Reference-based multiple imputation for longitudinal bounded discrete outcomes¶
作者: Divan Aristo Burger
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2610.39834
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临床试验中纵向结局缺失数据的敏感性分析,具体而言是"reference-based multiple imputation"(参考组多重插补)。其根本科学问题是:在随机对照试验中,患者因停药、失访等原因产生缺失数据后,如何评估在不同"缺失数据假设"(missing data assumptions)下治疗效应的稳健性。这类方法的核心思想是:对于治疗组在触发事件(如停药)之后的未观测结局,不假设"缺失随机"(MAR),而是显式地设定"如果患者继续接受指定治疗"、"如果患者部分借用参考组信息"或"如果患者跳到参考组"等不同情景,并据此进行插补。该方向在监管环境(如 EMA、FDA 对 estimand 框架的推动)下已成为药物审评中敏感性分析的标准工具之一。
发展脉络(history)¶
- 奠基工作:Carpenter, Roger & Kenward (2013) [1] 提出了 reference-based multiple imputation 的框架性思路,将"治疗策略"(treatment policy)等 estimand 与缺失数据假设联系起来。这是本文引用的第一条核心文献,也是整个方向的起点。
- 方法规范化:Cro, Morris, Kenward & Carpenter (2020) [3] 提供了 practical guide,将 δ-调整(δ-adjustment)和 reference-based 方法(如"copy reference"、"jump to reference")系统化,并讨论了 Rubin 方差合并公式在此类方法中的适用性。这篇被引文献是临床统计实践中的"操作手册"。
- 理论深化:Cro, Carpenter & Kenward (2018) [4] 提出了"information-anchored sensitivity analysis"的概念,即要求敏感性分析中缺失数据所携带的信息量与主分析(MAR 假设下)保持一致。这一概念为评估不同插补规则提供了理论基准。
- 向非连续结局扩展:Cro, Quartagno, White & Carpenter (2025) [8] 将 reference-based 方法扩展到纵向二元数据;Tang (2018) [5] 处理了纵向有序分类结局。这两篇是本文最直接的"前驱"——它们证明了该框架可以超越连续正态结局,但都依赖比例优势模型或类似假设,参数较多。
- 本文的位置:本文是这条线的自然延伸——针对有界离散结局(bounded discrete outcomes,如 0–63 的评分、固定次数的成功计数),提出用离散 Kumaraswamy 分布作为边际、Gaussian copula 连接纵向相关性,从而在保持有限整数支撑的同时,获得闭式 CDF 和分位数函数,简化插补。与二元/有序 logistic 路径相比,本文的边际模型参数更少(每个访视一个中位数锚点加一个共享形状参数),且借用规则有显式的分布解释。
子线索聚类¶
被引文献大致落在三条子线索上:
- 连续结局的 reference-based 方法([1][3][4]):以多元正态为工作模型,发展出 J2R、copy reference、δ-调整等具体规则,并讨论方差估计与 information anchoring。这是最成熟的一支。
- 非连续结局的扩展([5][8]):处理二元、有序分类结局,通常用潜在变量或比例优势模型。这一支的挑战在于参数化复杂、插补计算量大。
- 有界离散结局的分布建模([6][7][9]):本文引用的 Kumaraswamy 分布 [7] 和 beta-binomial 模型 [14] 属于这一支——它们关注如何用灵活但简洁的分布刻画 0–K 支撑上的偏态、U 形或 J 形数据。本文是第 2 和第 3 支的交叉点。
这个方向在追问的核心问题¶
- 识别问题:在缺失数据机制不可验证的前提下,如何将"临床可解释的假设"(如"治疗组缺失后表现与参考组相同")转化为具体的插补分布?
- 效率与稳健性的权衡:reference-based 插补的 Rubin 方差是否保守?在非正态、离散结局下是否仍然成立?(本文引用了 Bartlett (2023) [18] 关于方差估计的争论。)
- 模型兼容性:插补模型(如 Gaussian copula)与分析模型(如 beta-binomial 随机截距)不必相同,但两者不一致时如何保证插补后估计的性质?
⚠️ 作者的 framing(这是作者的说法)¶
作者在引言中把缺口 frame 成:"虽然 reference-based 方法已扩展到二元和有序结局,但有界评分和计数(如 0–63 的 BDI-II)尚未有简洁的参数化方案——负二项边际给有限上界之外的权重,而有序 logistic 需要每个类别一个阈值参数。" 因此本文的卖点是"parsimonious"(简约):用 Kumaraswamy 的两个参数(中位数锚点 + 共享形状)替代有序模型的 K−1 个阈值,同时保留闭式分位数函数。作者淡化了以下竞争路线:(a)直接对原始分数用正态线性模型(尽管有界,但实践中常用);(b)多元 Probit 模型(潜在变量阈值化)。前者被作者认为"不尊重支撑",后者被作者认为"参数过多"。值得研究者去查的问题:作者没有引用任何关于"有界结局的正态近似在什么条件下可接受"的文献,也没有讨论 copula 模型在离散边际下的非唯一性问题(即同一离散联合分布可由多个 copula 表示)——这是一个明显的 framing 盲区。
张力¶
- 未见明显对立引用:被引文献之间没有直接矛盾。但存在一个潜在张力:Cro et al. (2020) [3] 强调 reference-based 方法应保持"information anchored",而本文的借用规则(尤其是 J2R)在离散边际下是否保持 information anchoring 并未被证明——作者在讨论部分承认"Rubin 方差在此设定下是近似的",但没有引用任何反例文献。这是一个值得研究者去查的缝隙。
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):
| 记号 | 含义 | 类型 |
|---|---|---|
| \(Y_{ij}\) | 第 \(i\) 个患者在访视 \(j\) 的结局 | 随机变量(可观测或缺失) |
| \(K\) | 结局上界(已知整数,如 63) | 常数 |
| \(A_i \in \{0,1\}\) | 治疗指示(0=参考组,1=治疗组) | 可观测协变量 |
| \(\boldsymbol{x}_i \in \mathbb{R}^p\) | 基线协变量(完全观测) | 可观测协变量 |
| \(\mathcal{V} = \{1,\dots,J\}\) | 所有访视集合 | 指标集 |
| \(\mathcal{R}_i \subseteq \mathcal{V}\) | 有记录的访视集合 | 可观测 |
| \(D_i\) | 触发访视(第一个应用借用规则的访视) | 可观测(由事件定义) |
| \(\mathcal{O}_i = \{j \in \mathcal{R}_i : j < D_i\}\) | 保留的访视(用于拟合) | 可观测 |
| \(\mathcal{M}_i = \mathcal{V} \setminus \mathcal{O}_i\) | 需要插补的访视 | 缺失 |
| \(\alpha_j, \beta_j, \boldsymbol{\gamma}_j\) | 访视 \(j\) 的截距、治疗系数、协变量系数 | 参数(待估) |
| \(\phi_j\) | 访视 \(j\) 的 Kumaraswamy 形状参数 | 参数(待估) |
| \(\rho\) | 潜在 Gaussian copula 的一阶自相关 | 参数(待估) |
| \(\omega \in [0,1]\) | 借用权重(0=完全保留治疗组,1=完全借用参考组) | 敏感性参数(用户指定) |
| \(\eta_{ij}\) | 线性预测子:\(\alpha_j + \beta_j A_i + \boldsymbol{x}_i^\top \boldsymbol{\gamma}_j\) | 中间量 |
| \(r_{ij}\) | 归一化中位数锚点:\(\text{expit}(\eta_{ij})\) | 中间量 |
| \(\xi_{ij}\) | 平滑中位数锚点:\((K+1) r_{ij} - 1\) | 中间量 |
| \(F_K(y; a, b)\) | 离散 Kumaraswamy CDF | 分布函数 |
| \(Q_{ij}(u)\) | 第 \(u\) 分位数(闭式) | 函数 |
| \(\Phi\) | 标准正态 CDF | 函数 |
模型(数据生成机制):
-
边际分布:对每个患者 \(i\)、访视 \(j\),\(Y_{ij}\) 服从支撑在 \(\{0,\dots,K\}\) 的离散 Kumaraswamy 分布,其 CDF 为
\[F_K(y; a_{ij}, b_j) = 1 - \left[1 - \left(\frac{y+1}{K+1}\right)^{a_{ij}}\right]^{b_j}, \quad y = 0,\dots,K.\]参数化:\(a_{ij} = -\phi_j / \log r_{ij}\),\(b_j = \log(1/2) / \log(1 - e^{-\phi_j})\),其中 \(r_{ij} = \text{expit}(\eta_{ij})\)。这个参数化的关键性质是:中位数锚点 \(\xi_{ij} = (K+1) r_{ij} - 1\) 是线性预测子的单调函数,且 \(F_K(\xi_{ij}; a_{ij}, b_j) = 1/2\)。 -
纵向相关性:通过 Gaussian copula 连接各访视的边际。具体地,令 \(\boldsymbol{Z}_i \sim \mathcal{N}_J(0, \boldsymbol{R})\),其中 \(R_{jk} = \rho^{|t_j - t_k|}\)(连续时间 AR(1))。然后令 \(Y_{ij} = Q_{ij}(\Phi(Z_{ij}))\),其中 \(Q_{ij}\) 是第 \(ij\) 个边际的逆 CDF。
-
缺失机制:假设缺失是单调的(monotone),且触发访视 \(D_i\) 由临床事件定义。\(D_i\) 之前的访视全部观测,\(D_i\) 及之后的访视全部缺失。关键假设:缺失机制在给定观测历史、治疗和协变量的条件下是可忽略的(ignorable),即用于拟合的似然只基于 \(\mathcal{O}_i\)。
可观测数据:\(\{(A_i, \boldsymbol{x}_i, \{y_{ij}\}_{j \in \mathcal{O}_i}, D_i)\}_{i=1}^n\)。不可观测:\(\{y_{ij}\}_{j \in \mathcal{M}_i}\)(需要插补)。
要估的对象:不是模型参数本身,而是标准化均值差 \(\Delta_J = \mu_J(1) - \mu_J(0)\),其中 \(\mu_J(g) = \frac{1}{n}\sum_{i=1}^n E[Y_{iJ} \mid A_i = g, \boldsymbol{x}_i]\),期望在给定敏感性规则下计算。
第二步:最小内核¶
剥掉所有一般性设定后,本文的核心数学问题是什么?
最小内核:假设只有两个访视(\(J=2\)),\(K\) 任意,无协变量,\(n\) 个患者。每个患者有基线访视 \(Y_{i1}\)(完全观测)和结局访视 \(Y_{i2}\)(部分缺失)。治疗组中,触发访视 \(D_i = 2\) 的患者(即 \(Y_{i2}\) 缺失)需要插补。问题:在"jump to reference"规则下(\(\omega = 1\)),如何从拟合的 Gaussian copula 模型中,对每个缺失的 \(Y_{i2}\) 生成一个条件分布,使得: 1. 插补值的边际分布等于参考组在相同协变量和基线结局下的边际分布; 2. 插补值仍与患者自身的观测历史(\(Y_{i1}\))保持正确的条件相关性; 3. 所有插补值落在 \(\{0,\dots,K\}\) 内。
为什么这个内核是"最小"的?
- 去掉协变量和多个访视后,剩下的核心困难是离散边际 + 高斯 copula 的条件采样。具体地,给定 \(Y_{i1} = y_{i1}\),需要从条件分布 \(Z_{i2} \mid Z_{i1} \in (\Phi^{-1}(F(y_{i1}-1)), \Phi^{-1}(F(y_{i1}))]\) 中采样,其中 \(F\) 是访视 1 的边际 CDF。这个条件分布是截断正态,但截断区间由离散边际决定。本文的技术贡献在于:利用 Kumaraswamy 的闭式分位数函数,将截断正态采样转化为闭式逆变换采样,避免了数值求根。
在这个特例下,命题退化成什么?
- 命题:对任意 \(u \sim \text{Uniform}(0,1)\),令 \(z_{i2} = \rho z_{i1} + \sqrt{1-\rho^2} \Phi^{-1}(u)\),则 \(Y_{i2} = Q_{i2}(\Phi(z_{i2}))\) 的条件分布正确。证明的关键步骤是验证 \(Q_{i2}\) 的单调性和闭式表达式(式 4),使得 \(Y_{i2}\) 的支撑严格在 \(\{0,\dots,K\}\) 内。
为什么成立?
- 因为 Kumaraswamy 的 CDF 是初等函数,其逆函数是 \((K+1)\{1 - [1 - (1-u)^{1/b}]^{1/a}\} - 1\),取整后即为分位数。这比 beta-binomial 的数值求逆快几个数量级,且天然处理了边界堆积(0 和 K 的概率质量)。
读者读完这一节后应掌握的:本文在数学上干的事是——用 Kumaraswamy 的闭式分位数替换 beta-binomial 的数值分位数,从而在 Gaussian copula 框架下实现有界离散纵向数据的快速贝叶斯插补。所有后续的复杂性(多访视、协变量、借用规则)都是在这个内核上"加壳"。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:如何将 reference-based multiple imputation 扩展到纵向有界离散结局(评分、计数),使得敏感性分析中的借用规则(J2R、部分借用、MAR)有明确的分布解释且计算可行。
- 核心工具/方法:离散 Kumaraswamy 边际分布(中位数锚点参数化)+ Gaussian copula(连续时间 AR(1) 相关结构)+ 潜变量增广的 Metropolis-within-Gibbs 采样器;借用规则通过线性预测子上的权重 \(\omega\) 实现。
- 主要结论:模拟显示参数恢复良好、覆盖接近名义水平;应用于 BDI-II 数据时,随着借用增加,治疗组第 8 周的标准化均值差从 −3.65 向 0 移动,但所有规则下置信区间均包含 0。
关键设定与假设¶
- 边际分布:\(Y_{ij} \sim \text{DK}(\text{median}=\xi_{ij}, \text{shape}=\phi_j)\),其中 \(\xi_{ij} = (K+1)\text{expit}(\eta_{ij}) - 1\)。关键假设:形状参数 \(\phi_j\) 跨治疗组共享。这个假设是"完全借用"(\(\omega=1\))时边际分布完全替换的前提——如果形状参数也跨组不同,则 J2R 无法用简单的预测子替换实现。
- 相关结构:Gaussian copula 的 AR(1) 相关矩阵 \(\rho^{|t_j - t_k|}\) 跨组共享。关键假设:相关性不随治疗组变化。这在临床试验中可能不成立(治疗组的相关性往往更强),但作者没有讨论这一假设的敏感性。
- 借用规则:\(\eta^{(\omega)}_{ij} = \alpha_j + \boldsymbol{x}_i^\top \boldsymbol{\gamma}_j + (1 - \omega \mathbb{I}(j \geq D_i)) \beta_j A_i\)。当 \(\omega=0\) 时是 MAR(保留治疗效应),\(\omega=1\) 时是 J2R(完全移除治疗效应),\(\omega=1/2\) 是中间情况。关键假设:借用发生在线性预测子层面,而非原始评分层面。这意味着"跳到参考组"意味着中位数锚点变为参考组的值,但形状和相关性不变。
- 缺失机制:单调缺失,触发前可忽略。关键假设:触发时间 \(D_i\) 是外生的(不依赖于潜在结局)。这是所有 reference-based 方法的共同假设,但作者没有讨论其合理性。
- 先验:回归系数 \(\mathcal{N}(0, 5^2)\),\(\log \phi_j \sim \mathcal{N}(0, 2^2)\),\(\logit \rho \sim \mathcal{N}(0, 1)\)。相比已有文献:这些先验是弱信息但非无信息,作者没有做先验敏感性分析。
主要结果¶
理论结果(本文几乎没有新定理,主要是方法构建):
- 命题 1(附录 A):DK 分布的 \(u\) 分位数为 \(\lceil (K+1)\{1 - [1 - (1-u)^{1/b}]^{1/a}\} - 1 \rceil\),且对固定 \(\phi\),分位数关于 \(\eta\) 单调不减。这保证了借用规则的单调性——\(\omega\) 越大,插补值越接近参考组。
- 命题 2(隐含):在 Gaussian copula 下,给定 \(\boldsymbol{Z}_{i,\mathcal{O}_i}\) 的条件分布 \(\boldsymbol{Z}_{i,\mathcal{M}_i} \mid \boldsymbol{Z}_{i,\mathcal{O}_i}\) 是多元正态,均值和协方差由 \(\boldsymbol{R}\) 的分块结构决定。这是标准结果,但作者用潜变量增广将其嵌入 Gibbs 采样。
模拟结果(表 3–6):
- 参数恢复:在 \(n=100\) 和 \(n=200\) 下,17 个参数的偏差均小于 0.1 个标准误,覆盖在 92%–97% 之间(名义 95%)。在更集中于零的边际下(表 4),截距的偏差略增大(最大 −0.129),但覆盖仍可接受。
- 插补后分析:匹配规则(如 MAR 数据用 MAR 插补)的覆盖在 95%–98%(均值)和 98%–99%(差值)之间。关键发现:不匹配规则(如 J2R 数据用 MAR 插补)的覆盖会下降到 91%–93%,说明方法对规则误设有一定敏感性,但作者没有系统评估这一敏感性。
- 与 beta-binomial 的对比:作者在讨论中提到 DK 与 BB 的边际拟合相似,但 DK 的采样速度快约 10 倍(具体数字在正文中未给出,仅在代码中体现)。
应用结果(表 2):
- BDI-II 数据(\(n=97\),4 个访视,28% 缺失):MAR 下第 8 周标准化均值差为 −3.65(95% CI: −7.67, 0.36),J2R 下为 −1.09(95% CI: −5.33, 3.15)。关键观察:J2R 的区间比 MAR 窄,这与直觉相反(J2R 通常应增加不确定性),作者解释为"借用参考组信息减少了治疗组尾部的不确定性",但这一解释没有理论支撑。
证明路线与技术技巧¶
整体路线(3-5 步):
- 模型构建:定义 DK 边际(中位数锚点 + 共享形状)和 Gaussian copula(AR(1) 相关)。
- 似然与增广:引入潜变量 \(\boldsymbol{Z}_i\),将离散观测转化为区间截断的正态观测,从而将似然写成 Gaussian copula 密度乘以边际概率的乘积。
- Gibbs 采样:交替更新(a)回归系数 \(\alpha_j, \beta_j, \boldsymbol{\gamma}_j\)(条件后验是正态,因为线性预测子进入中位数锚点);(b)形状参数 \(\phi_j\)(Metropolis-Hastings 随机游走);(c)相关性 \(\rho\)(Metropolis-Hastings);(d)潜变量 \(\boldsymbol{Z}_i\)(截断正态,逐坐标采样)。
- 借用规则:在插补阶段,对每个 \(\omega\) 重新计算 \(\eta^{(\omega)}_{ij}\),然后用同一组后验参数和潜变量生成插补值。
- 分析:对每个插补数据集拟合 BB 随机截距模型,用 Rubin 规则合并。
关键技巧:
- 潜变量增广(第 2 步):这是本文的核心技巧。将离散观测 \(Y_{ij} = y\) 转化为区间约束 \(Z_{ij} \in (\Phi^{-1}(F(y-1)), \Phi^{-1}(F(y))]\),从而避免直接计算离散 copula 的联合概率(这需要 \(K^J\) 次求和)。这一技巧来自 Smith & Khaled (2012) [11],本文将其适配到 DK 边际。
- 中位数锚点参数化:将 \(a_{ij}\) 表达为 \(-\phi_j / \log r_{ij}\),使得线性预测子直接控制中位数而非均值。这避免了数值优化中的无约束问题,且保证了 \(\xi_{ij} \in (-1, K)\)。
- 共享形状参数:\(\phi_j\) 跨组共享,使得 J2R 的"完全借用"有明确的分布意义——不仅中位数替换,整个分布形状也替换。这是本文与有序 logistic 方法的关键区别。
技术难点与作者的解法:
- 难点 1:DK 分布的矩没有闭式表达式(需要无穷级数)。作者绕开了矩,直接用中位数锚点参数化,避免了矩匹配问题。
- 难点 2:截断正态采样在高维(\(J\) 大)时效率低。作者用 AR(1) 结构的稀疏性,将 \(\boldsymbol{Z}_i\) 的联合采样分解为逐坐标的条件采样,复杂度 \(O(J)\) 而非 \(O(J^3)\)。
- 难点 3:插补后分析的方差估计。作者直接采用 Rubin 规则,但引用了 Bartlett (2023) [18] 的争论,承认在 reference-based 插补下 Rubin 方差可能不保守,但没有给出替代方案。
🔎 结论是否比证明窄¶
- 明确承认的局限(讨论部分):(1) 只考虑了单调缺失;(2) 形状参数跨组共享的假设未检验;(3) 未证明 information anchoring;(4) 模拟只覆盖了一个参数设定。
- 未明确承认的窄处:
- 命题 1 的单调性只在固定 \(\phi\) 时成立。如果 \(\phi\) 也随 \(\omega\) 变化(如部分借用时形状参数插值),单调性不保证。作者在讨论中提到了这一点,但没有给出反例。
- 模拟中的"匹配规则" 只评估了规则与生成机制一致的情况,没有评估规则误设的严重性。表 5 中不匹配规则的覆盖下降(91%–93%)被轻描淡写,但这是实际应用中更常见的情形。
- 应用中的 J2R 区间比 MAR 窄这一反直觉结果没有被解释。这可能是因为 J2R 将治疗组尾部替换为参考组尾部(参考组方差更小),但作者没有验证这一机制。
四、开放问题¶
以下问题均扎根于本文的具体语句,供研究者自行判断价值:
-
信息锚定(information anchoring)的缺失:作者在讨论中承认"未证明 Rubin 方差在此设定下是 information anchored"(对应 [4] 的理论框架)。要做什么:推导 DK-Gaussian copula 下 reference-based 插补的 influence function,并与 MAR 下的效率界比较。这需要 semiparametric 理论中关于非光滑泛函(如离散分布的均值)的效率界工具。
-
形状参数跨组共享的检验:作者假设 \(\phi_j\) 跨组共享(第 2.2 节),但未提供检验方法。要做什么:构造一个检验统计量,检验 \(H_0: \phi_j^{(0)} = \phi_j^{(1)}\)。这可以基于后验预测 p 值或 Bayes factor,但需要处理非嵌套模型的比较。
-
非单调缺失的扩展:作者只处理了单调缺失(第 2.1 节)。要做什么:将 borrowing 规则扩展到非单调缺失模式,需要定义"触发"的多元版本,并处理部分观测的中间访视。这涉及多元截断正态的采样效率问题。
-
借用规则的敏感性:作者只考虑了 \(\omega \in \{0, 1/2, 1\}\) 三个离散值。要做什么:将 \(\omega\) 视为连续参数,绘制 \(\Delta_J(\omega)\) 的轨迹,并给出"临界 \(\omega\)"(使置信区间不包含 0 的最小借用量)。这需要后验预测检查的工具。
-
与 beta-binomial 的正式比较:作者在讨论中提到 DK 与 BB 的拟合相似,但没有给出正式比较。要做什么:在相同数据上比较 DK-copula 与 BB-随机截距模型的 WAIC/LOO,并评估插补分布对尾部(0 和 K 附近)的敏感性。
提醒:要确认上述问题是否是真 gap,建议去读以下近期文献的引言部分(各约 5 篇):(a) 关于 reference-based imputation 的方差估计(搜索 "reference-based imputation variance" 2023–2026);(b) 关于离散结局的 copula 模型(搜索 "copula discrete longitudinal" 2024–2026);(c) 关于 estimand 框架下的敏感性分析(搜索 "estimand sensitivity analysis missing data" 2024–2026)。如果这些文献的引言都指向同一个未解决问题,那才是值得投入的真 gap。
Maintained by 陈星宇 · Homepage · Source on GitHub