重是否达到半参数效率界?是否存在比"逆强度 × 逆 dropout 概率"更优的权重形式(如 stabilized weights 的进一步优化,或通过 augmentation 提高效率)?这可以联系到 Coulombe & Yang (2024) 的 doubly robust 框架。
-
模型误设的稳健性:当访问强度模型或 dropout 模型误设时,IIW×IPW 的偏倚如何随误设程度变化?是否存在某种"双重稳健"性质(即两个模型中只要一个正确,估计就一致)?本文的模拟未覆盖这一场景,而 Tompkins et al. (2024) 的负面结果暗示简单乘积权重可能不稳健。
-
dropout 时间的离散性:本文假设 dropout 发生在连续时间,但实际中 dropout 往往只在访问时被观察到(区间删失)。当 dropout 只能发生在访问时刻时,权重计算中的生存概率应如何调整?本文在 STAR*D 分析中用每周离散化处理,但未讨论离散化对估计的影响。
-
与潜变量联合模型的比较:本文的方法与 Shen et al. (2019) 的共享潜变量方法在效率和稳健性上的优劣如何?在何种数据生成机制下,一种方法会显著优于另一种?这需要系统的模拟比较。
-
高维协变量下的权重估计:当 \(X_i(t)\) 或 \(\mathcal{H}_i^O(t-)\) 的维数较高时,访问强度模型和 dropout 模型的估计误差如何传播到最终的 \(\hat{\beta}\)?是否需要正则化或交叉拟合(cross-fitting)来控制权重估计的方差?
提示:若要确认上述开放问题是否为真 gap,建议去读以下近期文献的引言部分(各约 5 篇):(a) 关于 IIW-GEE 的后续扩展(如 Bůžková & Lumley 2009 之后的引用);(b) 关于信息性访问与 dropout 联合建模的近期工作(如 2023-2025 年的 Biometrics / JRSS-A 论文);(c) 关于加权估计方程中权重估计不确定性的理论文献(如 Van der Laan & Rose 的 Targeted Learning 系列)。若这些文献的引言都指向同一缺口,则说明是真 gap;若各说各话,则可能是伪 gap。
Maintained by 陈星宇 · Homepage · Source on GitHub