Skip to main content

Chapter_19

Aaron L9/17/25About 8 minCausal inferenceDeepSeek-R1-0528response_md
### 第19章 时变处理（TIME-VARYING TREATMENTS）

章节概览

本章引入时变处理（随时间变化的干预）的因果推断框架，对比时固定处理的差异，定义处理策略（treatment strategies）、序贯可交换性（sequential exchangeability）等核心概念，并通过因果图（如SWIGs）分析可识别性条件。HIV治疗案例贯穿全章，说明抗逆转录病毒疗法的动态决策问题。

19.1 时变处理的因果效应

技术重点（Technical Points）：

  • 核心理论：
    时变处理 (A_k) 在随访时间点 (k = 0,1,\dots,K)（如每月）变化，需通过处理策略定义因果效应。时固定处理（如单时间点干预）的因果效应定义为：

    E[Ya=1]−E[Ya=0]E[Y^{a=1}] - E[Y^{a=0}]

    但此定义不适用于时变处理，因其需考虑整个处理历史 (\bar{A} = (A_0, A_1, \dots, A_K))。
  • 关键公式：
    处理历史记为 (\bar{A}_k = (A_0, A_1, \dots, A_k))，完整历史 (\bar{A} = \bar{A}_K)。例如：
    • "始终治疗"策略：(\bar{A} = \bar{1} = (1,1,\dots,1))
    • "从不治疗"策略：(\bar{A} = \bar{0} = (0,0,\dots,0))
  • 重要概念：
    时变处理的因果效应需通过对比处理策略（如 (\bar{1}) vs (\bar{0})) 定义，而非单时间点对比 (E[Y^{a_k=1}] - E[Y^{a_k=0}])。
  • 应用场景：
    HIV患者抗逆转录病毒疗法的动态决策（治疗依CD4细胞计数调整）。

细节要点（Fine Points）：

  • 简化假设：暂不考虑失访、死亡或测量误差。
  • 时间索引：采用从0开始的索引（(k=0)为起点），与文献一致。
  • 案例细节：
    (Y) 在 (K+1=60) 个月时测量（健康状态，值越大越健康）。

19.2 处理策略

技术重点（Technical Points）：

  • 核心理论：
    处理策略 (g) 是随时间分配处理的规则，分为：
    • 静态策略（static strategy）：处理分配仅依赖时间，如 (\bar{a} = (1,0,1,0,\dots))。
    • 动态策略（dynamic strategy）：处理分配依赖时变协变量，如 "当 (L_k=1)（CD4低）时治疗"。
  • 重要概念：
    • 因果效应定义为策略对比：如 (E[Y^{\bar{a}}] - E[Y^{\bar{a}'}]) 或 (E[Y^{\bar{a}}] - E[Y^g])。
    • 策略数量：二值处理时有 (2^K) 种静态策略，动态策略数量更多（依赖 (L_k) 演化）。
  • 应用场景：
    HIV治疗中基于CD4细胞计数的动态治疗规则。

细节要点（Fine Points）：

  • 策略类型（Fine Point 19.1）：
    • 确定性策略（deterministic）：分配固定处理值（如 (g_k(\cdot) = 0/1)）。
    • 随机策略（random）：分配处理概率（如 "每月以概率0.3治疗"）。
  • 最优策略：最大化 (E[Y^g]) 的策略，通常为动态策略（如药物毒性需停药时）。
  • 符号规范：
    (Y^g) 表示遵循策略 (g) 的反事实结果；静态策略可写为 (Y^{\bar{a}})。

19.3 序贯随机实验

技术重点（Technical Points）：

  • 核心理论：
    序贯随机实验中，处理 (A_k) 的分配概率仅依赖已测历史 ((\bar{A}_{k-1}, \bar{L}_k))，无未测混杂（图19.2）。
  • 重要概念：
    • 图19.1–19.3的因果图区别：
      • 图19.1：(A_k) 仅依赖前处理（无协变量影响），无混杂。
      • 图19.2：(A_k) 依赖已测协变量，无未测混杂（可识别 (E[Y^g])）。
      • 图19.3：(A_k) 依赖未测变量，存在未测混杂（不可识别 (E[Y^g])）。
    • 观察性研究通常对应图19.2或19.3。
  • 应用场景：
    HIV观察性研究中，治疗决策依赖CD4计数（已测） vs. 免疫损伤（未测）。

细节要点（Fine Points）：

  • 实验设计：
    例如，(A_k) 分配概率：
    • 若 (A_{k-1}=0, L_k=1)（未治且CD4高）：(P(A_k=1)=0.4)
    • 若 (A_{k-1}=0, L_k=0)（未治且CD4低）：(P(A_k=1)=0.8)
    • 若 (A_{k-1}=1)（已治）：(P(A_k=1)=0.5)
  • 可识别性关键：
    图19.4存在未测 (W_0) 时，静态策略 (E[Y^{\bar{a}}]) 可识别，动态策略 (E[Y^g]) 不可识别。

19.4 序贯可交换性

技术重点（Technical Points）：

  • 核心理论：
    时变处理的因果识别需序贯可交换性（sequential exchangeability）：

    Yg⊥ ⁣ ⁣ ⁣⊥Ak∣Aˉk−1=g(Aˉk−2,Lˉk−1),Lˉk∀k,gY^g \perp\!\!\!\perp A_k \mid \bar{A}_{k-1} = g(\bar{A}_{k-2}, \bar{L}_{k-1}), \bar{L}_k \quad \forall k, g

  • 关键公式：
    在序贯随机实验（图19.2）下，反事实均值 (E[Y^g]) 可通过g-公式（g-formula）、IP加权等方法识别。
  • 重要概念：
    • 需同时满足序贯正值性（positivity）和一致性（consistency）（Technical Point 19.2）。
    • 静态策略可交换性（较弱）：(Y^{\bar{a}} \perp!!!\perp A_k \mid \bar{A}{k-1} = \bar{a}, \bar{L}_k)。
  • 应用场景：
    调整时变协变量（如CD4计数）以估计HIV治疗策略效果。

细节要点（Fine Points）：

  • 正值性条件：

    fAk∣Aˉk−1,Lˉk(ak∣aˉk−1,lˉk)>0若fAˉk−1,Lˉk(aˉk−1,lˉk)≠0f_{A_k | \bar{A}_{k-1}, \bar{L}_k}(a_k | \bar{a}_{k-1}, \bar{l}_k) > 0 \quad \text{若} \quad f_{\bar{A}_{k-1}, \bar{L}_k}(\bar{a}_{k-1}, \bar{l}_k) \neq 0

  • 一致性条件（Technical Point 19.2）：
    • 若个体实际处理符合策略 (g)，则 (Y^g = Y)（观测结果）。
    • 反事实协变量：(\bar{L}^{\bar{a}}k = \bar{L}k) 若 (\bar{A} = \bar{a})。

19.5 部分处理策略下的可识别性

技术重点（Technical Points）：

  • 核心理论：
    使用SWIGs（单例干预图）检验可识别性：
    • 图19.5（无未测混杂）：静态与动态策略均可识别（图19.7, 19.9）。
    • 图19.6（存在 (W_0)）：仅静态策略可识别（图19.8），动态策略不可识别（图19.10）。
  • 重要概念：
    • 广义后门准则（generalized backdoor criterion）：阻塞所有指向 (A_k) 的后门路径（不通过未来处理）。
    • 动态策略在SWIG中引入额外箭头（如 (L^g_1 \to g_1(L^g_1))），影响可识别性。
  • 应用场景：
    观察性研究中动态策略（如依CD4计数治疗）的可识别性依赖混杂结构。

细节要点（Fine Points）：

  • SWIGs解析（Fine Point 19.2）：
    • 干预节点（如 (a_0)）为常量，路径中隐含条件。
    • 动态策略中，需检查路径如 (A_0 \leftarrow W_0 \to L^g_1 \to g_1) \to Y^g)（图19.10）。
  • 反例（图19.11）：若 (L_1) 直接影响 (Y)，则所有策略均不可识别（图19.12）。

19.6 时变混杂和时变混杂因素

技术重点（Technical Points）：

  • 核心理论：
    时变混杂（time-varying confounding）指需调整时变协变量 (\bar{L}_k) 以阻断后门路径（如 (A_k \leftarrow L_k \leftarrow U \to Y)）。
  • 重要概念：
    • 混杂因素不必是结果的直接原因（如图19.5中 (L_1) 无指向 (Y) 的箭头）。
    • "无时变混杂"的条件：无条件序贯可交换性 (Y^{\bar{a}} \perp!!!\perp A_k \mid \bar{A}{k-1} = \bar{a})（图19.1）。
  • 应用场景：
    HIV研究中，CD4计数是时变混杂因素（影响治疗且与未测免疫损伤相关）。

细节要点（Fine Points）：

  • 混杂定义（Fine Point 19.3）：
    • 若 (E[Y^{\bar{a}}] \neq E[Y \mid A = \bar{a}]) 则存在混杂。
    • 若 (E[Y^{\bar{a}} \mid L_0] \neq E[Y \mid A = \bar{a}, L_0]) 则存在时变混杂。
  • 实践挑战：
    无法实证验证是否所有混杂已测量（图19.2 vs 图19.3），需依赖领域知识（如测量CD4、病毒载量）。

关键图表总结（基于上下文描述）

图号描述可识别性结论
19.1(A_k) 仅依赖前处理（无协变量影响）静态策略 (E[Y^{\bar{a}}] = E[Y \mid \bar{A} = \bar{a}])
19.2(A_k) 依赖已测协变量（无未测混杂）所有策略 (E[Y^g]) 可识别
19.3(A_k) 依赖未测变量所有策略不可识别
19.4存在未测 (W_0)（影响 (A_0) 和 (L_1))仅静态策略可识别
19.5简化图（无 (L_0), (A_0 \to U_1)，(L_1) 不直接影响 (Y))静态策略可识别
19.6简化图含 (W_0)（(A_0) 和 (L_1) 的共因）仅静态策略可识别
19.7图19.5的SWIG（静态策略）验证 (Y^{a_0,a_1} \perp!!!\perp A_k \mid \bar{k-1} = \bar{a}, \bar{L}_k)
19.10图19.6的SWIG（动态策略）路径 (A_0 \leftarrow W_0 \to L^g_1 \to Y^g) 导致不可识别

注：图像内容需结合原书进一步查证，此处描述基于文本推导。

逻辑关联性

本章扩展了前两部分（时固定处理）的框架，引入时间维度，为后续g-方法（第21章）奠定基础。核心挑战是处理策略的因果定义和时变混杂的调整，需结合因果图（DAGs/SWIGs）严格分析可识别性条件。