Skip to main content

Chapter_20

Aaron L9/17/25About 6 minCausal inferenceDeepSeek-R1-0528response_md
### Chapter 20: TREATMENT-CONFOUNDER FEEDBACK **逻辑关联性**：本章延续第19章对时变治疗（time-varying treatments）的讨论，聚焦序贯可交换性（sequential exchangeability）成立时，传统混杂调整方法在处理-混杂因素反馈（treatment-confounder feedback）场景下的失效机制。

20.1 The elements of treatment-confounder feedback

技术重点（Technical Points）：

  • 核心理论：
    • 处理-混杂因素反馈指时变混杂因素（time-varying confounder）既影响后续治疗分配，又受先前治疗影响的循环结构（如HIV研究中，CD4细胞计数LkL_k影响治疗AkA_k，而治疗Ak−1A_{k-1}又影响LkL_k）。
    • 该反馈在因果图中通过离散时间展开表示（如路径Ak−1→Lk→Ak→Lk+1A_{k-1} \to L_k \to A_k \to L_{k+1}），时间离散化（discretization）是实践中的通用方法。
  • 关键概念：
    • 时间依从性混杂（Time-varying confounding）：混杂因素LkL_k随测量时间kk变化，需满足序贯可交换性以识别因果效应。
    • 无反馈的混杂：图20.2显示，若混杂因素LkL_k不受先前治疗影响（无Ak−1→LkA_{k-1} \to L_k），则仅存在时间依从性混杂，无反馈循环。

细节要点（Fine Points）：

  • 因果图简化：图20.3简化HIV试验场景（两时间点），忽略基线变量L0L_0、未测量变量U0U_0、治疗间直接效应（A0→A1A_0 \to A_1），并假设尖锐零假设（sharp null hypothesis）成立（治疗无因果效应）。
  • 反馈的识别问题：即使序贯可交换性成立，传统方法调整混杂L1L_1仍会引入偏倚（bias），导致效应估计无效（invalid）。

20.2 The bias of traditional methods

技术重点（Technical Points）：

  • 核心问题：
    • 当存在处理-混杂因素反馈时，传统方法（分层、回归、匹配）无法无偏估计治疗策略的因果效应，即使序贯可交换性成立。
    • g-方法（g-methods）：可正确处理反馈场景下的时变混杂。
  • 关键公式：
    • 因果效应目标：比较静态策略“始终治疗”(a0=1,a1=1a_0=1,a_1=1) vs. “从不治疗”(a0=0,a1=0a_0=0,a_1=0)的期望差异：

      E[Ya0=1,a1=1]−E[Ya0=0,a1=0]E[Y^{a_0=1,a_1=1}] - E[Y^{a_0=0,a_1=0}]

    • 在尖锐零假设下，真实效应为0（图20.3无路径A0→YA_0 \to Y或A1→YA_1 \to Y）。

细节要点（Fine Points）：

  • 模拟试验数据：表20.1展示32,000名HIV患者的假想序贯随机试验数据（A0A_0随机分配，A1A_1依L1L_1分配）。
    • 确认条件效应为零：A1A_1在A0A_0和L1L_1各层中无效应（如E[Y∣A0=0,L1=0,A1=1]−E[Y∣A0=0,L1=0,A1=0]=0E[Y|A_0=0,L_1=0,A_1=1] - E[Y|A_0=0,L_1=0,A_1=0] = 0）。
  • 传统方法失效：
    1. 未调整混杂：比较联合治疗(A0=1,A1=1)(A_0=1,A_1=1) vs. (A0=0,A1=0)(A_0=0,A_1=0)，得偏倚效应-13.3（错误结论）。
    2. 分层调整混杂：在L1L_1层内比较，仍得偏倚效应-8（各层一致），无法加权得正确值0。

20.3 Why traditional methods fail

技术重点（Technical Points）：

  • 偏倚机制：
    • 分层调整混杂L1L_1（如CD4计数）时，因L1L_1是碰撞子（collider，图20.5路径A0→L1←U1→YA_0 \to L_1 \leftarrow U_1 \to Y），打开非因果路径A0→YA_0 \to Y，引入选择偏倚（selection bias）。
    • 在观测性研究中（图20.6），混杂因素L1L_1与先前治疗共享未测量原因W0W_0，同样导致偏倚。
  • 普遍性：
    • 偏倚与治疗是否存在真实效应无关（图20.7），且随时间点增加而放大。

细节要点（Fine Points）：

  • 混杂与因果路径：
    • 即使混杂因素L1L_1位于治疗A0A_0到结局YY的因果路径上（如A0→L1→YA_0 \to L_1 \to Y），传统分层仍偏倚总体效应（Fine Point 20.2）。
    • g-方法可避免此问题。

20.4 Why traditional methods cannot be fixed

技术重点（Technical Points）：

  • 回归建模的局限：
    • 高维数据中，参数化结果回归（如E[Y∣Aˉ,L1]=θ0+θ1cum(Aˉ)+θ2L1E[Y|\bar{A},L_1] = \theta_0 + \theta_1 \text{cum}(\bar{A}) + \theta_2 L_1）因条件于L1L_1而继承分层偏倚，导致θ1≠0\theta_1 \neq 0（真实效应为0时）。
  • 根本问题：
    • 传统方法无法同时无偏估计治疗组分AkA_k的联合效应（joint effect）。

细节要点（Fine Points）：

  • 维度灾难：当治疗时点KK较大（如K=100K=100），静态策略数达21002^{100}，远超样本量，需依赖模型假设（如累积治疗线性效应），但模型误设（misspecification）增加额外风险。

20.5 Adjusting for past treatment

技术重点（Technical Points）：

  • 调整必要性：
    • 若过去治疗直接影响后续治疗（图20.8-20.9），需同时调整治疗史Aˉk−1\bar{A}_{k-1}和混杂LkL_k以阻断后门路径（如A1←A0→L1←U1→YA_1 \leftarrow A_0 \to L_1 \leftarrow U_1 \to Y）。
    • 序贯可交换性要求条件于治疗史（treatment history）。
  • 测量误差的偏倚：
    • 过去治疗A0A_0的误测（如A0∗A_0^*替代A0A_0）在零假设下仍导致偏倚，因其作为后续治疗A1A_1的混杂因素（即使A0A_0无因果效应）。

细节要点（Fine Points）：

  • 新用户设计（New-user designs）：限制分析基线未治疗者，避免调整过去治疗的需求，但无法完全解决误测问题。
  • 偏倚方向：随机误测可能使效应估计远离零（bias away from null）。

章节关联性：本章为后续引入g-方法（第21章）奠定基础，强调传统方法在时变治疗因果推断中的根本局限，尤其处理-混杂因素反馈场景下需专用方法。所有结论严格基于原文，未明确处（如图片细节）已标注。