Identification, Estimation, and Inference for Sequential Causally Ordered Mediation Pathways

Sintesi Tecnica: Identificazione, Stima e Inferenza per Percorsi di Mediazione Sequenziali con Ordine Causale

Problema
L'analisi di mediazione è essenziale per comprendere come le esposizioni influenzino gli esiti attraverso percorsi intermedi. Sebbene i metodi per contesti con un singolo mediatore siano ben consolidati, gli strumenti rigorosi per gestire molteplici mediatori sequenzialmente ordinati (SCOM) rimangono poco sviluppati. Questa lacuna è critica negli studi di coorte longitudinali (ad esempio, le origini dello sviluppo della salute e della malattia) dove le esposizioni operano attraverso catene complesse di mediatori dipendenti dal tempo. La letteratura esistente si è concentrata ampiamente sulla stima in contesti SCOM, ma manca di quadri robusti per il test di ipotesi. I test standard (ad esempio, il test di Sobel, MaxP) per gli effetti di mediazione soffrono di un controllo del tasso di errore di Tipo I eccessivamente conservativo a causa della natura composita dell'ipotesi nulla (dove il prodotto dei parametri è zero tramite diverse configurazioni: $\alpha=0, \eta\neq0$; $\alpha\neq0, \eta=0$; oppure $\alpha=0, \eta=0$). Questi test non tengono conto delle distribuzioni limite non uniche delle statistiche di test sotto l'ipotesi nulla, portando a una mancanza di potenza o a un'inferenza invalida.

Metodologia
Gli autori propongono un quadro completo per i Mediatori Sequenzialmente Ordinati di ordine $K$ (SCOM(K)), che comprende identificazione, stima e inferenza sia per esiti continui che categorici.

1. Quadro di Identificazione:

   • Gli autori definiscono un Modello Strutturale Generalizzato (G-SEM) in cui i mediatori $M_1, \dots, M_K$ seguono un ordine causale rigoroso ($M_1 \to M_2 \to \dots \to M_K$).
   • Utilizzando il paradigma dei potenziali esiti, decompongono l'effetto totale in effetti specifici per il percorso. A causa dei vincoli di identificabilità (specificamente l'assunzione di indipendenza "cross-world" richiesta per determinati percorsi individuali), gli autori si concentrano sugli effetti di percorso compositi.
   • Per ogni mediatore $M_k$, definiscono un effetto composito $\tau^\dagger_k(S \to M_k \rightsquigarrow Y)$, che aggrega tutte le rotte causali dall'esposizione $S$ all'esito $Y$ che passano attraverso $M_k$ (indipendentemente dai mediatori successivi).
   • Sotto le standard assunzioni di ignorabilità sequenziale e consistenza, derivano formule di identificazione per questi effetti compositi utilizzando integrali annidati su distribuzioni condizionate.

2. Stima:

   • Il documento sviluppa procedure di Stima della Massima Verosimiglianza (MLE) per modelli lineari (esiti continui), modelli probit (esiti binari) e modelli log-lineari (esiti di conteggio).
   • Per gli esiti binari, sono derivate espressioni in forma chiusa per i modelli probit; per i modelli logistici, viene utilizzata un'approssimazione per esiti rari per ottenere forme chiuse.
   • Gli autori stabiliscono la normalità asintotica congiunta degli stimatori per i coefficienti di percorso ($\alpha_k$) e per gli effetti di percorso compositi ($\eta_{M_k \rightsquigarrow Y}$), dimostrando che gli stimatori per questi due componenti sono asintoticamente indipendenti.

3. Inferenza (SOMET):

   • Per affrontare l'ipotesi nulla composita $H_0: \alpha_k \eta_{M_k \rightsquigarrow Y} = 0$, gli autori introducono il Test dell'Effetto di Mediazione Sequenzialmente Ordinato (SOMET).
   • Meccanismo: SOMET utilizza una strategia di suddivisione dei dati $Q$-fold. I dati vengono partizionati in $Q$ sottoinsiemi disgiunti. Una statistica di tipo Sobel viene calcolata per ogni sottoinsieme. Queste statistiche vengono mediate e trasformate in una statistica $t$ di Student.
   • Vantaggio Teorico: Utilizzando la suddivisione dei dati, il metodo scollega la dipendenza dalle varianze asintotiche non uniche. Il Teorema 3 stabilisce che, sotto l'ipotesi nulla composita, la statistica del test converge a una distribuzione $t$ di Student con $Q-1$ gradi di libertà, indipendentemente dalla specifica configurazione dell'ipotesi nulla (ovvero, se $\alpha_k=0$, $\eta=0$, o entrambi). Ciò garantisce un controllo valido dell'errore di Tipo I senza la conoscenza preventiva della configurazione nulla sottostante.
   • Potenziamento della Potenza: Per mitigare la perdita di potenza dovuta a campioni piccoli nelle suddivisioni, gli autori propongono di ripetere la procedura di suddivisione $B$ volte e aggregare i $p$-value utilizzando un test di combinazione di Cauchy, che rimane valido sotto arbitraria dipendenza.

Risultati Chiave

• Studi di Simulazione: Ampie simulazioni attraverso modelli lineari, logistici e probit dimostrano che SOMET mantiene un controllo valido dell'errore di Tipo I attraverso tutte le configurazioni nulle ($H_{01}, H_{02}, H_{03}$), mentre i benchmark esistenti (Sobel, MaxP e le loro varianti bootstrap) sono o eccessivamente conservativi o non controllano i tassi di errore sotto scenari nulli specifici (particolarmente quando entrambi i parametri sono zero).
• Potenza Statistica: SOMET mostra costantemente una maggiore potenza statistica rispetto ai metodi di confronto nel rilevare effetti di mediazione compositi, specialmente in scenari in cui i test tradizionali sono conservativi.
• Applicazioni Empiriche:
  • Rischio di Diabete (Dati All of Us): Analisi dell'effetto della storia familiare di diabete sull'insorgenza del diabete mediata da BMI e attività fisica. SOMET ha identificato effetti di mediazione significativi sia per il BMI che per l'attività fisica con $p$-value più piccoli rispetto ai metodi concorrenti.
  • Obesità Adolescenziale (Dati ELEMENT): Valutazione dell'impatto dell'esposizione prenatale al piombo sul BMI degli adolescenti mediata dal peso alla nascita e dai metaboliti lipidici. SOMET è stato l'unico metodo per rilevare un percorso di mediazione statisticamente significativo attraverso un particolare metabolita lipidico (FA 18:0 OH) dopo la correzione per test multipli, mentre altri metodi non hanno rifiutato l'ipotesi nulla.

Significatività e Rivendicazioni
Il documento sostiene di fornire il primo quadro rigoroso che gestisce simultaneamente identificazione, stima e inferenza valida per mediatori sequenzialmente ordinati in diversi contesti di esito. Il contributo primario è la procedura SOMET, che risolve la sfida tecnica di lunga data del test di ipotesi sotto un'ipotesi nulla composita nella mediazione. Utilizzando la suddivisione dei dati per raggiungere una distribuzione limite unica, il metodo evita la conservatività dei test esistenti senza richiedere parametri di sintonizzazione o la conoscenza della vera configurazione nulla. Gli autori affermano che la loro metodologia offre una stima affidabile, un'inferenza valida e una maggiore potenza per la scoperta di nuovi percorsi di mediazione in sistemi longitudinali complessi. Riconoscono che, sebbene SOMET aumenti il costo computazionale, esso fornisce una base rigorosa per l'analisi di mediazione scalabile in percorsi causali strutturati.