Chapter_4

Aaron L9/17/25About 8 min

### 第4章：效应修正（Effect Modification）总结

技术重点：

效应修正定义：变量 (V) 是处理 (A) 对结果 (Y) 的效应修正因子（effect modifier），若平均因果效应（average causal effect）在 (V) 的不同水平下不同。数学表达：
- 加法尺度（additive scale）：(E[Y^{a=1} - Y^{a=0}|V=1] \neq E[Y^{a=1} - Y^{a=0}|V=0])
- 乘法尺度（multiplicative scale）：(\frac{E[Y^{{a=1}|V=1]}{E[Y}|V=1]} \neq \frac{E[Y^{{a=1}|V=0]}{E[Y}|V=0]})
效应度量依赖性：效应修正的存在依赖于所选效应度量（如风险差 risk difference、风险比 risk ratio），而非仅处理本身。
定性效应修正（qualitative effect modification）：当亚组效应方向相反时（如 (V=1) 有害，(V=0) 有益），加法与乘法尺度均存在效应修正。
反例：无定性效应修正时，可能仅存在单一尺度的修正（如仅有乘法尺度修正）。

细节要点：

表4.1 示例：心脏移植（(A)）对死亡率（(Y)）的效应在性别（(V)）分层下：
- 女性（(V=1)）：因果风险比（causal risk ratio） = 1.5，风险差 = 0.2（有害）。
- 男性（(V=0)）：因果风险比 = 2/3，风险差 = -0.2（有益）。
总体效应为零（风险比=1），因亚组效应方向相反而抵消（50%女性+50%男性）。
关键结论：总体平均因果效应为零不排除亚组存在非零效应；仅当尖锐零假设（sharp null hypothesis）成立时，效应无异质性。

技术重点：

分层方法：在 (V) 的每一水平（stratum）内计算 (A) 对 (Y) 的因果效应。
数据要求：
- 理想边际随机实验：无条件交换性（unconditional exchangeability）成立时，观察关联（associational difference）等于因果效应（e.g., (\text{Pr}[Y=1|A=1,V=v] - \text{Pr}[Y=1|A=0,V=v]) 即因果风险差）。
- 条件随机实验或观察性研究：需调整混杂因子 (L)（通过标准化或IP加权），再分层计算 (V) 的效应。
公式：
- 条件因果风险：(\text{Pr}[Y^{a}=1|V=v] = \sum_l \text{Pr}[Y=1|A=a,L=l] \text{Pr}[L=l|V=v])（标准化）。
- 需满足条件交换性（(Y^a \perp!!!\perp A \mid L)）和正性（positivity）。

细节要点：

表4.2 示例（罗马人数据）：国籍（(V)）修正心脏移植效应：
- 希腊人（(V=1)）：因果风险差 = 0，风险比 = 1。
- 罗马人（(V=0)）：因果风险差 = 0.3，风险比 = 2。
代理 vs. 因果效应修正因子：
- 国籍是代理修饰因子（surrogate effect modifier），真实修饰因子可能是手术质量（causal effect modifier）。
关键结论：分层分析可识别效应修正，但 (V) 本身未必是因果机制的一部分。

技术重点：

可移植性（transportability）：效应大小依赖人群的效应修饰因子分布（e.g., 性别比例变化改变总体效应）。
决策制定：
- 加法尺度修正识别受益最大亚组（e.g., 表4.1中仅治疗男性）。
- 报告绝对反事实风险（(\text{Pr}[Y^{a=1}=1|V=v]) 和 (\text{Pr}[Y^{a=0}=1|V=v])）优于仅报告效应度量。
机制探索：效应修正可揭示生物学或社会机制（e.g., 包皮环切对HIV感染的影响）。

细节要点：

技术重点：

与标准化/IP加权对比：
- 标准化/IP加权：估计边际效应（marginal effect，总体平均）。
- 分层：估计条件效应（conditional effect，亚组特异），需在 (L) 所有组合下计算。
局限性：
- 强制评估所有 (L) 的效应修正，可能冗余。
- 非折叠性（noncollapsibility）：比值比（odds ratio）等度量在分层后可能不可比（见技术点4.3）。
公式：条件风险比 (\frac{\text{Pr}[Y=1|A=1,L=l]}{\text{Pr}[Y=1|A=0,L=l]}) 仅在 (Y^a \perp!!!\perp A \mid L) 时有因果解释。

细节要点：

技术重点：

匹配目的：构建处理组与未处理组的 (L) 分布相似的子集（matched population）。
方法：
- 个体匹配（individual matching）：为每个未治疗者匹配 (L) 相同的治疗者。
- 频率匹配（frequency matching）：强制处理组与未处理组的 (L) 分布相同。
效应类型：估计条件效应（e.g., 未治疗者中的效应 (\text{Pr}[Y^{a=1}=1|A=0])）。

细节要点：

技术重点：

方法对比：

非折叠性（Technical Point 4.3）：
- 风险差/风险比可折叠（collapsible），但比值比（odds ratio）因尺度问题不可折叠，导致反直觉结果（e.g., 总体比值比小于亚组比值比）。
合并效应度量（pooling）：当无异质性时，可用Mantel-Haenszel等方法合并亚组估计，但需谨慎解释。

细节要点：

表4.3示例：高血压（(Z)）的效应因方法不同而异：
- 标准化：总体风险比 = 0.8。
- 分层：(L=0) 风险比 = 2.0；(L=1) 风险比 = 0.5。
- 匹配：未治疗者风险比 = 1.0。
关键结论：效应度量差异源于目标人群不同（非方法优劣）；需明确定义因果问题（目标人群/亚组）。

效应修正的本质：因果效应非固定，依赖于人群的效应修饰因子（如性别、国籍），需通过分层分析识别。
方法选择：
- 目标为总体效应：用标准化或IP加权。
- 目标为亚组效应或效应修正：用分层（结合调整）或匹配。
报告建议：优先报告绝对反事实风险，避免仅依赖相对度量（如公式：(\text{Pr}[Y^{a=1}=1|V=v]) 和 (\text{Pr}[Y^{a=0}=1|V=v])）。
可移植性：效应跨人群推广需谨慎，依赖修饰因子分布相似性。