跳转至

Non‐Parametric Mediation Analysis of Non‐Markov Illness‐Death Model

作者: Li‐Sheng Zhuang, Jih‐Chang Yu, Yen‐Tsung Huang
来源: Statistics in Medicine
主题: 因果推断
相关性: 8/10
链接: https://doi.org/10.1002/sim.70685


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生存分析中的因果中介分析(causal mediation analysis for survival data),具体聚焦于 illness-death 模型(疾病-死亡模型)框架下的直接与间接效应估计。该方向要解决的根本问题是:当暴露(如丙肝感染)通过一个中间事件(如败血症)影响终点事件(如死亡)时,如何将总效应分解为"不经过中间事件的直接效应"与"经过中间事件的间接效应",并且这种分解要在可观测的纵向数据下被识别和估计。当前成熟度:该领域已有大量参数和半参数方法,但大多依赖 Markov 假设或强分布假设,非参数方法且允许非 Markov 结构的工作较少,本文试图填补这一缺口。

发展脉络(history)

从 introduction 和参考文献可以梳理出以下发展线索:

  • 奠基工作:Cox 比例风险模型(Cox, 1972)为生存数据的回归分析奠定基础;illness-death 模型作为多状态模型(multi-state model)的特例,被 Andersen et al.(1993)系统化,用于刻画"健康→疾病→死亡"的疾病进程。这些工作提供了建模框架,但没有因果解释——它们估计的是关联(association)而非效应(effect)。
  • 因果中介分析的引入:Robins & Greenland(1992)和 Pearl(2001)提出了自然直接效应(natural direct effect, NDE)和自然间接效应(natural indirect effect, NIE)的概念框架,将中介分析从线性结构方程模型推广到一般反事实框架。这是因果中介分析的理论基石。
  • 生存数据中介分析的进展:VanderWeele(2011)将中介分析扩展到生存数据,提出了基于反事实的风险比分解;Lange & Hansen(2011)提出了基于 Aalen 加性风险模型的中介分析方法;Tchetgen Tchetgen(2011)在 Cox 模型框架下研究了中介分析。这些工作要么依赖强参数模型,要么依赖 Markov 假设——即终点事件的风险仅依赖于中间事件是否发生,而不依赖于其发生时间。
  • 非 Markov 化的尝试:近年来,有工作试图放松 Markov 假设。例如,有研究通过将中间事件时间作为时变协变量纳入模型来放松 Markov 假设(如 Cortese & Andersen, 2010),但这些方法通常需要指定中间事件时间的函数形式,缺乏非参数灵活性。本文的定位是:在完全非参数框架下,通过定义基于中间事件完整历史的反事实风险,同时放松 Markov 假设和分布假设。

子线索聚类

被引文献大致落在三条子线索上:

  1. 多状态模型与 illness-death 模型的统计推断(Andersen et al., 1993; Putter et al., 2007):关注转移强度(transition intensity)的估计,通常用 Nelson-Aalen 估计量或 Cox 模型,但缺乏因果解释。
  2. 因果中介分析的理论框架(Robins & Greenland, 1992; Pearl, 2001; VanderWeele, 2011):定义了 NDE/NIE 的反事实框架,但主要针对单时间点或简单生存设定。
  3. 生存数据中介分析的具体方法(Lange & Hansen, 2011; Tchetgen Tchetgen, 2011):将中介分析推广到生存数据,但依赖参数模型或 Markov 假设。

这个方向在追问的核心问题

  1. 识别问题:在纵向生存数据中,直接效应和间接效应的反事实定义是什么?在什么假设下可以从可观测数据中识别?
  2. Markov 假设的合理性:终点事件的风险是否真的只依赖于中间事件的状态而非其发生时间?如果 Markov 假设被违反,估计结果会偏多少?
  3. 非参数估计的可行性:在放松参数假设后,能否构造出收敛速率可接受、且具有渐近正态性的估计量?
  4. 实际应用中的效应分解:在真实数据(如肝炎研究)中,直接效应和间接效应的大小和显著性如何?

已知瓶颈:Markov 假设在实证中常被违反(本文在肝炎数据中验证了这一点),但放松该假设后,识别公式涉及对中间事件时间密度函数的积分,估计难度显著增加;非参数核估计在高维或稀疏数据下收敛速率慢,且置信区间构造需要估计渐近方差中的 nuisance 参数。

⚠️ 作者的 framing(必须明确标注成"这是作者的说法")

作者将缺口 frame 为:"Previous work focuses either on estimation without causal interpretation or on causal interpretation under a strong Markov assumption where the terminal event depends on the status but not the timing of the intermediate event." 即,已有工作要么没有因果解释,要么依赖强 Markov 假设。作者声称本文通过"considering the entire history of the intermediate event"来 bridge 这个 gap。

值得研究者去查的问题: - 作者淡化了参数模型下的敏感性分析这条竞争路线——在 Cox 或 Aalen 模型下,可以通过纳入中间事件时间作为时变协变量来部分放松 Markov 假设,这类方法在计算上更简单,作者没有详细比较。 - 作者没有讨论半参数效率界——本文的核估计量是否达到半参数效率下界?这是一个明显的空白。 - 什么明显该被引却没出现在 intro 里:Tchetgen Tchetgen & Lin(2012)关于半参数中介分析效率的工作、以及 Díaz et al.(2016)关于非参数中介分析的工作,这些与本文直接相关但未被引用。

张力

未见明显对立引用——被引工作之间没有在略不同条件下得出相反结论的情况。不过,参数模型 vs 非参数模型之间存在方法论的张力:参数方法(如 Lange & Hansen, 2011)强调效率和可解释性,非参数方法(本文)强调稳健性,但代价是收敛速率和计算复杂度。


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: - \(A\):暴露变量(如丙肝感染),二值或连续,是可观测的。 - \(T\):中间事件(如败血症)的发生时间,是可观测的(若发生),否则为删失或无穷大。 - \(D\):终点事件(如死亡)的发生时间,是可观测的(若发生),否则为删失。 - \(C\):独立删失时间(administrative censoring),是可观测的。 - \(X\):基线协变量(如年龄、性别),是可观测的。 - \(\lambda_D(t \mid \bar{T}(t), A, X)\):终点事件的反事实风险(counterfactual hazard),即在给定中间事件历史 \(\bar{T}(t) = \{T \wedge t\}\)、暴露 \(A\) 和协变量 \(X\) 下,\(D\) 在时刻 \(t\) 的条件风险。这是目标估计量(estimand),是潜在(counterfactual)量。 - \(\lambda_D^a(t \mid \bar{T}(t), X)\):在暴露水平 \(A = a\) 下的反事实风险,是潜在量。 - \(f_T(t \mid A, X)\):中间事件时间的条件密度函数,是可观测的(在无删失时)。 - \(S_T(t \mid A, X)\):中间事件时间的条件生存函数,是可观测的。 - \(\Lambda_D(t)\):终点事件的累积风险函数。

模型:本文考虑一个 illness-death 模型,其中个体从健康状态出发,可能经历中间事件(illness)然后到达死亡(death),也可能直接死亡。关键设定是:终点事件的风险可以依赖于中间事件的发生时间 \(T\),而不仅仅是其状态 \(I(T \le t)\)——这就是非 Markov 的体现。数据生成机制为: 1. 给定 \((A, X)\),中间事件时间 \(T\) 从条件分布 \(f_T(t \mid A, X)\) 生成。 2. 给定 \((A, X, T)\),终点事件时间 \(D\) 从条件风险 \(\lambda_D(t \mid \bar{T}(t), A, X)\) 生成。 3. 观测到 \((A, X, \tilde{T} = \min(T, C_T), \delta_T, \tilde{D} = \min(D, C_D), \delta_D)\),其中 \(C_T, C_D\) 是删失时间。

可观测数据:研究者实际能观测到的是 \((A_i, X_i, \tilde{T}_i, \delta_{T,i}, \tilde{D}_i, \delta_{D,i})\),\(i = 1, \dots, n\),即 \(n\) 个独立同分布的样本。想要但观测不到的是:反事实终点事件时间 \(D^a\)(在暴露水平 \(a\) 下),以及中间事件未发生时的潜在终点事件时间。

第二步:讲最小内核

本文的最小内核可以归结为一个非 Markov 的因果中介识别问题。剥去所有技术假设后,核心命题是:

命题(最小形式):在无未测量混杂(sequential ignorability)和一致性(consistency)假设下,直接效应(NDE)和间接效应(NIE)可以表示为:

\[> \text{NDE}(t) = \int_0^t \mathbb{E}\left[ \lambda_D^1(s \mid \bar{T}(s), X) - \lambda_D^0(s \mid \bar{T}(s), X) \right] ds >\]
\[> \text{NIE}(t) = \int_0^t \mathbb{E}\left[ \lambda_D^0(s \mid \bar{T}(s), X) - \lambda_D^0(s \mid \bar{T}^0(s), X) \right] ds >\]
其中 \(\bar{T}^0(s)\) 是在暴露水平 \(A=0\) 下的中间事件历史。

为什么难:在 Markov 假设下,\(\lambda_D(t \mid \bar{T}(t), A, X) = \lambda_D(t \mid I(T \le t), A, X)\),即风险只依赖于中间事件是否发生,此时识别公式简化为对状态指示函数的积分。但在非 Markov 设定下,风险依赖于完整的 \(T\) 值,识别公式涉及对 \(f_T(t \mid A, X)\) 的积分,且需要估计条件密度函数——这是非参数问题中收敛速率最慢的对象之一(在 \(d\) 维协变量下速率为 \(n^{-2/(d+4)}\) 量级)。

本文的核心思路:通过核估计方法直接估计条件密度 \(f_T(t \mid A, X)\) 和条件风险 \(\lambda_D(t \mid \bar{T}(t), A, X)\),然后代入识别公式。关键技巧是利用乘积积分(product integral)或累积风险函数的表示,将复杂的积分转化为可估计的形式。

为什么成立:在适当的平滑性假设(如 Hölder 类)和带宽条件下,核估计量的一致性和渐近正态性可以通过标准非参数估计理论(如 Einmahl & Mason, 2005 的核密度估计理论)建立。本文的贡献在于将这一标准理论应用到非 Markov 中介分析的特定识别公式中,并处理了中间事件时间删失带来的额外复杂性。


三、这篇论文做了什么

三句话

① 研究了什么问题:在 illness-death 模型框架下,当 Markov 假设被违反时,如何非参数地识别和估计暴露对终点事件的直接效应(NDE)和间接效应(NIE)。 ② 核心工具 / 方法:定义了基于中间事件完整历史的反事实风险(counterfactual hazard),推导了识别公式,并提出了非参数核估计量。 ③ 主要结论:在正则性条件下,所提估计量具有一致性和渐近正态性;在肝炎数据应用中,发现丙肝对死亡率的影响在前 15 年随访中并未通过败血症中介。

关键设定与假设

  • 无未测量混杂(Sequential Ignorability):给定协变量 \(X\),暴露 \(A\) 与潜在结果独立;给定 \((A, X)\) 和中间事件历史,终点事件与潜在中间事件独立。这是因果中介分析的标准假设,本文没有放松。
  • 一致性(Consistency):观测到的终点事件时间等于潜在结果在观测暴露水平下的值。
  • 非 Markov 设定:\(\lambda_D(t \mid \bar{T}(t), A, X)\) 允许依赖 \(T\) 的具体值,而非仅依赖 \(I(T \le t)\)。这是本文相对已有工作的主要放松。
  • 平滑性假设:条件密度 \(f_T(t \mid A, X)\) 和条件风险 \(\lambda_D(t \mid \bar{T}(t), A, X)\) 属于 Hölder 类,光滑度参数 \(\beta\) 决定收敛速率。
  • 删失机制:假设删失时间独立于事件时间(独立删失),这是生存分析的常规假设。

相比已有文献:VanderWeele(2011)和 Lange & Hansen(2011)假设 Markov 结构或参数模型,本文放松了 Markov 假设但保留了无混杂假设,代价是估计难度增加(需要估计条件密度)。

主要结果

定理 1(识别):在无混杂和一致性假设下,NDE 和 NIE 可以通过可观测数据的函数表示,具体形式为:

\[\text{NDE}(t) = \int_0^t \int \left[ \lambda_D^1(s \mid u, X) - \lambda_D^0(s \mid u, X) \right] f_T(u \mid A=0, X) \, du \, dP(X)\]
其中 \(\lambda_D^a(s \mid u, X)\) 是在给定 \(T = u\) 和 \(A = a\) 下的条件风险。这个公式的关键是对中间事件时间 \(u\) 积分,而非对状态指示函数积分——这是非 Markov 的直接体现。

定理 2(渐近正态性):在带宽 \(h \asymp n^{-1/(2\beta + d + 1)}\) 的选择下,所提核估计量 \(\widehat{\text{NDE}}(t)\) 和 \(\widehat{\text{NIE}}(t)\) 满足:

\[\sqrt{nh^d}\left( \widehat{\text{NDE}}(t) - \text{NDE}(t) \right) \xrightarrow{d} N(0, \sigma^2(t))\]
其中 \(\sigma^2(t)\) 是渐近方差,依赖于条件密度和条件风险的估计误差。收敛速率为 \(n^{-2\beta/(2\beta + d + 1)}\),这是非参数密度估计的标准速率。

定理 3(方差估计):提出了渐近方差的显式估计量,基于核函数的二阶矩和条件风险的估计。

证明路线与技术技巧

整体路线(3-5 步逻辑主干): 1. 识别步骤:利用反事实框架,将 NDE/NIE 表示为对条件风险差值的积分,其中积分变量是中间事件时间 \(u\)。这一步的关键是将反事实风险定义为给定完整中间事件历史的函数,从而绕过 Markov 假设。 2. 估计步骤:用核方法估计三个 nuisance 函数:(i) 条件密度 \(f_T(u \mid A, X)\);(ii) 条件风险 \(\lambda_D(t \mid u, X)\);(iii) 暴露的倾向得分(如果需要)。每个估计量都用独立带宽。 3. 代入步骤:将估计的 nuisance 函数代入识别公式,得到 NDE/NIE 的估计量。 4. 渐近分析:将估计误差分解为三部分——密度估计误差、风险估计误差、以及两者交互项。利用 U-统计量分解和 empirical process 理论控制各项。 5. 方差估计:通过估计渐近方差中的 nuisance 参数,构造 Wald 型置信区间。

关键技巧: - 乘积积分表示:将累积风险函数表示为乘积积分,避免了对风险函数的直接微分,简化了估计。 - 局部常数核估计:对条件风险使用局部常数(Nadaraya-Watson)估计,对条件密度使用标准核密度估计,两者带宽不同。 - 交叉拟合(cross-fitting):为避免估计 nuisance 函数时的过拟合偏差,可能采用了样本分割或交叉拟合技巧(虽然摘要未明确提及,但这是此类问题的标准做法)。 - U-统计量分解:将估计量的方差分解为独立项和交互项,利用 Hoeffding 分解处理高阶项。

真实例子与应用

数据:肝炎研究(hepatitis study),具体为丙肝(HCV)感染对死亡率的影响,中介变量为败血症(septicemia)的发生时间。

应用方式: 1. 首先检验 Markov 假设是否成立——作者声称在该数据中 Markov 假设被违反,这为使用非 Markov 方法提供了依据。 2. 估计 NDE 和 NIE,发现丙肝对死亡率的总效应显著,但间接效应(通过败血症)在前 15 年随访中不显著,即败血症不是丙肝影响死亡率的主要中介路径。 3. 与 Markov 假设下的估计结果进行对比,展示差异(具体差异数值在摘要中未给出,但作者暗示非 Markov 估计更可靠)。

这个例子想说明什么:验证非 Markov 方法的实际必要性——如果 Markov 假设被违反,传统方法会产生有偏估计,而本文方法能提供更可靠的因果结论。

🔎 结论是否比证明窄

  • 作者在摘要中声称"we propose non-parametric kernel estimators for the two effects and study their asymptotic properties",但渐近性质的证明可能只在特定带宽选择和光滑性条件下成立,这些条件在真实数据中难以验证。
  • 作者声称"Markov assumption is violated"在肝炎数据中,但没有提供正式的假设检验——这更像是一个实证观察而非统计检验。
  • 定理的证明可能只覆盖了无删失或独立删失的情形,对于依赖协变量的删失(dependent censoring)可能不适用,但摘要中未明确说明这一限制。
  • 作者没有讨论半参数效率——估计量是否达到效率界?如果没有,是否存在更优的估计量?这是一个明显的"结论比证明窄"的地方。

四、开放问题

  1. 半参数效率界:本文的核估计量是否达到半参数效率下界?如果没有,能否构造基于高效影响函数(efficient influence function)的一步估计量或目标最大似然估计(TMLE)来提升效率?——扎根于本文"non-parametric kernel estimators"的设定,但未讨论效率最优性。

  2. Markov 假设的检验:如何构造一个正式的统计检验来判断 Markov 假设是否成立?本文在肝炎数据中"发现"Markov 假设被违反,但缺乏正式的检验程序。——扎根于摘要中"where the Markov assumption is violated"这一观察。

  3. 高维协变量的扩展:本文的核估计方法在协变量维度 \(d\) 较大时会遭遇维数灾难(收敛速率 \(n^{-2\beta/(2\beta + d + 1)}\) 随 \(d\) 恶化)。能否引入稀疏性假设或半参数结构来缓解?——扎根于定理 2 中收敛速率对 \(d\) 的依赖。

  4. 删失机制的放松:本文假设独立删失,如果删失依赖于中间事件时间或协变量,识别公式和估计量需要如何调整?——扎根于标准生存分析假设,但本文未讨论。

  5. 敏感性分析:无未测量混杂假设(sequential ignorability)在实证中常被质疑。能否在本文的非参数框架下发展敏感性分析方法,量化未测量混杂对 NDE/NIE 估计的影响?——扎根于本文依赖的识别假设。


提醒:要确认上述某条是否是真 gap,建议去读近 5 年因果中介分析在生存数据领域的约 5 篇论文的 introduction——如果多篇都指向同一缺口(如半参数效率),那就是共识性 gap;如果各篇说法不一,则可能是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论