跳转至

Cluster-level analysis in three-level cluster randomised trials with multi-level covariate-dependent missingness

作者: Satish Pradhan, Priyanka Majumder
来源: Statistical Methods in Medical Research
主题: 因果推断
相关性: 6/10
链接: https://doi.org/10.1177/09622802261498389


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集群随机试验(Cluster Randomised Trials, CRT)中的缺失数据处理与因果估计。其根本的统计问题是:当干预在集群层面随机分配、但结局的缺失机制依赖于多个层级(个体、子集群/家庭、集群/社区)的协变量时,如何无偏且高效地估计平均处理效应(ATE)。这个方向的成熟度处于"两水平已充分研究、三水平正在打开"的中间地带——两水平 CRT(个体嵌套于集群)的缺失数据理论已相当完备,但三水平结构(个体→家庭→社区)带来的子集群层面缺失(subcluster-level attrition)和层级间协变量相关性,尚未被系统处理。

发展脉络(history)

从 introduction 和参考文献可以梳理出这样一条线:

  • 奠基工作:Donner & Klar (2000) 和 Murray (1998) 建立了集群随机试验的基本分析框架——集群水平的汇总分析(cluster-level analysis)与个体水平的混合模型(mixed models)是两大经典路线。这两本书奠定了"集群是随机化单位、分析必须考虑集群内相关性"这一根本认识。
  • 缺失数据处理的引入:Little & Rubin (2002) 的缺失数据理论为后续工作提供了语言——MAR/MNAR 的区分、可忽略缺失机制的概念。这是本文讨论"协变量依赖缺失(CDM)"的理论底座。
  • 两水平 CRT 的缺失数据进展:作者引用了一系列在两水平设定下处理缺失的工作。其中关键的是,已有研究(如 Taljaard et al., 2008; 以及若干模拟研究)表明:在 CRT 中,若缺失机制依赖于协变量且这些协变量与结局相关,则简单的完整案例分析(complete-case analysis)会产生偏倚。但这些工作大多假设缺失发生在个体层面,且协变量相关性结构简单。
  • 三水平 CRT 的兴起:三水平结构(个体→子集群→集群)在社区公共卫生干预中越来越常见(如本文引用的家庭-社区嵌套设计),但方法论跟进滞后。作者明确指出:"Although two-level CRTs are well studied, the effects of subcluster-level attrition and hierarchical covariate correlations on bias and variance are not yet fully explored."——这句话直接定位了本文的 gap。
  • 本文的位置:作者声称要做的是"develop an analytical framework for three-level CRTs under multi-level covariate-dependent missingness",即把两水平下"协变量依赖缺失导致偏倚"的已知结论,推广到三水平结构,并显式纳入子集群内/子集群间的协变量相关性。这是一个"已知问题的自然推广"型贡献,而非全新问题。

子线索聚类

这些被引文献大致落在三条子线索上:

  1. 集群水平分析(cluster-level analysis):将每个集群的结局汇总(如均值),然后在集群层面做回归。这条线的优点是稳健、不依赖分布假设,缺点是效率较低、且难以纳入个体层面协变量。本文的"未调整与协变量调整的集群水平估计量"属于这条线。
  2. 混合模型(mixed models / linear mixed models):在个体层面建模,用随机截距(或随机斜率)刻画集群内相关性。这条线的优点是效率高、可灵活纳入协变量,缺点是依赖分布假设、小样本下计算不稳定(本文明确提到这一点)。本文的"线性混合模型"比较对象属于这条线。
  3. 缺失数据机制建模(missingness mechanism modeling):这条线关注缺失如何依赖于可观测/不可观测变量——MAR 与 MNAR 的区分、加权估计(IPW)、多重插补(MI)等。本文的"协变量依赖缺失(CDM)"设定属于这条线,但作者没有采用 IPW 或 MI,而是直接在似然/估计方程框架下处理。

这个方向在追问的核心问题

  1. 偏倚问题:在何种缺失机制下,naive 的完整案例分析会产生多大的 ATE 偏倚?偏倚的方向和大小如何随缺失率、协变量相关性变化?
  2. 效率问题:在存在缺失时,集群水平分析与混合模型哪个更高效?效率差距随集群数、集群大小如何变化?
  3. 稳健性问题:当混合模型的分布假设不满足(或计算不稳定)时,是否有稳健的替代方案?
  4. 设计问题:三水平 CRT 中,子集群层面的缺失(如整个家庭退出)与个体层面的缺失,对估计的影响有何不同?

已知瓶颈:混合模型在小样本(每臂 <30 集群)下计算不稳定;集群水平分析在缺失机制复杂时偏倚不可控;而 IPW/MI 等方法在三水平结构下的理论性质尚未充分研究。

⚠️ 作者的 framing(必须明确标注成"这是作者的说法")

作者把缺口 frame 成:"两水平 CRT 的缺失数据问题已充分研究,但三水平 CRT 中子集群层面缺失和层级协变量相关性的影响尚未被探索。" 因此本文的贡献是"首次系统分析三水平 CRT 中多水平 CDM 下的估计量表现"。

被淡化或回避的竞争路线: - IPW 和多重插补:作者在引言中承认这些方法存在,但没有将其纳入比较。作者的理由是"cluster-level analysis 和 mixed models 是实践中最常用的方法"——这是一个实用性论证,而非理论优越性论证。 - MNAR(不可忽略缺失):作者只考虑 MAR(协变量依赖缺失,但给定协变量后缺失与结局独立),明确排除了 MNAR 情形。这是一个重要的边界设定——若缺失依赖于未观测的结局本身,本文的所有结论都不适用。

值得研究者去查的问题:为什么作者没有考虑 IPW 或 MI 作为比较基准?在三水平结构下,IPW 的权重估计本身就需要建模缺失机制,这会不会引入新的偏倚?另外,作者对"协变量依赖缺失"的定义是否等价于标准 MAR?——需要核对论文正文中的正式定义。

张力

未见明显对立引用。但有一个潜在张力值得注意:混合模型在理论上应是无偏且高效的(在正确设定下),但作者发现其"小样本下计算不稳定"——这与混合模型的渐近理论并不矛盾(渐近性质不保证有限样本表现),但说明理论最优与实际可用之间存在 gap。这个张力是本文建议"协变量调整的集群水平分析作为替代"的动机。


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):

  • 层级结构:三水平——个体(level 1)嵌套于子集群/家庭(level 2)嵌套于集群/社区(level 3)。记共有 \(I\) 个集群,第 \(i\) 个集群内有 \(J_i\) 个子集群,第 \(j\) 个子集群内有 \(n_{ij}\) 个个体。
  • 处理分配:\(Z_i \in \{0, 1\}\) 表示集群 \(i\) 是否被分配到干预组。这是集群层面的随机化——同一集群内所有个体接受相同处理。
  • 结局:\(Y_{ijk}\) 表示集群 \(i\)、子集群 \(j\)、个体 \(k\) 的结局变量。这是可观测的随机变量(在未缺失时)。
  • 协变量:\(X_{ijk}\) 表示个体层面协变量(如年龄、性别),\(W_{ij}\) 表示子集群层面协变量(如家庭规模),\(V_i\) 表示集群层面协变量(如社区基础设施指数)。这些是可观测的,且被假设为不受处理影响(即基线协变量)。
  • 缺失指示:\(R_{ijk} \in \{0, 1\}\) 表示结局 \(Y_{ijk}\) 是否被观测到(1 = 观测到,0 = 缺失)。这是可观测的随机变量。
  • 目标 estimand:\(\Delta = E[Y_{ijk}(1) - Y_{ijk}(0)]\),即平均处理效应(ATE)。这里 \(Y_{ijk}(z)\) 是潜在结局(potential outcome)——个体在干预 \(z\) 下的结局,是不可观测的(每个个体只能看到一种处理下的结局)。
  • 缺失机制参数:缺失概率 \(P(R_{ijk} = 1 \mid \cdot)\) 的函数形式,例如 logistic 回归中的系数。这些是要估计或假设的参数。

模型(数据生成机制):

  • 结局模型:作者考虑线性混合模型(LMM)作为数据生成机制:

    \[Y_{ijk} = \beta_0 + \beta_1 Z_i + \beta_2 X_{ijk} + \beta_3 W_{ij} + \beta_4 V_i + u_i + v_{ij} + \epsilon_{ijk}\]
    其中 \(u_i \sim N(0, \sigma_u^2)\) 是集群随机截距,\(v_{ij} \sim N(0, \sigma_v^2)\) 是子集群随机截距,\(\epsilon_{ijk} \sim N(0, \sigma_\epsilon^2)\) 是个体误差。三者相互独立。

  • 缺失机制:协变量依赖缺失(CDM)——缺失概率依赖于协变量,但给定协变量后与结局独立(即 MAR):

    \[\text{logit}(P(R_{ijk} = 1)) = \gamma_0 + \gamma_1 X_{ijk} + \gamma_2 W_{ij} + \gamma_3 V_i\]
    注意:缺失机制不依赖于 \(Z_i\)(处理组和对照组的缺失机制相同),也不依赖于 \(Y_{ijk}\) 本身(给定协变量后)。

可观测数据:研究者实际观测到的是 \(\{(Z_i, X_{ijk}, W_{ij}, V_i, R_{ijk}, R_{ijk} \cdot Y_{ijk})\}\)——即处理分配、所有协变量、缺失指示、以及未缺失的结局。缺失的结局 \(Y_{ijk}\)(当 \(R_{ijk} = 0\) 时)是不可观测的。

关键识别假设: 1. 可忽略性(ignorability):\(R_{ijk} \perp Y_{ijk} \mid (X_{ijk}, W_{ij}, V_i, Z_i)\)——给定协变量后,缺失与结局独立。这是 MAR 假设。 2. SUTVA:个体的结局不受其他个体处理状态影响(集群随机化下通常默认成立)。 3. 正确设定:结局模型和缺失机制模型的函数形式正确。

第二步:讲最小内核

把论文的所有一般性设定剥掉,剩下的最小内核是:

一个两水平(个体→集群)的 CRT,结局缺失依赖于个体协变量,比较三种估计量的偏倚与方差。

具体来说:

  • 设定:\(I\) 个集群,每个集群 \(n\) 个个体。集群 \(i\) 被随机分配 \(Z_i \in \{0, 1\}\)。个体 \(k\) 有协变量 \(X_{ik}\)(一维,均值为 0,方差为 1),结局 \(Y_{ik} = \beta_0 + \beta_1 Z_i + \beta_2 X_{ik} + u_i + \epsilon_{ik}\),其中 \(u_i \sim N(0, \sigma_u^2)\),\(\epsilon_{ik} \sim N(0, \sigma_\epsilon^2)\)。
  • 缺失机制:\(P(R_{ik} = 1) = \text{logit}^{-1}(\gamma_0 + \gamma_1 X_{ik})\)——缺失概率依赖于 \(X_{ik}\),但不依赖于 \(Z_i\) 或 \(Y_{ik}\)(给定 \(X_{ik}\))。
  • 目标:估计 \(\Delta = \beta_1\)(处理效应)。

三种估计量:

  1. 未调整的集群水平分析:每个集群计算观测到的结局均值 \(\bar{Y}_i = \frac{1}{m_i} \sum_{k: R_{ik}=1} Y_{ik}\)(\(m_i\) 是集群 \(i\) 中观测到的个体数),然后做加权(或未加权)的集群水平回归 \(\bar{Y}_i \sim Z_i\)。这个估计量忽略了协变量,完全依赖随机化平衡。

  2. 协变量调整的集群水平分析:先拟合一个只含协变量(不含处理)的模型,得到残差,然后对残差做集群水平分析。或者等价地,在集群水平回归中加入集群均值协变量 \(\bar{X}_i\)。

  3. 线性混合模型(LMM):在个体层面拟合 \(Y_{ik} = \beta_0 + \beta_1 Z_i + \beta_2 X_{ik} + u_i + \epsilon_{ik}\),用最大似然(或 REML)估计 \(\beta_1\)。在 MAR 下,如果模型正确设定,LMM 的似然推断是有效的(因为似然可以分解为观测部分和缺失部分,MAR 下缺失部分可忽略)。

最小内核要回答的问题:

  • 偏倚:当缺失依赖于 \(X_{ik}\) 且 \(X_{ik}\) 与 \(Y_{ik}\) 相关时,未调整的集群水平分析是否有偏?——答案是有偏。直觉:如果 \(X_{ik}\) 大的人更可能缺失,那么观测到的 \(\bar{Y}_i\) 就系统地偏低(或偏高),且这种偏倚在不同集群间不同(因为集群的 \(X\) 分布不同),从而污染处理效应估计。
  • 无偏性:协变量调整的集群水平分析和 LMM 在 MAR 下是否无偏?——是,前提是模型正确设定。协变量调整通过显式控制 \(X\) 来消除缺失引入的选择偏倚;LMM 通过似然推断在 MAR 下自动处理缺失。
  • 方差:LMM 是否比集群水平分析更高效?——是,因为 LMM 利用了所有个体层面的信息,而集群水平分析只用了集群均值。但 LMM 的方差估计在小样本下可能不稳定(REML 的有限样本性质)。
  • 子集群层面的缺失:当缺失发生在子集群层面(整个家庭退出)时,集群内的相关性结构更复杂,方差膨胀更严重。

为什么这个最小内核是"核心":因为三水平结构的所有复杂性(子集群随机效应、层级间协变量相关性)都是在这个两水平内核上"加壳"。理解了"协变量依赖缺失 → 未调整分析有偏 → 调整后无偏但方差增大"这个逻辑链条,就抓住了论文的全部实质。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在三水平集群随机试验(个体→家庭→社区)中,当结局缺失依赖于多个层级的协变量(多水平 CDM)时,比较未调整集群水平分析、协变量调整集群水平分析和线性混合模型三种方法在估计平均处理效应时的偏倚与方差表现。
  2. 核心工具/方法:解析推导(在简化假设下推导偏倚和方差的闭式表达式)+ 蒙特卡洛模拟(在一般设定下比较有限样本表现)+ 基于 2021 年马达加斯加人口与健康调查(DHS)数据的 plasmode 模拟(用真实协变量结构生成合成结局,评估方法在接近真实场景下的表现)。
  3. 主要结论:未调整的集群水平分析在多水平 CDM 下有偏;协变量调整的集群水平分析在处理组间协变量效应和缺失机制同质时无偏;LMM 在 MAR 下无偏但小样本下计算不稳定;子集群层面缺失比个体层面缺失导致更大的方差膨胀;每臂 <30 集群且处理效应同质时,推荐协变量调整的集群水平分析。

关键设定与假设

在第二节最小内核的基础上,论文的完整设定包括:

  • 三水平结构:个体 \(k\) 嵌套于家庭 \(j\) 嵌套于社区 \(i\)。社区数 \(I\),每社区家庭数 \(J\),每家庭个体数 \(n\)(为简化,假设平衡设计)。
  • 结局模型:线性混合模型

    \[Y_{ijk} = \beta_0 + \beta_1 Z_i + \beta_2 X_{ijk} + \beta_3 W_{ij} + \beta_4 V_i + u_i + v_{ij} + \epsilon_{ijk}\]
    其中 \(u_i \sim N(0, \sigma_u^2)\)(社区随机效应),\(v_{ij} \sim N(0, \sigma_v^2)\)(家庭随机效应),\(\epsilon_{ijk} \sim N(0, \sigma_\epsilon^2)\)。协变量 \(X_{ijk}\)(个体)、\(W_{ij}\)(家庭)、\(V_i\)(社区)均假设为基线(不受处理影响)。

  • 缺失机制:多水平 CDM——缺失概率依赖于所有层级的协变量:

    \[\text{logit}(P(R_{ijk} = 1)) = \gamma_0 + \gamma_1 X_{ijk} + \gamma_2 W_{ij} + \gamma_3 V_i\]
    关键假设:缺失机制不依赖于处理分配 \(Z_i\)(处理组和对照组缺失机制相同),且不依赖于结局 \(Y_{ijk}\)(给定协变量后,即 MAR)。这是一个重要的简化——如果缺失机制在处理组和对照组间不同(例如干预本身影响依从性进而影响缺失),问题会复杂得多。

  • 与已有文献的比较:

  • 相比两水平 CRT 的缺失数据研究(如 Taljaard et al.),本文引入了子集群层面(家庭)的缺失——即整个家庭的所有个体可能同时缺失(如家庭搬迁),这引入了额外的相关性结构。
  • 相比标准 LMM 分析,本文显式建模了层级间协变量相关性(如家庭层面的 \(W_{ij}\) 与个体层面的 \(X_{ijk}\) 相关),并考察这种相关性对偏倚和方差的影响。
  • 相比 IPW/MI 方法,本文聚焦于实践中更常用的集群水平分析和 LMM,而非更复杂的加权/插补方法。

主要结果

理论结果(解析推导):

  1. 未调整集群水平分析的偏倚:在 MAR 下,如果缺失依赖于协变量且协变量与结局相关,未调整的集群水平分析产生有偏估计。偏倚的方向取决于协变量与结局的相关方向以及缺失概率与协变量的相关方向。具体地,如果 \(X\) 与 \(Y\) 正相关且 \(X\) 大的人更可能缺失,则观测到的集群均值偏低,导致处理效应估计向零偏倚(attenuation bias)。

  2. 协变量调整集群水平分析的无偏性条件:当协变量效应和缺失机制在处理组间同质(即 \(\beta\) 和 \(\gamma\) 在处理组与对照组间相同)时,协变量调整的集群水平分析是无偏的。直觉:如果协变量对结局的效应和缺失机制在两组间相同,那么调整协变量就能完全消除缺失引入的选择偏倚。但如果协变量效应或缺失机制在组间异质,则调整后仍有残余偏倚。

  3. LMM 的无偏性:在 MAR 且模型正确设定下,LMM 的 MLE/REML 估计是无偏的(这是似然推断的标准性质)。但论文指出,小样本下 REML 的迭代算法可能不收敛,导致实际使用中不可靠。

  4. 方差膨胀:子集群层面(家庭)的缺失比个体层面的缺失导致更大的方差膨胀。直觉:家庭层面的缺失相当于同时丢失多个相关个体,减少了有效样本量,且这种减少在集群内是相关的,进一步降低了信息量。

模拟结果:

  • 蒙特卡洛模拟:在多种参数配置下(不同缺失率、不同协变量相关性、不同集群数),比较三种方法的偏倚、方差、覆盖率和均方误差(MSE)。主要发现:
  • 未调整集群水平分析在 CDM 下有偏,偏倚随缺失率和协变量相关性增加而增大。
  • 协变量调整集群水平分析在组间同质时无偏,方差略大于未调整分析(因为调整消耗了自由度),但 MSE 更小。
  • LMM 在 MAR 下无偏且效率最高(方差最小),但在每臂 <30 集群时,REML 算法可能不收敛或产生极端估计。
  • 子集群层面缺失导致的方差膨胀大于个体层面缺失,且这种差异随家庭内相关性增加而增大。

  • Plasmode 模拟:基于 2021 年马达加斯加 DHS 数据,提取真实的协变量结构(如家庭规模、社区特征),生成合成结局和缺失,评估方法在接近真实场景下的表现。结果与蒙特卡洛模拟一致,且进一步表明:在实际数据中,协变量调整的集群水平分析在 MSE 上接近 LMM,但计算更稳定。

方法选择流程图:论文提供了一个决策流程图,建议: - 每臂 ≥30 集群且计算资源充足 → 使用 LMM; - 每臂 <30 集群或 LMM 不收敛 → 使用协变量调整的集群水平分析; - 协变量效应或缺失机制在组间异质 → 需要更复杂的建模(如 IPW 或 MI),但论文未深入讨论。

证明路线与技术技巧

整体路线(3-5 步逻辑主干):

  1. 设定模型与缺失机制:写出完整的 LMM 数据生成过程和 logistic 缺失机制,明确 MAR 假设。
  2. 推导未调整集群水平分析的偏倚:将集群均值 \(\bar{Y}_i\) 分解为真实均值加抽样误差加缺失引入的选择偏差。利用缺失机制的条件独立性(\(R \perp Y \mid X\)),计算选择偏差的期望,证明其非零。
  3. 推导协变量调整集群水平分析的性质:在集群水平回归中加入协变量均值,利用协变量调整消除选择偏差。证明在组间同质条件下无偏,并计算方差(比未调整分析略大)。
  4. 推导 LMM 的性质:利用似然推断在 MAR 下的有效性,证明 MLE/REML 的无偏性。讨论小样本下的计算问题(不收敛、极端估计)。
  5. 比较三种方法的 MSE:结合偏倚和方差,给出 MSE 的解析表达式或模拟比较,得出"LMM 效率最高但可能不稳定,协变量调整集群水平分析是稳健替代"的结论。

关键跳跃点:

  • 最吃功夫的地方:推导子集群层面缺失对方差的影响。当整个家庭缺失时,缺失指示 \(R_{ijk}\) 在家庭内完全相关(\(R_{ijk} = R_{ij}\) 对所有 \(k\)),这改变了有效样本量的计算。论文需要处理这种聚类缺失带来的额外相关性,推导方差膨胀因子。这个推导涉及对集群内、家庭内、个体内三个层级方差的分解,是论文的技术难点。
  • 绕过的办法:论文没有尝试推导一般设定下的闭式 MSE(这几乎不可能),而是采用"简化假设下解析推导 + 一般设定下模拟验证"的策略。解析推导在平衡设计、同质协变量效应等简化假设下进行,模拟则放宽这些假设。

技术技巧点名:

  • 方差分解(variance decomposition):将总方差分解为集群间、家庭间、个体间三个分量,用于推导集群水平分析的方差。这是处理层级数据的基本技巧。
  • 选择偏差的期望计算(expectation of selection bias):利用条件期望的迭代法则(law of iterated expectations),在 MAR 假设下计算缺失引入的偏倚。核心技巧是将 \(E[Y \mid R=1]\) 分解为 \(E[E[Y \mid X, R=1] \mid R=1]\),然后利用 \(R \perp Y \mid X\) 简化。
  • Plasmode 模拟:一种介于完全模拟和真实数据分析之间的方法——用真实数据的协变量结构生成合成结局,保留真实的相关性和分布特征,同时允许控制真实的处理效应和缺失机制。这在评估方法在"接近真实"场景下的表现时很有用。

真实例子与应用

论文使用 2021 年马达加斯加人口与健康调查(DHS) 数据进行 plasmode 模拟。具体做法:

  • 数据:DHS 是典型的三个层级结构——个体(妇女/儿童)嵌套于家庭嵌套于社区(DHS 的抽样单位是社区/村庄)。论文使用 DHS 中的真实协变量(如母亲教育水平、家庭财富指数、社区基础设施等)作为协变量结构。
  • 场景:模拟一个虚构的社区健康干预,结局可能是儿童营养状况(如身高 Z 分数)或孕产妇保健利用。处理在社区层面随机分配。
  • 缺失机制:根据真实协变量生成缺失——例如,家庭财富低的家庭更可能缺失(搬迁或拒绝随访),母亲教育水平低的个体更可能缺失。
  • 目的:评估三种方法在这个"真实协变量结构 + 已知处理效应 + 已知缺失机制"的场景下的表现,验证蒙特卡洛模拟的结论是否在更现实的数据结构下成立。

这个例子想说明什么:验证论文的核心主张——未调整集群水平分析在真实数据结构的 CDM 下有偏,协变量调整集群水平分析是 LMM 的稳健替代,特别是在集群数较少时。

🔎 结论是否比证明窄

需要指出的几个点:

  1. "无偏"的限定条件:论文证明协变量调整集群水平分析的无偏性是在"协变量效应和缺失机制在组间同质"的条件下。但在结论部分,这个限定条件可能被弱化——读者容易误以为"协变量调整集群水平分析总是无偏"。严格来说,论文证明的是"同质条件下的无偏性",异质条件下的表现只通过模拟考察,没有理论保证。

  2. LMM 的"无偏"依赖正确设定:LMM 的无偏性依赖模型正确设定(包括随机效应分布的正态性假设、线性函数形式)。论文在模拟中使用了与数据生成一致的 LMM,但在实际应用中模型可能误设。论文没有讨论 LMM 在模型误设下的表现。

  3. MAR 假设的边界:论文只考虑 MAR(协变量依赖缺失),明确排除 MNAR。但实际中,缺失可能依赖于未观测的结局本身(例如,健康状况差的个体更可能退出)。论文没有讨论 MNAR 下三种方法的表现,这是一个重要的边界。

  4. "计算不稳定"的量化:论文提到 LMM 在小样本下"计算不稳定",但没有给出具体的量化标准(如不收敛率、极端估计的频率)。这个说法在结论中被用作推荐集群水平分析的依据,但证据强度有限。


四、开放问题

以下开放问题均扎根于论文的具体语句或设定边界:

  1. 异质缺失机制的理论分析:论文只在"组间同质"条件下证明了协变量调整集群水平分析的无偏性。当协变量效应或缺失机制在组间异质时,偏倚的解析表达式是什么?能否推导出偏倚的方向和大小?——扎根于论文"remains unbiased when covariate effects and missingness mechanisms are homogeneous across treatment arms"这一限定条件。

  2. MNAR 的扩展:论文明确限定在 MAR 假设下。如果缺失依赖于未观测的结局(MNAR),三种方法的表现如何?是否需要敏感性分析框架?——扎根于论文对 MAR 的设定和对 MNAR 的明确排除。

  3. LMM 模型误设的稳健性:论文假设 LMM 正确设定。当随机效应分布非正态、或函数形式非线性时,LMM 的偏倚和方差如何变化?是否有稳健的替代推断方法?——扎根于论文对 LMM 正确设定的依赖。

  4. 最优估计量的推导:论文比较了三种现成方法,但没有问"在给定缺失机制下,半参数有效估计量是什么?"是否可以推导出三水平 CRT 下 ATE 的半参数效率界,并构造达到该界的估计量?——这是从论文的比较框架自然延伸出的问题,论文未触及。

  5. 子集群层面缺失的机制建模:论文将家庭层面缺失视为一种额外的相关性来源,但没有建模家庭缺失的机制(例如,家庭是否缺失可能与家庭内部特征相关)。是否可以显式建模家庭缺失的选择方程,并利用它改进估计?——扎根于论文对"subcluster-level attrition can lead to greater variance inflation"的观察。

提醒:要确认上述某条是否是真 gap,建议去读三水平 CRT 缺失数据方向近期约 5 篇论文的 introduction——如果多篇都指向同一个未解决问题,那就是共识性 gap;如果各篇说法不一,则可能是更开放的探索空间。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论