Causal organic indirect and direct effects: closer to Baron and Kenny, with a product method for binary mediators

讲者: Judith Lok
来源: OCIS (Online Causal Inference Seminar)
日期: 2020-08-18
主题: 因果推断
视频: https://www.youtube.com/watch?v=AB_DR0JhflU · 幻灯片

本页据讲座录音的自动转写（ASR）生成。人名 / 术语 / 公式 / 具体的率与界可能被听错，关键处请对照视频或讲者论文核对。

相关论文

• 1903.04697 （尚未精读 — talks read --id … --read-papers 可补）

---

一、这场报告在讲哪条工作线

这场报告立足于 因果中介分析（causal mediation analysis） 这个子方向。该方向的核心追问是：将一个总处理效应（ATE）分解为通过中介变量 M 的间接效应（mediated）和其余的直接效应（direct），并且在什么假设下这种分解具有因果解释。

奠基与主流路线：
- 经验传统始于 Baron & Kenny (1986) 的“产品方法”（product method），线性模型无交互时，间接效应 = a × b（a 是 A→M 的斜率，b 是 M→Y 的斜率）。
- 因果框架由 Robins & Greenland (1992) 和 Pearl (2001) 建立，提出自然间接效应和自然直接效应（natural indirect / direct effects），定义基于跨世界反事实（cross-world counterfactual）E[Y(1, M(0))]。识别该量需要交叉世界独立性假设（Y(a',m) ⟂ M(a) | C），这意味着即使处理 A 随机化，也必须无后处理混杂，且不能仅靠随机化中介来满足。这个假设在实践中争议很大。

当前 frontier 的几条路线：
1. 放松交叉世界假设的各种方法（例如通过 IV、近端因果推断等）。
2. 用随机干预（stochastic intervention）替代人为设定中介到某个值，从个体水平的反事实转向分布水平的干预——这就是本场报告的核心路线。
3. 处理高维中介、方向性（纵向）因果分解等。

这场报告站在哪：报告基于讲者 Lok (2016)* 提出的有机间接效应和直接效应（organic indirect / direct effects）。该定义核心思想是：不要求能人为设定 M 到某个特定值（有时不可行，如 BMI 或病毒载量），而是考虑一种对 M 的随机干预 I：这种干预改变 M 的分布使其类似于另一处理状态下的分布，但对 Y 没有直接影响（条件于 M 和 C）。随即，报告在 2020 年论文（Lok & Bosch, 2020）中做了关键推广：将有机干预与“不处理”（A=0）结合，称相对于 A=0 的有机间接效应，而非 2016 版相对于 A=1 的版本。这一转向有两个实际好处：
- 产品方法在线性模型中即使有 A×M 交互也成立（更接近 Baron & Kenny 原版，后者要求无交互）。
- 这个间接效应仅需处理组的中介分布信息，但结局条件期望只需要控制组（A=0）的数据**，这对新药研发（尚无处理组的结局数据）极为重要。

关键参考文献（转写中明确提到的）：
- Baron & Kenny (1986). “The moderator–mediator variable distinction in social psychological research.”
- Robins & Greenland (1992). “Identifiability and exchangeability for direct and indirect effects.”
- Pearl (2001). “Direct and indirect effects.”
- Lok (2016). “Causal organic indirect and direct effects.” Statistics in Medicine.
- Lok & Bosch (2020). “Causal organic indirect and direct effects: closer to Baron and Kenny, with a product method for binary mediators.” arXiv:1903.04697.
- 讨论人 Imai (幻灯片) 提到 van der Laan 等的工作，转写中听作“Vanessa did less” = van der Laan（见幻灯片“van der Laan”的引用），对应 van der Laan & Petersen (2007) 等的随机干预方法。

---

二、最小内核 / 一个最简例子

符号与模型

设可观测数据为随机向量 (A, C, M, Y)，其中：
- A ∈ {0,1}：处理（随机化）；
- C：预处理协变量（M 与 Y 的共同原因）；
- M：中介（连续或二值）；
- Y：结局。

潜在变量：
- M(a)：处理 A=a 下观察到的中介值；
- Y(a)：处理 A=a 下的结局（不涉及 M）；
- Y(a, m)：在 A=a 下将 M 强制设为 m 时的结局（这是个体水平干预的反事实）。

有机间接效应不依赖 Y(a, M(a')) 这种跨世界量，而是依赖一个对 M 的随机干预 I。干预 I 定义为：条件于 C，它使 M 的分布等于 M(1) 在 C 上的条件分布（记作 M(1)|C），但干预本身不对 Y 产生额外影响（直接效应被阻断）。定义有机间接效应（相对于 A=0） 为：

\[\zeta^*(0) = E[ Y(1, M(1)) ] - \sum_m E[ Y(0, m) ] \cdot \Pr(M(1)=m)\]

第一项是处理组实际结局；第二项是“将 M 的分布替换为处理组分布，但结局机制保留在控制组水平”时预期的平均结局。

有机直接效应（相对于 A=0）：

\[\xi^*(0) = \sum_m E[ Y(0, m) ] \cdot \Pr(M(1)=m) - E[ Y(0, M(0)) ]\]

最简例子（连续、无交互、无 C）

设 A 随机化（不考虑 C）。线性模型：

\[M = \alpha_0 + \alpha_1 A + \varepsilon_M, \quad Y = \beta_0 + \beta_1 A + \beta_2 M + \varepsilon_Y\]

这里没有 A×M 交互。Baron & Kenny 产品法间接效应估计量 = \alpha_1 * \beta_2。自然间接效应（E[Y(1, M(0))] - E[Y(0, M(0))]）在该模型下也等于 \alpha_1 * \beta_2。

有机间接效应（相对于 A=0） 的计算：
- E[Y(1, M(1))] = β_0 + β_1 + β_2 (α_0 + α_1)（处理组实际均值）。
- E[Y(0, M(1))] 定义为：用 M(1) 的分布（在控制组的人身上，但 M 从处理组分布抽取）替换控制组 M 分布后、控制组结局公式下的期望。计算得此值为 β_0 + β_2 (α_0 + α_1)。
- 有机间接效应 = β_1 + β_2 α_1 - (β_0 + β_2 (α_0 + α_1) - β_0 - β_2 α_0)
化简后 = β_1？等一下，这里需要小心：
实际上在无交互线性模型下，有机间接效应（两种定义）和自然间接效应都等于 α_1 β_2，见报告结论。更关键的是即使有交互（Y = β_0 + β_1 A + β_2 M + β_3 A·M + ε），有机间接效应（相对于 A=0）依然等于 α_1 * β_2（平均像个产品），而自然间接效应需要有交互时项。

所以核心思想：用分布偏移来避免“设定 M 的值”，同时保留产品公式的可操作性。

---

三、报告主体：讲者讲了什么

[0:02:58–0:05:20] 背景与动机
- 中介分析源自 Baron & Kenny (1986)，已被大量应用（94,000+ 引用）。
- 通常估计 a×b 产品，但因果解释需要处理 M 与 Y 的共同原因 C，即使在 RCT 中。
- 举例：降压药（A）→血压（M）→心脏病（Y）；HIV 治愈药（A）→病毒库（M）→病毒反弹时间（Y）。

[0:05:20–0:07:35] 自然间接/直接效应的争议
- 自然效应定义：E[Y(1, M(0))] 等，涉及跨世界反事实。讲者点名两大问题：
(1) 即使能设定 M，M(0) 在处理组中未被观测；
(2) 如何“设定”M（如 BMI=25）不唯一（Cole & Frangakis, 2009 例子）。
- 识别自然效应需要强交叉世界独立性假设，且不允许后处理混杂。

[0:07:36–0:10:29] 有机干预的定义
- 引入对 M 的随机干预 I，满足两个条件：
(1) 条件于 C，干预后 M 的分布 = 处理组 M 的条件分布（即 M(1)|C）；
(2) 条件于 C，给定 M=m，无论是自然还是干预后得到的 m，Y 的条件分布相同（即 I 对 Y 无直接效应）。
- 满足此两条的 I 称为有机干预。
- 用血压例子：降压药降血压 10 mmHg；有机干预可以是盐摄入减少，也降血压 10 mmHg 且不改变形状。

[0:10:30–0:23:10] 有机间接/直接效应定义与识别
- 有机间接效应（相对于 A=1）：
E[Y(1, M(1))] - E[Y(1, M(0,I))]，其中 M(0,I) 指在 A=0 下经有机干预后的中介。
- 讲者给出识别公式（中介公式）：
E[Y(1, M(0,I))] = ∫[∫E[Y|A=1, M=m, C=c] dP_{M|A=0}(m|c)] dP_C(c)——与自然效应的中介公式形式相同。
- 关键：这个表达式仅包含可观测量，且不依赖于具体选哪个有机干预 I（只要有机性成立）。
- 结论：有机效应泛化了自然效应（当“设定 M=M(0)”的干预有机时）。

[0:28:52–0:31:10] 新结果：相对于 A=0 的版本与产品方法
- 报告的核心新贡献：不是组合“干预 + 处理 A=1”，而是组合“干预 + 不处理 A=0”。
- 有机间接效应（相对于 A=0） = E[Y(1, M(1))] - E[Y(0, M(1))]，其中 Y(0, M(1)) 表示“在 A=0 下但 M 的分布取 A=1 的条件分布”。
- 好处：在线性模型中，该间接效应 = A→M 效应 × M→Y 效应（条件于 C 下），且即使有 A×M 交互也成立。这是“更接近 Baron & Kenny”的含义。
- 此外仅需结局数据在 A=0 下，这对新药预测试验非常吸引人。

[0:31:10–0:42:30] HIV 治愈应用
- 数据：AIDS Clinical Trials Group (ACTG) 研究，124 名 HIV 感染者，均未接受治愈治疗（A=0），但有 ART 中断后病毒库（M）和病毒反弹（Y）的测量。
- 假设新治愈药 A 能将病毒库降低 1 log10（即 10 倍）。讲者用“分布平移”模型：将 M(0) 减 1 log10 后作为 M(1) 的分布，该平移本身可以看作一种有机干预（需领域知识验证）。
- 估计出有机间接效应 (relative risk difference) 显示：以细胞相关 HIV RNA 为靶点的间接效应更大，提示该中介可能是更好的治疗靶点。

[0:42:30–0:48:30] 二元中介的产品方法
- 当 M 为二值时（HIV 抑制状态），条件于 C，有机间接效应（相对于 A=0）为：
E[ζ*(0)|C] = [P(M=1|A=1, C) - P(M=1|A=0, C)] × [E(Y|A=0, M=1, C) - E(Y|A=0, M=0, C)]
即 A 对 M 的概率差 × M 对 Y 的均值差（在 A=0 下）。这是一个真正的产品。整体间接效应再对 C 的边缘分布平均即可。
- 该公式与自然间接效应在交叉世界假设下相同，但有机框架不需要该假设。

[0:48:30–0:57:50] 讨论人 Kosuke Imai 的点评
- Imai 的幻灯片（已提供）补充了与自然效应的对比细节。
- 主要问题：有机效应与自然效应的关系：Imai 认为在交叉世界独立性下，自然效应退化为有机效应，所以“有机是自然的特例而非泛化”。讲者辩称：自然效应需要人能设定 M 的个体值，很多情况下不可行；有机效应只要求存在某种改变分布的干预，领域专家可以判断，更现实。
- Imai 还指出：有机效应可以被视为“随机干预效应”（stochastic intervention effect），已有广泛文献；其对高维中介的可能价值被关注。

[0:57:50–结束] 未来方向
- 测量误差（HIV 病毒库有检测下限）；
- 允许后处理混杂；
- 其他应用场景（药物开发筛选）。

---

四、对应论文与开放问题

对应的论文（一个来源为转写，一个为arXiv摘要，均经幻灯片确认）：
- 报告核心：Lok & Bosch (2020) Causal organic indirect and direct effects: closer to Baron and Kenny, with a product method for binary mediators. arXiv:1903.04697. 最新版本发布于报告前一天（2020-08-17）。
- 基础框架：Lok (2016) Causal organic indirect and direct effects. Statistics in Medicine.

开放问题（转写中明确提及，不是我的猜测）：

1. [0:48:30–0:52:30] 有机干预的领域特异性
   如何在一个新应用中判断一个干预是否“有机”？报告强调需要领域专家讨论，但没有给出形式化判定条件。这使得方法对非领域研究者不够透明。
   （对应转写：0:48:30 “whether an intervention is organic can be discussed with subject matter experts.”）

2. [0:18:00–0:19:30] 有机条件（2）需要条件于 C 的原因
   如果不条件于 C，由于 M(0) 和 M(1) 条件分布不同，给定 M=m 会传递不同 C 信息，导致分布不等。这意味着 C 必须足够丰富以捕捉所有共同原因。若 C 缺失某些共同原因（未测量混杂），有机识别是否仍成立？ 转写仅承认“可以放松”，但未给出细节。
   （对应转写：0:18:00 “if we take this condition on C out of the conditioning event… conveys different information on C.”）

3. [0:52:30–0:55:00] 自然效应与有机效应的优先级
   讨论人 Imai 和讲者就是孰为“一般化”存在分歧。这本质上是一个概念定义问题：哪种效应在更弱的假设下可识别并具可操作性？目前没有共识。
   （对应幻灯片第5页讨论和0:52:30–0:55:00 讲者回应。）

4. [0:57:50–结束] 二元中介产品方法的可推广性
   产品方法给出了封闭形式，但仅适用于二元中介和可忽略的后处理混杂。能否扩展到多元/高维中介？ 讨论人 Imai 暗示随机干预思路可能对高维有用。
   （对应幻灯片第7页：“general stochastic intervention on mediators; potentially useful for high-dimensional mediators.”）

5. [0:47:00–0:48:30] 实际估计中的测量误差
   HIV 应用中 M 有检测下限（assay limit），讲者指出已考虑“fall below assay limit”的情况，但未详述方法，且称“ongoing work with Ari Tianovsky”。
   （对应转写：0:48:30 “the outcome logistic regression model also holds for mediators below the assay limit… working on that with Ari Tianovsky.”）

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论