跳转至

Causal mediation analysis for a time-to-event endpoint in the presence of competing events

作者: Yuhao Deng, Peter Gilbert, Youyi Fong, Bo Zhang
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2611.13327


一、领域脉络与小综述

这个方向是什么

本文致力于解决一个在生物医学试验中日益重要的问题:当结局是"时间到事件"(time-to-event)且存在竞争风险(competing risks)时,如何对处理效应进行因果中介分析。根本的科学问题是:处理(如疫苗)对特定事件(如无症状感染)的效应,有多少是通过某个中介变量(如免疫标志物)起作用的,又有多少是直接起作用的,还有多少是通过改变竞争事件(如有症状感染)的风险而间接起作用的?该子方向的核心统计挑战在于,竞争风险的存在使得"将人群锁定在无事件状态"的干预变得复杂,且不同因果框架(自然效应、随机干预效应、可分离效应)对未测量混杂的假设要求不同。当前该领域正处于快速发展期,已有大量针对单一框架(如自然效应或可分离效应)的文献,但缺乏一个统一的、能同时处理三种框架并给出半参数效率理论的框架。

发展脉络

  • 奠基工作:中介分析的现代因果框架始于 Robins and Greenland (1992) 和 Pearl (2014) 的自然效应(Natural Direct/Indirect Effects)模型,其核心是嵌套反事实(nested counterfactuals)与序贯可忽略性(sequential ignorability)。Imai et al. (2010) 系统化了该框架下的识别与敏感性分析,使其成为实证研究的标配工具。在生存分析领域,Tchetgen Tchetgen (2011) 和 Lange and Vansteelandt (2011) 将中介分析扩展到时间-事件结局,但早期工作多假设无竞争风险或仅处理单一事件类型。
  • 竞争风险与因果框架的引入:Stensrud et al. (2022) 与 Martinussen and Stensrud (2023) 提出了可分离效应(Separable Effects)框架,通过将处理分解为多个组分(如一个影响中介、一个影响结局),绕过了自然效应框架中"跨世界"(cross-world)假设的不可检验性。这一框架特别适合竞争风险场景,因为它允许对每个事件类型的风险进行独立干预。Díaz et al. (2020, 2022) 则发展了随机干预效应(Stochastic Interventional Effects),通过从参考分布中抽取中介变量值来避免自然效应中"设定中介为特定值"的困难,这在连续中介变量下尤为实用。
  • 半参数效率理论:Díaz and Hejazi (2020) 和 Díaz et al. (2022) 的工作为随机干预效应提供了基于高效影响函数(EIF)的估计框架,证明了在非参数模型下可达到半参数效率界。Kennedy et al. (2017) 则指出了连续中介变量下路径wise可微性的困难,为后续的核平滑(kernel smoothing)方法(如 Branson et al. (2023))奠定了基础。
  • 当前前沿与本文位置:尽管上述框架各自发展,但缺乏一个统一的理论来阐明它们在竞争风险下的联系与区别。本文的贡献在于:首次在竞争风险背景下,系统性地证明了在特定设定下(如二元处理、单一中介、无处理-中介交互),自然效应、随机干预效应与可分离效应三种框架会产生相同的统计泛函(即公式(1)),尽管它们的识别假设不同。本文进一步推导了该统一泛函的EIF,提出了多重稳健的DML估计器,并给出了敏感性分析框架。这填补了"框架间等价性"与"高效估计"之间的空白。

子线索聚类

  1. 自然效应与序贯可忽略性:以 Robins & Greenland (1992)、Pearl (2014)、Imai et al. (2010) 为代表。核心是假设给定协变量后,处理-中介、中介-结局之间无未测量混杂。Deng et al. (2024) 讨论了该框架在竞争风险下的扩展,但依赖较强的跨世界假设。
  2. 随机干预效应:以 Díaz & Hejazi (2020)、Díaz et al. (2022) 为代表。通过随机抽取中介变量值来定义效应,只需单世界假设(single-world),对处理-中介混杂更稳健。Vansteelandt & Daniel (2017) 提供了该框架下的识别公式。
  3. 可分离效应:以 Stensrud et al. (2022)、Martinussen & Stensrud (2023) 为代表。将处理分解为组分,每个组分只影响一个事件类型或中介,从而在竞争风险下实现干净的效应分解。Breum et al. (2024) 进一步扩展了该框架。
  4. 半参数效率与DML:以 Chernozhukov et al. (2018) 的DML框架为基础,结合 van der Laan & Rose (2011) 的TMLE思想。本文属于此线索,通过EIF推导实现多重稳健性。

核心问题与已知瓶颈

  • 核心问题1:在竞争风险下,如何定义并识别"通过中介的效应"与"通过竞争事件的效应"?不同框架的识别假设强度不同,如何选择?
  • 核心问题2:当连续中介变量存在时,如何构造正则、渐近有效的估计量?已知路径wise可微性失效(Kennedy et al., 2017),需要核平滑或其它正则化手段。
  • 核心问题3:当存在未测量的处理-中介混杂或中介-结局混杂时,效应是否仍可识别?如何做敏感性分析?
  • 已知瓶颈:自然效应框架的"跨世界"假设不可检验且常被质疑;随机干预效应虽弱化假设,但可能不回答"纯机制"问题;可分离效应需要处理可分解为独立组分,这在某些应用中不现实。此外,现有方法多依赖参数模型或低维协变量,高维情形下的效率损失问题尚未完全解决。

⚠️ 作者的 framing

这是作者的说法:作者将缺口 frame 为"尽管已有大量针对单一框架的中介分析文献,但缺乏一个在竞争风险下统一处理自然、随机干预与可分离效应的理论框架,且现有方法多依赖逆概率加权或回归,未充分利用半参数效率理论"。作者声称其贡献在于"证明三种框架在特定条件下产生相同泛函,从而统一了理论,并提供了达到效率界的DML估计器"。作者淡化了可分离效应框架中"处理可分解"这一强假设的局限性,也回避了与主分层(principal stratification)框架(如 Frangakis & Rubin (2002)、Gilbert & Hudgens (2008))的对比——后者在疫苗免疫相关研究中同样常用,但定义的是"在特定中介反事实亚群中的效应",与本文的干预主义框架有本质区别。作者也未讨论当处理-中介交互存在时,三种框架的等价性是否仍然成立。

张力

未见明显对立引用。但存在一个隐含张力:Stensrud et al. (2022) 强调可分离效应与自然效应在概念上的根本差异(前者是干预主义,后者是描述性),而本文却声称在竞争风险下两者产生相同泛函。这并非逻辑矛盾,而是说明在特定设定下(无交互、二元处理),概念差异不体现在统计泛函上。作者在讨论部分承认了这一点,但未深入探讨在更复杂设定(如连续处理、多中介)下等价性是否破裂。


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:
  • \(A \in \{0,1\}\):二元处理变量(如疫苗 vs 安慰剂)。
  • \(X\):基线协变量向量(如年龄、性别)。
  • \(M^a\):在给定处理 \(A=a\) 下的潜在中介变量(如第30天免疫标志物水平)。注意:\(M^a\) 是反事实量,实际观测到的中介变量记为 \(M\),且 \(M = M^A\)。
  • \(N^a_j(t)\):在给定处理 \(A=a\) 下,类型 \(j\) 事件的潜在计数过程(\(j=1,\dots,J\))。\(N^a_j(t)=1\) 表示在时间 \(t\) 前发生了类型 \(j\) 事件。\(N^a(t)=\sum_{j=1}^J N^a_j(t)\) 是任意事件的计数过程。
  • \(T\):观测到的事件时间(首次事件或删失时间)。
  • \(\Delta \in \{0,1,\dots,J\}\):事件类型指示(0=删失,\(j\)=类型 \(j\) 事件)。
  • \(Y(t) = I(T \ge t)\):风险集指示。
  • \(F^a_k(t) = P\{N^a_k(t)=1\}\):类型 \(k\) 事件的潜在累积发生率函数(CIF),即目标 estimand。
  • \(\lambda_j(t; a, m, x)\):类型 \(j\) 事件的原因别风险函数(cause-specific hazard),给定处理 \(A=a\)、中介 \(M=m\)、协变量 \(X=x\)。
  • \(\Lambda_j(t; a, m, x) = \int_0^t \lambda_j(s; a, m, x) ds\):累积原因别风险。
  • \(\pi(a; x) = P(A=a \mid X=x)\):倾向得分。
  • \(f(m; a, x)\):给定 \(A=a, X=x\) 时中介变量的条件密度。
  • \(r(m, x, a_0, a_j) = f(m; a_0, x) / f(m; a_j, x)\):中介密度比。
  • \(G_j(t)\):类型 \(j\) 事件的逆概率加权鞅残差(见公式)。
  • \(\varphi^a_k(t; O)\):目标泛函 \(F^a_k(t)\) 的高效影响函数(EIF)。
  • \(O = (X, A, M, T, \Delta)\):单个观测数据。

  • 模型:本文考虑一个非参数模型,即不对 \(\lambda_j\)、\(f(m; a, x)\)、\(\pi(a; x)\) 施加参数形式,只假设它们满足一定的光滑性条件。数据生成机制由以下序贯结构描述:

  • 基线协变量 \(X \sim P_X\)。
  • 处理 \(A \mid X \sim \text{Bernoulli}(\pi(1; X))\)。
  • 中介变量 \(M \mid A, X \sim f(\cdot; A, X)\)。
  • 给定 \((A, M, X)\),事件时间 \(T\) 和类型 \(\Delta\) 由原因别风险 \(\lambda_j(t; A, M, X)\) 生成(即竞争风险模型)。
  • 删失时间 \(C\) 独立于 \((T, \Delta)\),给定 \((A, M, X)\)。

  • 可观测数据:研究者观测到 \(n\) 个独立同分布样本 \(\{O_i = (X_i, A_i, M_i, T_i, \Delta_i)\}_{i=1}^n\)。其中 \(M_i\) 仅在未删失且事件发生前被测量(本文假设中介在固定时间点测量,且在此之前无事件发生)。关键点:潜在中介 \(M^a\) 和潜在计数过程 \(N^a_j(t)\) 是不可观测的,只能通过假设(如序贯可忽略性)将其与可观测数据联系起来。

第二步:最小内核

核心问题:在竞争风险下,如何识别并估计"处理通过中介变量对类型 \(k\) 事件累积发生率的总效应"?

最小例子:考虑一个简化设定:\(J=2\)(事件1=无症状感染,事件2=有症状感染),\(X\) 为空集(无协变量),处理 \(A\) 为二元,中介 \(M\) 为连续变量。我们关注 \(F^1_1(t) - F^0_1(t)\),即处理对无症状感染累积发生率的因果效应。

关键困难:\(F^a_k(t)\) 涉及反事实 \(N^{a, M^{a'}}_k(t)\)(即处理设为 \(a\),中介设为在 \(a'\) 下自然取值时的计数过程)。自然效应框架需要"跨世界"假设(如 \(N^{a,m}_k(t) \perp M^{a'} \mid X\)),这在竞争风险下尤其难以验证。

本文的核心洞察:在无处理-中介交互(即 \(\lambda_j(t; a, m, x)\) 对 \(a\) 和 \(m\) 是可加的)且二元处理的设定下,自然效应、随机干预效应与可分离效应三种框架下的目标 estimand 收敛到同一个统计泛函:

\[F^a_k(t) = \int_X \int_M \int_0^t \exp\left\{-\sum_{j=1}^J \Lambda_j(s; a_j, m, x)\right\} d\Lambda_k(s; a_k, m, x) \, dP(m; a_0, x) \, dP(x)\]

其中 \(a = (a_0, a_1, \dots, a_J)\) 是一个向量,\(a_0\) 是生成中介变量的处理水平,\(a_j\) 是生成事件 \(j\) 的处理水平。例如,自然间接效应(NIE)对应 \(a = (1, 0, 0)\)(中介在 \(A=1\) 下生成,事件在 \(A=0\) 下发生),自然直接效应(NDE)对应 \(a = (1, 1, 0)\)(中介在 \(A=1\) 下生成,事件1在 \(A=1\) 下发生,事件2在 \(A=0\) 下发生)。

为什么这个泛函是"最小内核":它揭示了竞争风险下中介分析的本质——效应分解需要同时指定中介生成机制(由 \(a_0\) 决定)和各事件类型的风险机制(由 \(a_j\) 决定)。公式(1)中的 \(\exp\{-\sum_{j=1}^J \Lambda_j\}\) 项是"所有事件均未发生"的概率,它耦合了所有事件类型的风险,这正是竞争风险区别于单事件情形的核心。证明的关键在于:在无交互假设下,反事实计数过程的联合分布可以被分解为可观测的原因别风险函数和中介密度函数的乘积,从而使得跨世界反事实可以被"去混杂"为可观测泛函。

为什么难:该泛函涉及对中介变量 \(M\) 的积分,且被积函数包含所有事件类型的累积风险。直接估计需要估计多个非参数函数(原因别风险、中介密度、倾向得分),且这些估计的误差会通过非线性方式传播。此外,当 \(M\) 是连续变量时,该泛函作为 \(M\) 的函数的路径wise导数不存在(非光滑),导致标准的半参数效率理论失效。本文通过引入核平滑(kernel smoothing)来恢复可微性,从而推导出EIF。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在存在竞争风险的时间-事件结局下,如何统一地进行因果中介分析,将处理对原因别累积发生率的总体效应分解为通过中介变量的间接效应、直接效应和通过竞争事件的间接效应。
  2. 核心工具/方法:在自然效应、随机干预效应和可分离效应三种框架下建立效应分解,证明在特定设定下三者产生相同的统计泛函;推导该泛函的高效影响函数(EIF),提出基于交叉拟合(cross-fitting)的多重稳健DML估计器,并开发针对未测量混杂的敏感性分析。
  3. 主要结论:三种框架在无处理-中介交互且二元处理下等价;所提估计器在多重稳健性下达到半参数效率界;在COVID-19疫苗和HIV预防试验的免疫相关分析中,方法给出了合理的效应分解,且敏感性分析表明结果对未测量混杂的假设较为稳健。

关键设定与假设

  • 核心假设:
  • 一致性(Consistency):观测到的中介和事件过程等于潜在变量在观测处理下的值。
  • 序贯可忽略性(Sequential ignorability):给定协变量 \(X\),处理分配独立于潜在中介和潜在事件过程;给定 \(X, A, M\),中介独立于潜在事件过程。这是自然效应框架的核心假设。
  • 无处理-中介交互:原因别风险函数满足 \(\lambda_j(t; a, m, x) = \lambda_j(t; a, m, x)\) 对 \(a\) 和 \(m\) 可加,即 \(\lambda_j(t; a, m, x) = \alpha_j(t; a, x) + \beta_j(t; m, x)\) 或类似结构。这是三种框架等价的关键。
  • 正性(Positivity):倾向得分和中介密度有界且远离0。
  • 删失非信息性:删失时间独立于事件过程,给定协变量和处理。
  • 相比已有工作的变化:本文不假设中介-结局关系为参数模型,允许高维协变量,且不要求原因别风险满足比例风险假设。相比 Huang (2021) 和 Vo et al. (2020) 的逆概率加权方法,本文的EIF方法在模型误设下更稳健。

主要结果

  • 定理1(自然效应识别):在假设1和2下,自然效应框架下的反事实累积发生率 \(F^a_k(t)\) 可由公式(1)识别。证明思路:利用序贯可忽略性将反事实期望分解为对 \(X\) 和 \(M\) 的迭代期望,再利用原因别风险的乘积积分表示。
  • 定理2(随机干预效应识别):在更弱的单世界假设下,随机干预效应框架下的 estimand 同样由公式(1)给出,但 \(a_0\) 和 \(a_j\) 的解释不同。
  • 定理3(可分离效应识别):在可分离效应框架下,通过将处理分解为组分,得到相同的公式(1)。
  • 定理4(多重稳健性):所提估计器 \(\hat{F}^a_k(t)\) 在以下任一条件下一致:
  • 原因别风险模型和中介密度模型均正确;
  • 倾向得分模型和中介密度模型均正确;
  • 倾向得分模型和原因别风险模型均正确。 证明思路:EIF的一阶影响为零,剩余项为 nuisance 估计误差的乘积,在交叉拟合下可忽略。
  • 定理5(渐近正态性):若所有 nuisance 估计器以 \(o_p(n^{-1/4})\) 的速率收敛,则 \(\sqrt{n}\{\hat{F}^a_k(t) - F^a_k(t)\}\) 弱收敛到均值为零的高斯过程,方差由EIF的方差给出。

证明路线与技术技巧

  • 整体路线:
  • 识别:从反事实定义出发,利用序贯可忽略性将 estimand 转化为可观测泛函(公式1)。
  • EIF推导:在非参数模型下,通过计算泛函的路径wise导数(Gateaux导数),得到EIF。由于连续中介导致非光滑性,作者引入核平滑(kernel smoothing)来正则化,使得导数存在。
  • 估计:采用交叉拟合(cross-fitting)策略,将样本分为两部分,一部分估计 nuisance(倾向得分、原因别风险、中介密度),另一部分估计目标参数,避免过拟合偏差。
  • 渐近理论:利用EIF的一阶性质,结合 nuisance 估计的收敛速率,证明估计量的渐近正态性和效率。
  • 关键跳跃点:
  • 非光滑性的处理:连续中介变量导致泛函 \(F^a_k(t)\) 作为 \(M\) 的函数的路径wise导数不存在。作者通过引入核平滑(即考虑 \(F^a_{k,K_h}(t) = \int K_h(m-m_0) F^a_k(t) dm\))来恢复可微性,并证明平滑偏差可以通过选择合适的带宽来控制。
  • 多重稳健性的证明:EIF的剩余项被分解为多个 nuisance 估计误差的乘积,每个乘积项在交叉拟合下期望为零。这需要精细的U-statistics展开和经验过程理论。
  • 技术技巧点名:
  • 高效影响函数(EIF):用于构造渐近有效估计量。
  • 交叉拟合(Cross-fitting):避免 nuisance 估计的过拟合。
  • 核平滑(Kernel smoothing):处理连续中介变量的非光滑性。
  • 鞅理论(Martingale theory):用于处理计数过程和原因别风险的乘积积分。
  • 经验过程理论(Empirical process theory):用于控制剩余项的高阶项。

真实例子与应用

  • COVID-19疫苗试验:数据模拟自Project NextGen试验,比较口服疫苗与已批准疫苗。中介变量为第30天CD4+ T细胞反应,结局为无症状感染,竞争事件为有症状感染。结果显示,中介效应(通过CD4+ T细胞)为负但不显著,直接效应为正但不显著,竞争效应接近零。敏感性分析表明,当未测量混杂的效应较小时,结论不变。
  • HIV预防试验(AMP):中介变量为预测的VDRL ID80滴度,结局为感染VDRL敏感株,竞争事件为感染耐药株。结果显示,较高的ID80滴度与较低的敏感株感染风险相关,中介效应显著,直接效应不显著。敏感性分析表明,结果对未测量混杂的假设较为稳健。

🔎 结论是否比证明窄

是。作者在定理1-3中严格证明了在无处理-中介交互且二元处理下三种框架的等价性,但在讨论中暗示这种等价性可能推广到更一般情形(如连续处理、多中介),并未给出证明。此外,定理5的渐近正态性依赖于 nuisance 估计的 \(o_p(n^{-1/4})\) 收敛速率,这在核平滑下需要额外的带宽条件,作者在正文中未详细讨论这些条件是否在实际应用中容易满足。最后,作者声称估计器"达到半参数效率界",但这一结论仅在非参数模型下成立,若模型有额外约束(如比例风险),效率界可能更低。

四、开放问题

  1. 等价性的边界:三种框架在无交互且二元处理下等价,但在连续处理、多中介或存在处理-中介交互时,等价性是否成立?作者在讨论中承认"这一等价性是特定设定的结果",但未给出反例或推广条件。扎根于:Discussion 部分 "This agreement should not be read as an equivalence of the frameworks: it is a consequence of the binary treatment and single mediator setting studied here."
  2. 高维中介与变量选择:当中介变量为高维(如基因表达谱)时,如何高效估计密度比 \(r(m, x, a_0, a_j)\)?本文的Riesz回归方法在高维下可能不稳定,需要正则化或降维技术。扎根于:Section 4.1 提到"we estimate the mediator density ratio using Riesz regression",但未讨论高维情形。
  3. 敏感性分析的扩展:本文的敏感性分析仅针对未测量的处理-中介混杂和中介-结局混杂,但未考虑未测量的处理-结局混杂或竞争事件之间的未测量混杂。扎根于:Section 5.2 的敏感性分析模型仅引入了一个共同的未测量混杂 \(\Xi\)。
  4. 非参数效率界的紧性:定理5证明了估计器达到非参数效率界,但未讨论在有限样本下,核平滑的带宽选择对效率的影响。是否存在自适应带宽选择方法?扎根于:Theorem 6 的证明依赖于带宽条件,但未给出实际选择准则。
  5. 与主分层框架的衔接:作者在引言中明确排除了主分层(principal stratification)框架,但未讨论两种框架在竞争风险下的相对优劣。扎根于:Introduction 部分 "we do not consider it further in this work"。

提示:若想确认这些是否是真 gap,建议去读近5年关于"竞争风险中介分析"的文献(如 Statistics in Medicine, Biometrics, JRSS-B 上的相关文章),看它们的引言是否都指向同一批未解决问题。若多篇独立文献都提到"缺乏统一框架"或"高维中介未解决",则大概率是真 gap;若各文献各说各话,则可能是伪 gap。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论