Chapter 20: Treatment-Confounder Feedback

主要内容、重点、技术要点及细节总结（中/英文）

---

概述 / Overview

本章讨论了时变处理（time-varying treatment）下，处理-混杂因子反馈（treatment-confounder feedback）对因果推断的影响。即使所有时变混杂因子都已观测并纳入分析，传统的混杂调整方法（如分层、回归、匹配等）在有反馈时也会产生偏差。本章分析了这些偏差产生的原因及其不可避免性，并强调了g-methods（如逆概率加权和结构模型）的必要性。

This chapter introduces the problem of treatment-confounder feedback in causal inference for time-varying treatments. Even with complete measurement of time-varying confounders, traditional adjustment methods like stratification, outcome regression, and matching generally produce biased effect estimates in the presence of feedback. The chapter elucidates the failure modes of these methods and underscores the necessity of g-methods (e.g., IP weighting, structural models).

---

20.1 Treatment-Confounder Feedback 的要素 / Elements

主结论 Conclusion

• 时变混杂因子反馈定义: 混杂因子 $L_{k}$ 影响处理 $A_{k}$，而 $A_{k-1}$ 又影响后续混杂因子 $L_{k}$，构成反馈回路。
• 时变混杂可以无反馈发生，但有反馈时问题突出。

公式 / Equations

• 假设因果无效（sharp null），有：

  $$E[Y_{a_0=1, a_1=1}] - E[Y_{a_0=0, a_1=0}] = 0$$

• 标准顺序可交换性条件（sequential exchangeability）:

  $$Y \perp\!\!\!\perp A_0 \mid L_0$$

  $$Y \perp\!\!\!\perp A_1 \mid (A_0, L_0, L_1)$$

  参考 Technical Point 20.1 (G-null test).

细节 / Details

• 反馈在有向无环图（DAG）中通过时间展开实现: $A_{k-1} \rightarrow L_k \rightarrow A_k \rightarrow L_{k+1} \rightarrow \cdots$
• 时间被离散化（discretized）；实际研究常如此。

---

20.2 传统方法的偏差 / Bias of Traditional Methods

主结论 Conclusion

• 有反馈时，传统方法无法有效校正时变混杂。
• 即使顺序可交换性等所有可识别性条件成立（保证无遗漏混杂），用传统方法估计任一处理策略的因果效应依然会产生系统性偏差。

例子 / Example

• 表20.1中的HIV试验：
  • A0 和 A1 固定处理每个在分层下的效应为0。
  • 但联合“全处理”与“全不处理”组比较时，
    • 不分层： $E[Y|A_0=1,A_1=1] - E[Y|A_0=0,A_1=0] = 54.7-68 = -13.3$（错误）
    • 分层后： 在$L_1=0$和$L_1=1$两组内各自的效应是$-8$（还是错误）。
  • 正确因果效应应为0。

公式 / Equations

• 标准方法估计：

  $$\hat{\tau}_{\text{standard}} = E[Y|A_0=1,A_1=1] - E[Y|A_0=0,A_1=0] \neq E[Y_{a_0=1,a_1=1}] - E[Y_{a_0=0,a_1=0}]$$

重点细节 / Fine Points

• G-null 检验: 若sharp null成立，则任何$g$下$Y^g$同分布为观测$Y$;
• 分层也会导致错误估计，即使每步混杂都消除了。

---

20.3 传统方法失效的原因 / Why Traditional Methods Fail

主结论 Conclusion

• 条件（分层）在混杂因子$L_1$（受前期处理$A_0$影响）时，会打开collider路径，引入选择偏差。
• 细节见Figure 20.5，路径$A_0 \rightarrow L_1 \leftarrow U_1 \rightarrow Y$被激活。

重点 / Key Points

• 选择偏差和处理效应混杂： 在校正后，消除了A1的混杂，但制造了A0和Y之间的虚假关联。
• 不只是$L_1$受$A_0$影响时会产生偏差；如果$L_1$与$A_0$有共同原因（$W$），同样有偏差。
• 偏差不仅限于无因果效应的场景，有真实因果效应时也会有。

细节 / Fine Points

• 细节点 20.2:
  • “Causal pathway上的混杂因子”：在时变处理分析中，调整因果路径上混杂因子是否引入偏差取决于所用方法。传统方法有偏，g-methods无偏。

---

20.4 为什么传统方法无法补救 / Why Traditional Methods Cannot be Fixed

主结论 Conclusion

• 回归（甚至高维/参数建模）和匹配与分层方法本质相同，“无法解决反馈偏差问题”。
• 当时点增多、策略数爆炸时（$K=100$，$2^{100}$方案），模型设定本身无论如何仍会有系统偏差。

公式 / Equations

• 假设 outcome regression:

  $$E[Y | \bar{A}, L_1 ] = \theta_0 + \theta_1 cum(\bar{A}) + \theta_2 L_1$$

• 估计的效应:

  $$\text{Associational effect} = \theta_1 \times 2$$

  在有反馈时$\theta_1 \times 2 \neq$ 真正的因果效应。

重点细节 / Fine Points

• 所有传统校正方法均失败，本质是因为在时变混杂-处理反馈存在时，分层和建模都无法控制"A0-Y"间由分层调入的偏差(g-methods例外)。

---

20.5 对过去处理的校正 / Adjusting for Past Treatment

主结论 / Conclusion

• 反馈场景下，忽视历史处理会引入额外的选择偏差和混杂。
• 就算历史处理对结局$Y$无直接效应，$A_0$仍是$A_1$的混杂因子。
• 若仅观测到带误差的处理（$A^*_0$），校正也无法消除"真$A_0$—$A_1$—$Y$"路径，剩下残余偏差。

公式 / Equations

• 需要校正历史处理以保证顺序可交换性:

  $$\text{在时间} k, \quad Y \perp\!\!\!\perp A_k \mid (\bar{A}_{k-1}, \bar{L}_k)$$

• 误测时：

  $$A^*_0 \approx A_0\,\,\text{但两者不完全等价，残留路径不能阻断。}$$

重点 / Key Points

• 新用户设计（new user design）：通过仅纳入首次用药人群来校正。
• 带误差的前期处理即使无差异性也会带来偏差（反直觉）。

---

总结 / Summary Table

内容	结论	公式/表达式	细节/备注
何为“处理-混杂因子反馈”	$L_k$影响$A_k$，$A_{k-1}$又影响$L_k$	见因果图展开	只要有反馈，问题就会出现
传统方法为何无效	分层、回归等无法消除反馈闭合路径引入的偏差	$A_0 \rightarrow L_1 \leftarrow U_1 \rightarrow Y$	不分层/误分层会有不同偏差
G-null theorem	若所有处理策略都无效，则所有分布、均值均相等	$E[Y^g] = E[Y]$ for ∀ $g$	检验因果无效定义
高维情形	爆炸性处理组数和模型设定误差均无济于事	$2^K$种策略，$K$大时无法遍历	IPW或其它g-methods必需
必须校正过去处理	即使$A_0\not\to Y$, $A_0$为$A_1$的混杂因子	$Y \perp\!\!\!\perp A_1 \mid (A_0, L_1)$	新用户设计、处理误测会偏倚

---

概念图 / Concept Map

---

章末结论性观点 / Concluding Points

• 在存在处理-混杂因子反馈的时变因果推断问题中，所有传统调整方法均无法消除偏差，唯一可行的是g-methods。
• 校正历史处理是必须的，误测会导致偏差，即使误差独立且无偏。

---

英文精炼版

Key technical conclusions:

• Treatment-confounder feedback occurs when prior treatment affects subsequent confounders, and those same confounders also affect future treatment.
• Traditional adjustment methods (stratification, regression, matching) cannot validly estimate causal effects in the presence of such feedback—even with full information and sequential exchangeability.
• Bias arises because conditioning on a variable affected by prior treatment (a "collider") induces spurious associations.
• Adjustment for confounders on the causal pathway may create—rather than eliminate—bias.
• Regression, matching, or parametric modeling do not fix this issue, as they parallel stratification logic.
• Past treatment must always be adjusted for, including in time-fixed treatment analyses; measurement error in past treatment also induces bias.
• Valid causal effect estimation under feedback demands methods designed for longitudinal settings—g-methods.

Key equations:

• Sequential exchangeability:
  $Y \perp\!\!\!\perp A_0|L_0\qquad Y \perp\!\!\!\perp A_1|A_0, L_0, L_1$
• G-null theorem:
  $\forall g,\,\,E[Y^g]=E[Y]$ when null holds
• Regression illustration:
  $E[Y|\bar{A},L_1]=\theta_0+\theta_1\,cum(\bar{A})+\theta_2 L_1$
  But $\theta_1$ is biased in presence of feedback.

Practical implication:
Only g-methods can consistently adjust for time-varying confounders in the presence of treatment-confounder feedback.

---

如需具体某一段细节化推导，请告知！