Skip to main content

如何理解SNM中L的作用

Aaron L9/17/25About 8 minCausal inferenceChapter 14What-if book reading notes

在结构嵌套模型（structural nested models, SNMs）中，您给出的方程：

E[Ya−Ya=0∣A=a,L]=β1a+β2aLE[Y^a - Y^{a=0} \mid A=a, L] = \beta_1 a + \boldsymbol{\beta_2} a L

描述了条件平均处理效应（CATE），其中：

  • (Y^a) 是潜在结果（如果接受治疗 (A = a)），
  • (Y^{a=0}) 是潜在结果（如果未接受治疗，即 (A = 0)），
  • (A) 是治疗变量（通常为二元，如 (a = 0) 或 (a = 1)），
  • (L) 是协变量向量（可能包括混杂因子或效果修饰因子），
  • (\beta_1) 和 (\boldsymbol{\beta_2}) 是待估计参数。

这个模型假设处理效应（即 (Y^a - Y^{a=0})) 依赖于治疗 (A) 和协变量 (L)。具体来说：

  • 当 (a = 1) 时，CATE 为 $$\beta_1 + \boldsymbol{\beta_2} L$$，
  • 当 (a = 0) 时，CATE 为 0（因为方程右边为 0）。

您的核心问题是“如何确认这里的 (L)”，即如何确定或选择协变量 (L) 以确保模型正确。这涉及两个层面：

  1. 选择 (L)：决定哪些变量应包含在 (L) 中。
  2. 确认 (L) 的充分性：验证 (L) 是否已包含所有必要的混杂因子和效果修饰因子，以避免偏倚。

以下我将逐步解释如何确认 (L)，基于结构嵌套模型的原理和标准实践（如 g-estimation）。结构嵌套模型依赖于无混淆假设（no unmeasured confounding），而 (L) 的选择直接关系到该假设是否成立。

1. 理解 (L) 的作用

在您的模型中，(L) 有两个潜在角色：

  • 混杂因子（Confounder）：影响治疗分配 (A) 和结果 (Y) 的变量。如果遗漏重要混杂因子，因果效应估计将有偏。
  • 效果修饰因子（Effect Modifier）：影响治疗效应大小（即 (\boldsymbol{\beta_2} a L) 项表示 (L) 修饰了处理效应）。模型显式假设 (L) 是效果修饰因子（因为与 (a) 有交互）。

因此，确认 (L) 的目标是确保：

  • (L) 包含所有先验的混杂因子（以消除混杂偏倚）。
  • (L) 包含所有重要的效果修饰因子（以正确建模效应异质性）。
  • (L) 的指定（如线性形式）正确，无遗漏变量或错误函数形式。

2. 如何选择 (L)（基于先验知识）

选择 (L) 主要依赖领域知识和因果图，而非纯数据驱动。因为因果推断中，混杂因子的识别本质上是基于假设。

步骤：

  • 构建因果图（DAG）：
    • 绘制一个有向无环图（DAG），表示变量间的因果关系。
    • 识别所有共同影响 (A) 和 (Y) 的变量（即混杂因子）。这些必须包含在 (L) 中。
    • 例如，如果研究药物效果（(A)）和健康结局（(Y)），(L) 可能包括年龄、性别、基线健康状态等。
  • 包含效果修饰因子：
    • 如果某些变量（如基因型或环境因素）可能改变治疗效果，也应包含在 (L) 中（因为它们出现在交互项 (\boldsymbol{\beta_2} a L) 中）。
  • 避免无关变量：
    • 不要包括 (A) 的后件（如治疗后的变量），因为这会引入偏倚（如 M-偏差）。
    • 避免工具变量（只影响 (A) 不影响 (Y)），因为它们可能增加方差但不减少偏倚。
  • 示例：
    • 如果 DAG 显示变量集 (C = {L_1, L_2}) 阻塞了 (A) 到 (Y) 的所有后门路径，则 (L = {L_1, L_2})。
    • 工具如 DAGitty（dagitty.net) 可帮助可视化。

为什么先验知识优先？

  • 数据无法完全测试无混淆假设（因为潜在结果不可观测）。
  • 错误选择 (L)（如遗漏混杂因子）会导致参数估计偏倚。

3. 如何确认 (L) 的充分性（基于数据和模型诊断）

一旦初步选择 (L)，您需要使用数据和模型诊断来验证其充分性。结构嵌套模型通常通过 g-estimation 估计参数，这提供了诊断机会。以下是确认 (L) 的步骤：

步骤 1: 使用 g-estimation 估计参数

g-estimation 的核心是：在正确参数下，去混杂的潜在结果与治疗分配 (A) 独立（条件于 (L)）。

  • 定义去混杂的潜在结果：
    基于您的模型，定义：
    [
    H(\beta) = Y - \beta_1 A - \boldsymbol{\beta_2} A L
    ]
    在正确参数 (\beta = (\beta_1, \boldsymbol{\beta_2})) 下，(H(\beta)) 估计了 (Y^{a=0})（未接受治疗的潜在结果）。

  • g-estimation 过程：

    1. 指定一个辅助模型为 (A) 给定 (L)（如逻辑回归）：
      [
      \text{logit}(P(A=1 \mid L)) = \alpha_0 + \boldsymbol{\alpha_1} L
      ]
      这是倾向得分模型。
    2. 对候选参数 (\psi = (\psi_1, \boldsymbol{\psi_2}))，计算 (H(\psi) = Y - \psi_1 A - \boldsymbol{\psi_2} A L)。
    3. 测试条件独立性：在给定 (L) 下，(A) 应与 (H(\psi)) 独立。这通过以下回归实现：
      [
      \text{模型： } g(E[A \mid L, H(\psi)]) = \gamma_0 + \boldsymbol{\gamma_1} L + \gamma_2 H(\psi)
      ]
      其中 (g) 是链接函数（如 logit）。
    4. 寻找 (\psi) 使得 (\gamma_2 = 0)（即 (H(\psi)) 的系数为 0）。这通过求解估计方程（如 GEE）或网格搜索完成。
    5. 估计的参数 (\hat{\beta}) 是使 (\gamma_2) 最接近 0 的值。

步骤 2: 诊断 (L) 的充分性

g-estimation 提供了诊断工具来检查 (L) 是否充分：

  • 测试倾向得分模型的充分性：
    • 如果 (L) 遗漏了重要混杂因子，倾向得分模型（(A) 给定 (L)）会错误指定。
    • 诊断：检查倾向得分模型的拟合（如 Hosmer-Lemeshow 检验、残差图）。如果拟合差（如 p 值低），表明 (L) 可能遗漏变量。
  • 检查条件独立性：
    • 在估计的 (\hat{\beta}) 下，计算 (H(\hat{\beta}))。
    • 回归 (A) 对 (L) 和 (H(\hat{\beta}))，测试 (H(\hat{\beta})) 的系数是否接近 0（在 g-estimation 中，它被设为 0，但您可以检查置信区间或 p 值）。
    • 如果系数显著非零（如 p < 0.05），表明 (L) 不充分（可能遗漏混杂因子）。
  • 添加额外变量测试：
    • 如果怀疑 (L) 遗漏变量 (Z)，重新运行 g-estimation 用扩展的 (L^* = L \cup Z)。
    • 比较参数估计：
      • 如果 (\hat{\beta}_1) 或 (\hat{\boldsymbol{\beta}}_2) 显著变化（超出置信区间），表明 (L) 不充分，(Z) 可能是重要混杂因子。
    • 示例：添加 (Z) 到倾向得分模型，重新估计并测试变化。
  • 测试效果修饰：
    • 您的模型假设 (L) 是效果修饰因子（通过 (\boldsymbol{\beta_2} a L) 项）。
    • 诊断：测试 (\boldsymbol{\beta_2} = 0)（使用 Wald 检验或似然比检验）。
      • 如果不拒绝 (\boldsymbol{\beta_2} = 0)，表明 (L) 可能不是强效果修饰因子，可从模型中移除（但需谨慎，基于先验知识）。
  • 函数形式诊断：
    • 模型假设线性交互（(\boldsymbol{\beta_2} a L)）。如果 (L) 与效应非线性相关，模型可能错误。
    • 诊断：添加高阶项（如 (a L^2)）或样条，测试其显著性。如果显著，需扩展 (L) 的表示。

步骤 3: 敏感性和鲁棒性分析

  • 敏感性分析：
    • 评估未测量混杂的影响。例如：
      • 假设存在未观测变量 (U)，量化其如何改变估计（如使用 Rosenbaum 界限或基于参数的敏感性分析）。
      • 工具：R 包 sensemakr 或 EValue。
    • 如果估计对合理范围的 (U) 敏感，表明 (L) 可能不充分。
  • 比较替代模型：
    • 拟合不同 (L) 集的模型（如 (L) 仅含混杂因子 vs. (L) 含额外变量）。
    • 使用信息准则（如 AIC/BIC）或交叉验证比较拟合，但因果模型更重参数稳定性而非预测精度。
  • 双重稳健方法：
    • 虽非直接用于 SNMs，但可结合倾向得分和结果模型（如逆概率加权）。如果双重稳健估计与 g-estimation 类似，增加 (L) 的可靠性。

4. 常见陷阱和建议

  • 陷阱：
    • 遗漏混杂因子：最大风险，导致偏倚。始终优先基于 DAG。
    • 过度调整：包括中介变量（如 (A) 的后件）会引入偏倚。
    • 忽略效果修饰：如果 (L) 是修饰因子但未包括在交互项，效应异质性被忽略。
    • 线性假设：真实效应可能非线性，使用 EDA（探索性数据分析）检查 (L) 与 (Y) 的关系。
  • 建议：
    • 先验知识主导：与领域专家合作定义 (L)。
    • 探索性分析：运行初步回归（如 (Y) 对 (A, L, A \times L)）看交互显著性。
    • 软件实现：使用 R（如 gesttools 包）或 Stata（stgest）进行 g-estimation。
    • 报告不确定性：始终报告置信区间和敏感性结果。

总结

确认结构嵌套模型中的 (L) 是一个迭代过程：

  1. 选择 (L) 基于因果图/领域知识：确保包含所有先验混杂因子和效果修饰因子。
  2. 通过 g-estimation 诊断：测试倾向得分模型、条件独立性、参数稳定性。
  3. 敏感性和替代分析：评估未测量混杂和模型形式。

如果 g-estimation 显示条件独立性成立（即 (H(\hat{\beta})) 与 (A) 独立给定 (L)），且敏感性分析稳健，则 (L) 可被视为充分。但记住：无混淆假设不可完全测试，因此先验知识始终是基础。