跳转至

Testing High-Dimensional Mediation Effect with Arbitrary Exposure-Mediator Coefficients

讲者: Yinan Lin
会场: Statistical Methods for Biomedical and Genomic Studies
报告题目: Testing High-Dimensional Mediation Effect with Arbitrary Exposure–Mediator Coefficients
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述

这个方向是什么

本文研究的子方向是高维中介分析中的假设检验，具体问题为：在线性结构方程模型（LSEM）框架下，当潜在中介变量维度 \(p\) 可能远大于样本量 \(n\) 时，如何检验总中介效应（即自然间接效应）\(\gamma = \beta_A^\top \theta_M \in \mathbb{R}^q\) 是否为零向量。该问题在基因组学、表观遗传学、神经影像学等领域有广泛应用，例如检验 DNA 甲基化是否介导了吸烟对肺癌的影响。当前该方向的成熟度处于方法快速发展但关键缺口尚未填补的阶段：已有方法要么只检验单个中介路径而非总效应，要么对暴露-中介系数 \(\beta_A\) 施加了过强的结构假设，且均无法处理复合零假设中最困难的情形（\(\beta_A = 0\) 且 \(\theta_M = 0\)）。

发展脉络（history）

以下按时间顺序梳理本文 introduction 引用的关键工作，定位每篇的贡献与留下的口子：

  • 奠基工作（低维设定）：Baron & Kenny (1986) 提出了经典的逐步回归法；VanderWeele & Vansteelandt (2009, 2014) 将因果中介分析扩展到多个中介变量和非线性模型，建立了反事实框架下的识别条件。这些工作假设 \(p\) 固定且小于 \(n\)，无法直接用于高维。
  • 高维中介分析的早期尝试：Chen et al. (2018) 和 Huang & Pan (2016) 使用主成分分析或变量筛选降维，但降维后检验的并非原始总效应 \(\gamma\)。Zhang et al. (2016) 提出逐个检验 \(\beta_{A,j}\theta_{M,j}=0\) 的筛选方法，但“这些单个零假设并不等价于 \(\gamma=0\)”（原文 Section 1）。
  • 直接检验总效应 \(\gamma\) 的方法：Zhou et al. (2020) 提出了基于偏差校正的估计和检验，但“需要 \(\beta_A\) 的结构假设以确保估计的一致性”（原文 Section 1），且“当 \(\beta_A=0\) 且 \(\theta_M=0\) 时无效”（原文 Section 1）。Guo et al. (2022) 通过总效应与直接效应之差估计 \(\gamma\)，但“依赖于 \(\theta_M\) 的符号一致性，这要求较强的假设，如均匀信号强度条件和不可表示条件”（原文 Section 1），且“\(\beta_A\) 不能太大”（原文 Section 1）。
  • 当前 frontier 与本文位置：本文声称是“第一个在高维中介分析中同时具备以下两个特征的检验：不施加 \(\beta_A\) 的假设，且在复合零假设的所有情形下有效”（原文 Section 1）。方法核心是方差增强投影方向（VePD） 技术，该技术最初由 Cai et al. (2021) 用于高维线性模型中的个体处理效应推断，本文将其适配到两个耦合方程的中介模型，并处理了随机高维载荷向量带来的新理论挑战。

子线索聚类

被引文献大致落在以下三条子线索上：

  1. 逐个检验单个中介路径：Huang (2019), Dai et al. (2022), Liu et al. (2022)。这些方法检验每个 \(\beta_{A,j}\theta_{M,j}=0\)，但“它们并不共同等价于 \(\gamma=0\)”（原文 Section 1）。Huang (2019) 要求 \(\beta_A\) 稀疏；Dai et al. (2022) 和 Liu et al. (2022) 通过弱依赖假设隐含地限制了 \(\beta_A\)。
  2. 直接检验总效应 \(\gamma\) 但依赖 \(\beta_A\) 结构：Zhou et al. (2020) 和 Guo et al. (2022)。前者需要“\(\beta_A\) 的结构假设”（原文 Section 1），后者需要“\(\theta_M\) 的符号一致性”且“\(\beta_A\) 不能太大”（原文 Section 1）。两者均未处理 \(\beta_A=0\) 且 \(\theta_M=0\) 的情形。
  3. 基于 VePD 的偏差校正（本文）：Cai et al. (2021) 提出了 VePD 技术用于高维线性模型中的个体处理效应推断。本文将其扩展到中介模型，并处理了随机载荷向量和两个方程耦合带来的新困难。

这个方向在追问的核心问题

  • 核心问题 1：如何在高维中介模型中构造 \(\gamma\) 的检验，使其在复合零假设的所有子情形（包括 \(\beta_A=0\) 且 \(\theta_M=0\)）下都保持第一类错误可控？
  • 核心问题 2：能否在不要求 \(\beta_A\) 稀疏或满足不可表示条件的情况下，实现上述检验？
  • 核心问题 3：当 \(\beta_A\) 密集或暴露-中介关联很强时，现有方法（如 Zhou et al. 2020 和 Guo et al. 2022）的检验是否仍然有效？本文的模拟（Table 2）显示它们在这些情形下会过度拒绝。
  • 已知瓶颈：当 \(\beta_A=0\) 且 \(\theta_M=0\) 时，\(\gamma\) 的估计量的方差衰减速度快于 \(n^{-1/2}\)，导致渐近正态性失效（原文 Section 1 和 Section 2.2）。此外，现有方法对 \(\beta_A\) 的结构假设（如稀疏性、不可表示条件）在实际应用中难以验证。

⚠️ 作者的 framing

作者将缺口 frame 为：“现有方法在 \(\beta_A=0\) 且 \(\theta_M=0\) 时无效，且对 \(\beta_A\) 有结构假设”（原文 Section 1, Table 1）。他们声称自己的方法是“第一个在高维中介分析中同时具备这两个特征的检验”（原文 Section 1）。竞争路线（Zhou et al. 2020 和 Guo et al. 2022）被淡化：作者指出它们需要更强的条件（如不可表示条件、符号一致性），并在模拟中展示它们在密集 \(\beta_A\) 或强相关中介时失效（Table 2）。什么明显该被引却没出现：关于高维中介分析中变量选择的工作（如 Luo et al. 2020, “High-dimensional mediation analysis in survival models”）未被引用，但本文聚焦于检验而非选择，所以可能合理。另外，关于复合零假设的文献（如 Barfield et al. 2017, “Testing for the indirect effect under the null for genome-wide mediation analyses”）被引用，但未深入讨论其与本文方法的比较。

张力

未见明显对立引用。Zhou et al. (2020) 和 Guo et al. (2022) 的方法在条件满足时表现良好，但本文指出它们在 \(\beta_A=0\) 且 \(\theta_M=0\) 时失效，这是互补而非矛盾。Guo et al. (2022) 的方法在模拟中当 \(\Sigma_0 = \Sigma_{CS}\)（强相关中介）时也表现出膨胀的第一类错误（Table 2），这与不可表示条件可能失败有关。

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：
  • \(A_i \in \mathbb{R}^q\)：暴露变量（可观测，通常 \(q\) 很小，如 1 或 3）
  • \(M_i \in \mathbb{R}^p\)：中介变量（可观测，高维，\(p\) 可能远大于 \(n\)）
  • \(Y_i \in \mathbb{R}\)：结局变量（可观测）
  • \(\beta_A \in \mathbb{R}^{p \times q}\)：暴露-中介系数矩阵（未知参数）
  • \(\theta_M \in \mathbb{R}^p\)：中介-结局系数向量（未知参数）
  • \(\theta_A \in \mathbb{R}^q\)：暴露-结局直接效应（未知参数）
  • \(\gamma = \beta_A^\top \theta_M \in \mathbb{R}^q\)：总中介效应（目标参数，要检验的 estimand）
  • \(E_i \in \mathbb{R}^p\)：中介方程误差（不可观测，均值为零）
  • \(Z_i \in \mathbb{R}\)：结局方程误差（不可观测，均值为零）
  • \(n\)：样本量；\(p\)：中介维度；\(q\)：暴露维度
  • \(X_i = (A_i^\top, M_i^\top)^\top \in \mathbb{R}^{q+p}\)：合并协变量
  • \(\theta = (\theta_A^\top, \theta_M^\top)^\top \in \mathbb{R}^{q+p}\)：结局方程系数
  • \(\hat{\beta}_A\)：\(\beta_A\) 的 OLS 估计
  • \(\hat{\theta}\)：\(\theta\) 的初始估计（如 Lasso）
  • \(\tilde{\gamma} = \hat{\beta}_A^\top \hat{\theta}_M\)：\(\gamma\) 的 pilot 估计
  • \(\hat{\gamma}\)：\(\gamma\) 的偏差校正估计（本文提出的）
  • \(\hat{U} \in \mathbb{R}^{(q+p) \times q}\)：投影方向矩阵（通过 VePD 构造）

  • \(V_0, V\)：\(\hat{\gamma}\) 的方差矩阵（\(V\) 包含 ridge \(\tau/n I_q\)）

  • 模型：线性结构方程模型（LSEM）：

    \[M_i = \beta_A^\top A_i + E_i, \quad Y_i = \theta_A^\top A_i + \theta_M^\top M_i + Z_i,\]
    其中 \(E_i\) 和 \(Z_i\) 均值为零，且与 \(A_i\) 条件独立（但允许 \(E_i\) 与 \(A_i\) 相关，比 Zhou et al. 2020 和 Guo et al. 2022 更宽松）。假设 \(A_i\) 已中心化。

  • 可观测数据：研究者实际能观测到的是 \(\{(A_i, M_i, Y_i)\}_{i=1}^n\)。\(\beta_A, \theta_M, \theta_A\) 是未知参数。误差 \(E_i, Z_i\) 不可观测。目标是对 \(\gamma = \beta_A^\top \theta_M\) 进行假设检验 \(H_0: \gamma = 0_q\) vs \(H_a: \gamma \neq 0_q\)。

第二步：讲最小内核

考虑最简特例：单一暴露 \(q=1\)，高维中介 \(p \gg n\)。此时 \(\gamma = \beta_A^\top \theta_M\) 是一个标量。零假设 \(H_0: \gamma = 0\) 包含四种子情形：① \(\beta_A = 0, \theta_M = 0\)；② \(\beta_A \neq 0, \theta_M = 0\)；③ \(\beta_A = 0, \theta_M \neq 0\)；④ \(\beta_A \neq 0, \theta_M \neq 0\) 但 \(\beta_A^\top \theta_M = 0\)。最困难的是情形①，因为此时 \(\gamma\) 的估计量的方差会退化。

核心思路：构造一个偏差校正的估计量 \(\hat{\gamma}\)，使得其方差在 \(\beta_A = 0\) 时仍能主导偏差，并通过引入一个 ridge 项到方差估计中，避免方差估计为零。

具体步骤（在 \(q=1\) 特例下）： 1. 初始估计：用 OLS 估计 \(\beta_A\)：\(\hat{\beta}_A = (A^\top A)^{-1} A^\top M \in \mathbb{R}^p\)。用 Lasso 估计 \(\theta = (\theta_A, \theta_M^\top)^\top\)，得到 \(\hat{\theta} = (\hat{\theta}_A, \hat{\theta}_M^\top)^\top\)。pilot 估计为 \(\tilde{\gamma} = \hat{\beta}_A^\top \hat{\theta}_M\)。 2. 偏差分解：由模型可得

\[\tilde{\gamma} - \gamma = \hat{\Sigma}_A^{-1} \hat{\Sigma}_{AM} (\hat{\theta}_M - \theta_M) + n^{-1} \hat{\Sigma}_A^{-1} A^\top E_M,\]
其中 \(\hat{\Sigma}_A = n^{-1} A^\top A\)，\(\hat{\Sigma}_{AM} = n^{-1} A^\top M\)，\(E_M = E \theta_M\)。第一项是高维惩罚带来的偏差，需要校正。 3. VePD 偏差校正：令 \(g = (0, \hat{\beta}_A^\top)^\top \in \mathbb{R}^{1+p}\)（注意 \(q=1\) 时 \(g\) 是向量）。构造投影方向 \(\hat{u} \in \mathbb{R}^{1+p}\) 通过求解：
\[\hat{u} = \arg\min_{u} u^\top \hat{\Sigma}_X u \quad \text{s.t.} \quad \|\hat{\Sigma}_X u - g\|_\infty \leq \|g\|_2 \lambda,\quad |g^\top \hat{\Sigma}_X u - \|g\|_2^2| \leq \|g\|_2^2 \lambda,\quad \|X u\|_\infty \leq \|g\|_2 \mu,\]
其中 \(\hat{\Sigma}_X = n^{-1} X^\top X\)，\(\lambda \asymp \sqrt{\log(p)/n}\)，\(\mu \asymp \log n\)。然后偏差校正估计为
\[\hat{\gamma} = \tilde{\gamma} + n^{-1} \hat{u}^\top X^\top (Y - X \hat{\theta}).\]
4. 方差估计与 ridge：条件方差为
\[V_0 = \frac{\sigma_E^2}{n} \hat{\Sigma}_A^{-1} + \frac{\sigma_Z^2}{n} \hat{u}^\top \hat{\Sigma}_X \hat{u},\]
其中 \(\sigma_E^2 = \text{Var}(E_i^\top \theta_M)\)，\(\sigma_Z^2 = \text{Var}(Z_i)\)。当 \(\theta_M = 0\) 时 \(\sigma_E^2 = 0\)，且当 \(\beta_A = 0\) 时 \(\|g\|_2 = o_P(1)\)，导致 \(V_0\) 可能以快于 \(n^{-1}\) 的速度衰减。为避免方差估计退化，引入 ridge：
\[V = V_0 + \frac{\tau}{n}, \quad \hat{V} = \hat{V}_0 + \frac{\tau}{n},\]
其中 \(\tau > 0\) 为常数（推荐 0.5 或 1）。 5. 检验统计量：\(T = \hat{\gamma} / \sqrt{\hat{V}}\)，在 \(H_0\) 下渐近服从标准正态分布。拒绝域为 \(|T| > \Phi^{-1}(1 - \alpha/2)\)。

为什么这个特例抓住了核心：在 \(q=1\) 时，所有关键要素（偏差校正、VePD、ridge、退化情形处理）都已呈现。一般 \(q>1\) 的情形只是将标量推广为向量，并用 Bonferroni 校正处理多重比较。论文的数学困难主要在于处理随机高维载荷向量 \(g\)（因为 \(\hat{\beta}_A\) 是随机的）以及两个方程耦合带来的额外复杂性，但在 \(q=1\) 特例下这些困难仍然存在，只是记号更简单。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维线性中介模型（LSEM）中，检验总中介效应 \(\gamma = \beta_A^\top \theta_M\) 是否为零向量，要求检验在复合零假设的所有子情形（包括 \(\beta_A=0\) 且 \(\theta_M=0\)）下有效，且不施加 \(\beta_A\) 的任何结构假设。
  2. 核心工具/方法：基于方差增强投影方向（VePD）的偏差校正技术，结合 ridge 正则化的方差估计和 Bonferroni 校正，构造了一个新的检验统计量。
  3. 主要结论：提出的检验在温和条件下渐近有效（第一类错误可控），且在局部备择下具有非平凡功效；模拟和真实数据应用验证了其相对于现有方法的优势。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 模型：LSEM (1)-(2)，矩阵形式 (4)-(6)。假设 \(A_i\) 和 \(E_i\) 已中心化。
  • 假设 (A1)（次高斯性与矩条件）：
  • \(X_i = (A_i^\top, M_i^\top)^\top\) 是 i.i.d. 次高斯随机向量，协方差 \(\Sigma_X\) 的特征值有界：\(c_0 \leq \Lambda_{\min}(\Sigma_X) \leq \Lambda_{\max}(\Sigma_X) \leq C_0\)。
  • 误差 \(E_i\) 满足 \(E[E_i | A_i] = 0\)，\(\text{Var}[E_i | A_i] = \Sigma_E\)（未知半正定，谱范数有界），且条件于 \(A_i\) 是 norm-subGaussian。
  • 误差 \(Z_i\) 是次高斯，满足 \(E[Z_i | X_i] = 0\)，\(\text{Var}[Z_i | X_i] = \sigma_Z^2\)（有界）。
  • 相比已有文献的放宽：不要求 \(E_i\) 与 \(A_i\) 独立（Zhou et al. 2020 要求），也不要求 \(E_i\) 与 \(Z_i\) 独立（Guo et al. 2022 要求）。允许更一般的依赖结构。
  • 假设 (A2)：矩条件：\(\max_i E[|E_{M,i}|^{2+\nu} | X_i] \leq M_0\)，\(\max_i E[|Z_i|^{2+\nu} | X_i] \leq M_0\)。
  • 假设 (B1)（初始估计的 \(\ell_1\) 误差）：以趋于 1 的概率，\(\|\hat{\theta} - \theta\|_1 \lesssim s \sqrt{\log(q+p)/n}\)，其中 \(s\) 是稀疏参数。可由 Lasso 或 scaled Lasso 在兼容性条件下满足（Proposition 1）。
  • 假设 (B2)（方差估计的一致性）：\(\hat{\sigma}_Z^2 / \sigma_Z^2 \xrightarrow{p} 1\)，\(\hat{\sigma}_E^2 + \hat{\sigma}_Z^2 \xrightarrow{p} \sigma_E^2 + \sigma_Z^2\)。可由 scaled Lasso 满足。
  • 稀疏性条件：\(\theta\) 满足 capped-\(\ell_1\) 稀疏 (17)：\(\sum_{j=1}^{q+p} \min\{|\theta_j|/(\sigma_Z \lambda_0), 1\} \leq s\)，其中 \(\lambda_0 = \sqrt{2\log(q+p)/n}\)。这比严格的 \(\ell_0\) 稀疏更宽松，允许许多小系数。
  • 增长率条件：\(s \ll \sqrt{n} / (q \log(q+p))\)，\(q \ll \min\{p^\zeta, \sqrt{n}\}\)（\(\zeta\) 任意大但固定）。允许 \(q\) 以多项式速度增长，但实际中通常很小。

主要结果

Theorem 2（渐近正态性与偏差控制）： - 陈述：\(\hat{\gamma} - \gamma = W + B\)，其中 \(W_j / \sqrt{V_{jj}} \xrightarrow{d} N(0,1)\) 对每个 \(j=1,\dots,q\)，且 \(\|D B\|_\infty \lesssim s q \log(q+p) / \sqrt{n}\)（以趋于 1 的概率），其中 \(D = \text{diag}(1/\sqrt{V_{jj}})\)。 - 直觉：\(W\) 是渐近正态的主项，\(B\) 是偏差项，其 \(\ell_\infty\) 范数被控制为 \(o_P(1)\)（当 \(s q \log(q+p) \ll \sqrt{n}\) 时）。 - 必要条件：假设 (A1)(A2)(B1)，\(q \ll \min\{p^\zeta, \sqrt{n}\}\)。 - 解决的技术难点：处理随机高维载荷向量 \(g_j\)（因为 \(\hat{\beta}_A\) 是随机的）以及两个方程耦合带来的额外复杂性。证明中需要 Lemma 1 来界定 \(\|g_j\|_2\)，以及 Lindeberg 条件的验证（需要约束 (11) 和矩条件）。

Theorem 3（检验的有效性与功效）： - 有效性：对任意 \(\alpha \in (0,1)\)，\(\limsup_{n\to\infty} \sup_{\xi \in H_0(s)} P_\xi(\varphi_\alpha = 1) \leq \alpha\)。即检验渐近控制第一类错误。 - 功效：在局部备择 \(H_1(s, \delta)\) 下（\(\gamma = \delta / \sqrt{n}\)），功效下界为 \(1 - F(\alpha, \Delta_n, q)\)，其中 \(\Delta_n = C \delta_{\max} / (\sigma \sqrt{\log(pn)/n} + \beta_{A,\max} + C)\)。当 \(\delta_{\max} \gg \sqrt{\log(pn)/n} + \beta_{A,\max}\) 时，\(\Delta_n \to \infty\)，功效趋于 1。 - 必要条件：\(s \ll \sqrt{n} / (q \log(q+p))\)，\(q \ll \min\{p^\zeta, \sqrt{n}\}\)，以及假设 (A1)(A2)(B1)(B2)。 - 与现有方法的对比：Zhou et al. (2020) 和 Guo et al. (2022) 需要额外的 \(\beta_A\) 假设，且无法处理 \(\beta_A=0\) 且 \(\theta_M=0\) 的情形。本文的参数空间 \(\Xi(s)\) 对 \(\beta_A\) 无任何约束。

证明路线与技术技巧

整体路线（以 Theorem 2 和 3 为核心）： 1. 偏差分解：将 \(\hat{\gamma} - \gamma\) 分解为 \(W + B\)（公式 (C2)），其中 \(W\) 包含两个独立误差项（来自中介方程和结局方程），\(B\) 是偏差项。 2. 控制偏差 \(B\)：利用 VePD 的约束 (9) 和初始估计的 \(\ell_1\) 误差 (B1)，得到 \(\|D B\|_\infty \lesssim s q \log(q+p) / \sqrt{n}\)。关键不等式：\(\|(\hat{\Sigma}_X \hat{U} - G)^\top (\theta - \hat{\theta})\|_\infty \leq \sum_j \|\hat{\Sigma}_X \hat{u}_j - g_j\|_\infty \|\theta - \hat{\theta}\|_1\)。 3. 证明 \(W\) 的渐近正态性：条件于 \(X\)，\(W\) 是独立随机变量之和。验证 Lindeberg 条件需要： - 约束 (11) 控制 \(\|X \hat{u}_j\|_\infty\)，从而控制每个项的大小。 - 矩条件 (A2) 和次高斯性保证截断后的期望趋于零。 - 事件 \(A = A_1 \cap A_2 \cap A_3\) 以高概率成立，其中 \(A_1\) 是 \(\hat{\Sigma}_A\) 的收敛性，\(A_2\) 是 \(\|g_j\|_2^2 / n \leq c V_{jj}\)（保证方差不退化），\(A_3\) 是 \(\|A_i\|_2\) 的集中性。 4. 处理退化情形：当 \(\theta_M = 0\) 时 \(\sigma_E^2 = 0\)，且当 \(\beta_A = 0\) 时 \(\|g_j\|_2 = o_P(1)\)（Lemma 1）。此时 \(V_{jj}\) 中的第一项消失，第二项也可能很小。引入 ridge \(\tau/n\) 保证 \(V_{jj} \geq \tau/n > 0\)，从而方差估计 \(\hat{V}_{jj}\) 一致且检验统计量有定义。证明中需要 Lemma 1 给出 \(\|g_j\|_2\) 的界：\(\sup_j \|g_j\|_2 \leq c \sigma \sqrt{\log(pn)/n} + \sup_j \|\beta_{A,j}\|_2\)。 5. 检验的有效性证明：利用 Theorem 2 和方差估计的一致性（(C10)），将检验统计量 \(\|T\|_\infty\) 的概率上界转化为 \(\|\tilde{W}\|_\infty\) 的概率上界，其中 \(\tilde{W} = D W\) 渐近为独立标准正态向量的最大值。通过 Bonferroni 校正得到 \(\limsup P(\|T\|_\infty \geq \Phi^{-1}(1-\alpha/(2q))) \leq \alpha\)。 6. 功效下界：利用 \(|v_{j^*} - \tilde{v}_{j^*}| \geq z^*\) 的概率，其中 \(v = \hat{D} \gamma\)，\(\tilde{v} = \hat{D}(\hat{\gamma} - \gamma)\)。通过 \(\|v\|_\infty\) 的下界（公式 (C18)）和 \(\tilde{v}_j\) 的渐近正态性，得到功效下界。

关键跳跃点： - Lemma 1：证明 \(\|g_j\|_2\) 的界。这是处理退化情形的关键，因为当 \(\beta_A=0\) 时 \(\|g_j\|_2\) 由随机项主导，其量级为 \(O_P(\sqrt{\log(pn)/n})\)。证明需要将 \(\hat{\beta}_A\) 分解为真值加误差，并利用次高斯集中不等式。 - Lindeberg 条件的验证：需要同时控制来自中介方程和结局方程的两项。约束 (11) 保证了 \(\|X \hat{u}_j\|_\infty \leq \|g_j\|_2 \mu\)，从而每个项的大小被控制。事件 \(A_2\) 保证 \(\|g_j\|_2^2 / n \leq c V_{jj}\)，使得方差项不退化。 - 方差估计的一致性：当 \(\theta_M = 0\) 时，\(\hat{\sigma}_E^2 \xrightarrow{p} 0\)，但 \(\hat{\sigma}_Z^2\) 仍一致。此时 \(\hat{V}_{jj} = \hat{\sigma}_Z^2 \hat{u}_j^\top \hat{\Sigma}_X \hat{u}_j / n + \tau/n\)，而真值 \(V_{jj} = \sigma_Z^2 \hat{u}_j^\top \hat{\Sigma}_X \hat{u}_j / n + \tau/n\)。需要证明 \(\hat{u}_j^\top \hat{\Sigma}_X \hat{u}_j\) 的估计误差可忽略，这依赖于 VePD 的约束和 \(\|g_j\|_2\) 的界。

技术技巧点名： - VePD（方差增强投影方向）：来自 Cai et al. (2021)。通过约束 (9)-(11) 同时控制偏差和方差。本文的创新在于处理随机载荷向量 \(g_j\)（因为 \(\hat{\beta}_A\) 是随机的），而 Cai et al. (2021) 处理的是固定载荷。 - 次高斯集中不等式：用于控制 \(\|\hat{\Sigma}_A^{-1} - \Sigma_A^{-1}\|_2\)（Kereta & Klock 2019），以及 \(\|n^{-1} A^\top E_M\|_2\)（Jin et al. 2019, Corollary 7）。 - scaled Lasso：用于同时估计 \(\theta\) 和 \(\sigma_Z^2\)，满足假设 (B1)(B2)（Sun & Zhang 2012）。 - 兼容性条件：用于建立 Lasso 的 \(\ell_1\) 误差界（Geer & Bühlmann 2009）。 - Lindeberg 中心极限定理：用于证明 \(W_j\) 的条件渐近正态性。 - Bonferroni 校正：用于处理多重暴露 \(q>1\) 的情形。

真实例子与应用

数据：TCGA 肺腺癌（LUAD）数据集，包含 175-211 个样本（因 GO term 而异）。暴露 \(A\)：吸烟状态（二元，当前/曾经吸烟 vs 从不吸烟）。结局 \(Y\)：用力呼气量（FEV1），衡量肺功能。中介 \(M\)：DNA 甲基化水平（Illumina 450K 芯片），按 Gene Ontology (GO) 术语分组，每组作为高维中介向量（最大组含 1781 个基因）。协变量：年龄、性别、种族。

方法应用： - 对每个 GO term（共 7743 个），将组内基因的甲基化水平作为高维中介向量，应用本文提出的检验（Bonf-1）。 - 使用 scaled Lasso 作为初始估计，VePD 方向通过 SIHR R 包求解。 - 多重比较校正：Bonferroni 校正（显著性水平 5%）。

结果： - 发现 169 个显著 GO term。表 4 列出前 10 个，包括“regulation of catalytic activity”、“positive regulation of immune system process”等，与免疫反应和细胞过程相关。 - 作者还分析了 \(\beta_A\) 和 \(\theta_M\) 的稀疏性：1338 个 GO term 中 \(\hat{s}_A = \hat{s}_M = 0\)（可能 \(\beta_A=0\) 且 \(\theta_M=0\)），1059 个 GO term 中 \(\hat{s}_A \geq \sqrt{n}\)（可能密集 \(\beta_A\)）。这说明了本文方法在实际中的必要性，因为现有方法在这些情形下会失效。

这个例子想说明什么：验证本文方法在真实高维数据中的可行性，特别是在 \(\beta_A\) 可能密集或 \(\beta_A=0\) 且 \(\theta_M=0\) 的常见情形下，本文方法是唯一可用的选择。结果与已知生物学知识一致（吸烟通过免疫失调影响肺功能），提供了表面效度。

🔎 结论是否比证明窄

  • Theorem 3 的功效下界依赖于 \(\Delta_n\)，其中包含 \(\beta_{A,\max}\) 项。当 \(\beta_A\) 很大时，\(\Delta_n\) 变小，功效可能降低。作者在模拟中承认“some loss of power is expected”（Section 4.2），但未给出定量刻画。
  • 证明中假设 \(q \ll \sqrt{n}\)，但实际中 \(q\) 通常固定（如 1 或 3），所以没问题。但 Theorem 2 和 3 的证明中多次使用 \(q \ll \sqrt{n}\) 来保证某些项收敛，如果 \(q\) 以更快的速度增长，结果可能不成立。
  • Appendix F 给出了一个修改版本，假设 \(\theta\) 的 \(\ell_0\) 稀疏性和符号一致性（包括不可表示条件），但这不是主要结果。作者在正文中未强调这个修改，可能因为它需要更强的条件，与本文“不施加 \(\beta_A\) 假设”的卖点不一致。
  • 真实数据应用中，作者使用了 Bonferroni 校正，但未讨论 GO term 之间的相关性。如果 GO term 高度重叠，Bonferroni 可能过于保守。作者在结论中提到了“many GO terms contain overlapping genes”，但未进一步分析。

四、开放问题

  1. 扩展到非连续结局：作者在 Section 6 提到“the test may be extended to deal with binary or count outcomes via a high-dimensional generalized linear model”，但未具体展开。这是一个明确的未来工作方向，扎根于 Section 6 最后一句。需要处理广义线性模型中的偏差校正和方差估计问题。

  2. 变量选择与重要中介识别：当假设中介效应稀疏时，如何识别哪些中介变量贡献了总效应？Appendix F 给出了一个修改版本，但需要更强的符号一致性条件（包括不可表示条件和均匀信号强度条件）。能否在更弱的条件下（如本文的 capped-\(\ell_1\) 稀疏）进行变量选择？扎根于 Section 6 第一句“sparsity of the mediation effect may be assumed and variable selection among high-dimensional mediators might be of interest”。

  3. 多个暴露的联合检验：本文使用 Bonferroni 校正处理 \(q>1\) 的情形。模拟中 \(\chi^2\) 检验（\(\chi^2\)-1）表现与 Bonf-1 相当，但未给出理论证明。能否构造一个联合检验（如基于 \(\hat{\gamma}\) 的二次型）并保持有效性？扎根于 Section 4.1 的模拟比较（Table 2 中 \(\chi^2\)-1 与 Bonf-1 的对比）。

  4. 对 \(\beta_A\) 的推断：本文只关注 \(\gamma\) 的检验，但 \(\beta_A\) 本身可能也有科学意义（如哪些暴露-中介路径是显著的）。能否对 \(\beta_A\) 的某些线性组合进行推断？这需要处理高维矩阵估计的推断问题，扎根于模型设定（\(\beta_A\) 是 \(p \times q\) 矩阵，但本文只用了其与 \(\hat{\theta}_M\) 的乘积）。

  5. 弱工具变量问题：当 \(\beta_A\) 非常稀疏或信号很弱时，\(\hat{\beta}_A\) 的 OLS 估计可能不准确，影响 VePD 方向的质量。本文的 Lemma 1 给出了 \(\|g_j\|_2\) 的界，但未讨论 \(\beta_A\) 信号强度对检验功效的影响。扎根于 Theorem 3 的 \(\Delta_n\) 中包含 \(\beta_{A,\max}\) 项。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论