Chapter_4
4.1 Heterogeneity of treatment effects
子章节内容
本章通过心脏移植案例（表4.1）说明总体平均因果效应为零（风险比=1，风险差=0），但在性别分层分析中，治疗对女性有害（风险比=1.5，风险差=0.2），对男性有益（风险比=2/3，风险差=-0.2）。这证明因果效应存在异质性：总体零效应可能掩盖子群体中的非零效应。定性效应修正（qualitative effect modification）指效应方向在不同子群体中相反（如本例）。
技术重点（Technical Points）
- 核心理论：效应修正（effect modification）指变量 (V) 使处理 (A) 对结局 (Y) 的平均因果效应随 (V) 的水平变化。定义要求 (V) 不受 (A) 影响。
- 关键公式：
- 加性尺度效应修正：(E[Y^{a=1} - Y^{a=0} | V=1] \neq E[Y^{a=1} - Y^{a=0} | V=0])
- 乘性尺度效应修正：(\frac{E[Y{a=1}|V=1]}{E[Y|V=1]} \neq \frac{E[Y{a=1}|V=0]}{E[Y|V=0]})
- 重要概念：
- 效应修正的存在依赖于效应测量尺度（如风险差 vs. 风险比）。
- 定性效应修正（方向相反）隐含加性和乘性修正；非定性修正可能仅存在于单一尺度。
- 应用场景：评估处理效应在子群体（如性别、种族）中的异质性。
细节要点（Fine Points）
- 案例分析：心脏移植总体效应为零，但女性风险增加20%，男性风险降低20%，源于效应方向相反且性别比例均衡（50%）。
- 辅助信息：当"无因果效应"的尖锐零假设成立时，效应异质性不存在。
- 相关背景：术语"效应测量修正"（effect-measure modification）强调对尺度选择的依赖性。
4.2 Stratification to identify effect modification
子章节内容
分层分析是识别效应修正的核心方法：在 (V) 的每一层内计算 (A) 对 (Y) 的效应。在边际随机化实验中，层内关联性度量等于因果效应；在条件随机化或观察性研究中，需额外调整混杂因子 (L)（通过标准化或IP加权）。国籍 (V) 的案例显示其为效应修正的代理（非因果），实际修正因子可能是医疗质量。
技术重点（Technical Points）
- 核心理论：分层分析通过计算 (V) 各层内的因果效应识别效应修正。
- 关键公式：条件随机化下，层 (v) 的因果风险需两阶段计算：
- 按 (V) 分层
- 在层内标准化或IP加权调整 (L)
- 重要概念：
- 代理效应修正因子（如国籍）与因果效应修正因子（如医疗质量）的区分。
- 当 (V = L)（混杂因子）时，调整可省略。
- 应用场景：随机化实验或观察性研究中效应修正的检测。
细节要点（Fine Points）
- 案例分析：希腊人（(V=1)）的因果风险差为0，罗马人（(V=0)）为0.3，存在非定性效应修正。
- 辅助信息：国籍是医疗质量的代理修正因子，干预医疗质量可消除修正效应。
- 相关背景：部分文献用"效应异质性"替代"效应修正"以避免因果暗示。
4.3 Why care about effect modification
子章节内容
关注效应修正的原因：
- 可移植性（Transportability）：效应依赖于群体中修正因子的分布（如女性比例更高时，心脏移植总体效应变为有害）。
- 目标干预：识别最受益群体（如定性修正时仅治疗男性）。
- 机制理解：提供生物学/社会机制线索（如包皮环切对HIV感染的影响）。
- 尺度选择：加性修正（非乘性）对公共卫生决策更相关。
技术重点（Technical Points）
- 核心理论：群体平均因果效应取决于个体因果效应的分布，无普适"唯一效应"。
- 重要概念：
- 可移植性要求群体间修正因子分布、治疗版本和干扰模式相似。
- 报告反事实风险（(Pr[Y^a=1|V=v])）比风险比/差更信息丰富。
- 应用场景：政策制定（如靶向干预）、跨群体研究结果推广。
细节要点（Fine Points）
- 案例分析：石棉暴露效应在吸烟/非吸烟者中不同，全民医保效应在收入群体中不同。
- 辅助信息：伞兵试验（Smith and Pell 2003）未发现重大效应修正因子，结果可跨群体推广。
- 相关背景：可移植性依赖领域知识（如尼日尔与荷兰的收入效应不可比）。
4.4 Stratification as a form of adjustment
子章节内容
分层可作为调整混杂因子 (L) 的方法，但仅生成条件效应（如 (L=0) 或 (L=1) 子群体的效应），而非总体效应。标准化或IP加权可计算边际效应。分层强制评估 (L) 的效应修正，可能导致非折叠性问题（如比值比）。
技术重点（Technical Points）
- 核心理论：分层调整通过计算 (L) 各层内的关联度量实现，要求层内可交换性和正值性。
- 重要概念：
- 条件效应度量（层内） vs. 边际效应度量（总体）。
- 无效应修正时，各方法效应度量相等；存在时则不同。
- 应用场景：观察性研究中混杂调整。
细节要点（Fine Points）
- 案例分析：表2.2中，(L) 分层风险比均为1，与边际风险比一致（无 (L) 的效应修正）。
- 辅助信息：限制（restriction）是分层的特例（仅分析部分层）。
- 相关背景：时间依存处理中，分层可能因调整时间依存混杂因子引入偏倚。
4.5 Matching as another form of adjustment
子章节内容
匹配通过构建处理组/对照组中 (L) 分布相似的子群体（如个体匹配或频率匹配）估计条件效应（如"在未治疗者中的效应"）。匹配确保子群体内可交换性和正值性，但效应仅适用于匹配群体（分布可能与原群体不同）。
技术重点（Technical Points）
- 核心理论：匹配构造子群体，使 (L) 在处理/对照组分布相同。
- 重要概念：
- 效应估计目标：未治疗者（若未治疗者少）或治疗者（若治疗者少）。
- 匹配群体中效应修正因子分布可能偏移。
- 应用场景：队列研究中减少混杂偏倚。
细节要点（Fine Points）
- 案例分析：心脏移植数据中，匹配对（如Rheia-Hestia）的死亡风险在处理/未处理组均为3/7，风险比=1。
- 辅助信息：病例对照设计中需额外调整匹配因子。
- 相关背景：多变量匹配时，近似匹配算法（如倾向评分）解决无精确匹配问题。
4.6 Effect modification and adjustment methods
子章节内容
不同方法估计不同类型效应：
- 标准化/IP加权：可估计边际或条件效应。
- 分层/匹配：仅估计子群体条件效应。
高血圧结局 (Z) 的案例显示不同方法结果不同（风险比：0.8总体, 2.0非危重, 0.5危重, 1.0未治疗者），源于目标群体差异。强调明确定义因果问题（目标群体）的重要性。
技术重点（Technical Points）
- 核心理论：效应度量差异源于目标群体定义（非方法优劣）。
- 关键公式：边际风险比与条件风险比的关系：
[
\frac{Pr[Y{a=1}=1]}{Pr[Y=1]} = \sum_l \left( \frac{Pr[Y{a=1}=1|L=l]}{Pr[Y=1|L=l]} \right) w(l)
]
其中 (w(l) = \frac{Pr[Y^{a=0}=1|L=l] Pr[L=l]}{Pr[Y^{a=0}=1]})。 - 重要概念：非折叠性（noncollapsibility）：比值比在群体度量可能比层间度量更接近无效值（即使可交换性成立）。
- 应用场景：方法选择应匹配科学问题（如目标群体效应 vs. 子群体效应）。
细节要点（Fine Points）
- 案例分析：表4.4中，搬家对抑郁的因果比值比总体为5.4，但男性/女性层均为6（非折叠性示例）。
- 辅助信息：比值比在罕见结局或尖锐零假设下近似可折叠。
- 相关背景：Meta分析需处理效应异质性问题（Dahabreh et al. 2020a）。
逻辑关联性
本章延续前几章因果效应识别框架，引入效应修正概念，强调因果效应的群体依赖性。与第3章可交换性/正值性结合，为第5章"交互作用"奠定基础。分层分析技术（第2章标准化/IP加权）在本章扩展至效应修正检测，衔接后续观察性研究方法（第II部分）。