Chapter_4

### Chapter 4: Effect Modification

4.1 Heterogeneity of treatment effects

技术重点（Technical Points）:

• 核心理论: 因果效应在总体中可能为零，但在子群体中非零（如性别分层）。效应修饰（effect modification）指处理效应随变量 (V) 水平变化而变化的现象。
• 关键公式:
  • 因果风险差（Additive scale）:

    $$E[Y^{a=1} - Y^{a=0} | V = v]$$

  • 因果风险比（Multiplicative scale）:

    $$\frac{E[Y^{a=1} | V = v]}{E[Y^{a=0} | V = v]}$$

• 重要概念:
  • 定性效应修饰（Qualitative effect modification）: 子群体效应方向相反（如女性有害，男性有益）。
  • 效应修饰依赖于效应尺度（如风险差或风险比）。
• 应用场景: 评估处理（如心脏移植）在子群体（如性别分组）中的异质性效应。

细节要点（Fine Points）:

• 表4.1示例: 心脏移植在女性中风险差为0.2（有害），男性中为-0.2（有益），总体效应为零（因效应抵消）。
• 非定性效应修饰示例: 当风险差相同（0.1）但风险比不同（1.1 vs. 2.0）时，存在乘性而非加性效应修饰。
• 术语: "效应修饰"强调依赖效应尺度，故建议用"效应测量修饰"（effect-measure modification）)。

4.2 Stratification to identify effect modification

技术重点（Technical Points）:

• 核心理论: 分层分析是识别效应修饰的标准方法，需在 (V) 的每一层内计算因果效应。
• 关键公式: 分层因果风险差:

  $$\Pr[Y^{a=1} = 1 | V = v] - \Pr[Y^{a=0} = 1 | V = v]$$

• 重要概念:
  • 理想随机试验中，观测关联等于因果效应（无需反事实数据）。
  • 条件随机化实验需标准化或IP加权调整混杂 (L)。
• 应用场景: 国籍（(V)）修饰心脏移植（(A)）对死亡（(Y)）的效应（希腊人风险比=1，罗马人风险比=2）。

细节要点（Fine Points）:

• 表4.2示例: 罗马人数据中，通过标准化调整 (L) 后，国籍修饰移植效应（风险差0.3）。
• 区分: 国籍可能是"代理效应修饰因子"（如反映手术质量差异），而非"因果效应修饰因子"。

4.3 Why care about effect modification

技术重点（Technical Points）:

• 核心理论: 因果效应依赖群体中效应修饰因子的分布，无普适"平均因果效应"。
• 重要概念:
  • 可移植性（Transportability）: 效应修饰因子分布不同的群体间效应不可直接外推。
  • 决策应用: 加性尺度效应修饰识别最受益亚组（如仅治疗有益子群体）。
• 应用场景: 政策制定（如全国性干预 vs. 目标亚组干预）。

细节要点（Fine Points）:

• 定性效应修饰示例: 女性比例增加时，总体效应从零变为有害。
• 报告建议: 优先报告反事实风险（(\Pr[Y^a | V=v])）而非仅效应量（如风险比）。

4.4 Stratification as a form of adjustment

技术重点（Technical Points）:

• 核心理论: 分层可作为调整混杂 (L) 的方法，但输出条件效应（各 (L) 层内），非边际效应。
• 重要概念:
  • 与标准化/IP加权对比: 后者可计算边际效应，前者强制评估 (L) 的效应修饰。
  • 正性要求（Positivity）: 层内需同时存在处理组和对照组。
• 应用场景: 限制分析（Restriction）用于正性违反正的亚组。

细节要点（Fine Points）:

• 实践误区: 流行病学家常误将"分层"等同于"调整"。
• 局限性: 分层无法处理时变处理或存在中介时的混杂。

4.5 Matching as another form of adjustment

技术重点（Technical Points）:

• 核心理论: 匹配通过构建处理组/对照组 (L) 分布相似的子集实现交换性。
• 重要概念:
  • 匹配类型: 个体匹配（individual matching）或频率匹配（frequency matching）。
  • 效应估计: 通常计算"未治疗者效应"或"治疗者效应"。
• 应用场景: 队列研究中平衡混杂因子（如心脏移植示例按病情 (L) 匹配）。

细节要点（Fine Points）:

• 匹配后群体: 效应修饰因子分布可能不同于原始群体。
• 病例对照设计: 需额外调整匹配因子以实现条件交换性。

4.6 Effect modification and adjustment methods

技术重点（Technical Points）:

• 核心理论: 不同方法估计不同效应：
  • 标准化/IP加权 → 边际效应。
  • 分层/匹配 → 条件效应（特定亚组）。
• 关键公式: 表4.3示例中不同方法的风险比:
  • 标准化: 0.8（总体）
  • 分层: (L=0) 层2.0, (L=1) 层0.5
  • 匹配: 未治疗者1.0
• 重要概念: 非塌陷性（Noncollapsibility）: 比值比（odds ratio）在层内可能大于总体（见Fine Point 4.3）。

细节要点（Fine Points）:

• 表4.4示例: 高海拔（(A)）对抑郁（(Y)）的因果比值比总体为5.4，但男女层内均为6（非塌陷性）。
• 实践意义: 明确目标群体（如总体或亚组）可避免方法间结果差异的误解。

---

Fine Points & Technical Points

Fine Point 4.1: Effect in the treated

• 技术重点:
  • 定义: 治疗者效应为 (\Pr[Y=1|A=1] \neq \Pr[Y^{a=0}=1|A=1])。
  • 标准化公式:

    $$E[Y^a | A=a'] = \sum_l E[Y|A=a,L=l] \Pr[L=l|A=a']$$

Fine Point 4.2: Transportability

• 技术重点:
  • 可移植性依赖: 效应修饰因子分布、治疗版本、干扰模式的一致性。
  • 改进方法: 用研究群体层效应重构目标群体效应（权重为层比例）。

Fine Point 4.3: Collapsibility and the odds ratio

• 技术重点:
  • 非塌陷性: 比值比在层内可大于总体（如层内6.0 vs. 总体5.4）。
  • 例外: 稀有结局（<10%）时比值比近似风险比且可塌陷。

Technical Point 4.1: Computing the effect in the treated

• 公式:
  • IP加权:

    $$E[Y^a | A=a'] = \frac{E\left[ \frac{I(A=a)Y}{f(A|L)} \Pr[A=a'|L] \right]}{E\left[ \frac{I(A=a)}{f(A|L)} \Pr[A=a'|L] \right]}$$

Technical Point 4.2: Pooling of stratum-specific effect measures

• 核心理论: 若无效应修饰，合并层效应（如Mantel-Haenszel）可提高估计精度。

Technical Point 4.3: Relation between marginal and conditional risk ratios

• 公式:
  • 边际风险比与条件风险比关系:

    $$\frac{\Pr[Y^{a=1}=1]}{\Pr[Y^{a=0}=1]} = \sum_l \left( \frac{\Pr[Y^{a=1}=1|L=l]}{\Pr[Y^{a=0}=1|L=l]} \right) w(l)$$

    $$w(l) = \frac{\Pr[Y^{a=0}=1|L=l] \Pr[L=l]}{\Pr[Y^{a=0}=1]}$$

---

逻辑连贯性: 本章扩展前三章单群体因果效应至子群体分析，强调效应修饰概念，为第五章"交互作用"铺垫。所有方法（标准化、IP加权、分层、匹配）均需交换性和正性，但目标效应（边际/条件）决定方法选择。