Towards a Unified Framework for Statistical and Mathematical Modeling

这是一份关于 Paul N. Zivich 所著论文《迈向统计与数学建模的统一框架》（Towards a Unified Framework for Statistical and Mathematical Modeling）的详细技术总结。

1. 研究背景与问题 (Problem)

在生物、物理和社会科学中，存在两种主要的定量研究传统：

• 统计/经验/现象学建模 (Statistical/Empirical/Phenomenological Modeling)：依赖观测数据来估计模型参数（如随机试验、回归分析、结构方程模型）。
• 数学/机制建模 (Mathematical/Mechanistic Modeling)：基于系统的理论表示和公式推导，不一定直接依赖观测数据（如微分方程、微观模拟、基于智能体的模型）。

核心问题：尽管这两种传统都旨在推进科学知识，但它们使用不同的语言和推断框架，导致彼此独立发展，缺乏统一的比较和整合语言。现有的流行病学文献虽然开始讨论两者的重叠（如因果推断图与数学模型），但尚未建立一个共享的框架来正式比较和整合这两种方法。

2. 方法论 (Methodology)

作者提出利用**因果推断（Causal Inference）中的识别（Identification）概念，特别是界限（Bounds）**的思想，来构建一个统一框架。

2.1 核心概念：识别与界限

• 兴趣参数 ($\psi$)：将科学问题转化为数值参数（如平均因果效应 ACE）。
• 识别 (Identification)：
  • 统计模型：指将因果参数表示为观测数据的函数。分为点识别（唯一值）和部分识别（值域范围，即界限）。
  • 数学模型：作者扩展了识别的定义，将其定义为将兴趣参数表示为可用信息（包括观测数据或理论假设）的函数。
• 界限 (Bounds)：在无法进行点识别时，确定参数 $\psi$ 的合理数值范围。

2.2 统计模型中的识别回顾

• 在统计模型中，通过假设（如因果一致性、随机化、无未控制混杂）将潜在结果转化为可观测数据。
• 若无随机化，需依赖“无未控制混杂”等假设（g-公式）。
• 即使没有随机化，仅凭因果一致性也能通过非参数方法获得部分识别界限（例如，将未知项设为 0 或 1）。

2.3 数学模型中的识别框架

作者将数学建模过程形式化，引入以下关键概念：

• 机制分解：将因果路径分解为函数（如 $A \to M \to Y$）。
• 空模型 (Vacuous Model)：
  • 定义：如果数学模型中函数 $g$ 和 $h$ 的参数空间 $\Theta, \Lambda$ 能够覆盖所有可能的输出值（即覆盖整个参数空间 $\Psi$），则该模型是“空”的。
  • 含义：空模型除了提供变量定义和时间顺序外，不提供任何关于 $\psi$ 的额外信息（界限等于整个参数空间）。
• 非空模型 (Non-vacuous Model)：
  • 定义：模型结构（函数选择）或参数约束排除了某些 $\psi$ 值，从而缩小了界限。
  • 模型捕获假设 (Model-Capture Assumption)：这是数学模型识别的核心。假设真实参数值 $\theta^*, \lambda^*$ 落在研究者选定的子集 $\Theta^*, \Lambda^*$ 中。
  • 在此假设下，$\psi$ 的界限由参数子集上的最小/最大计算值确定：$\psi \in [\min \bar{\psi}, \max \bar{\psi}]$。

3. 关键贡献 (Key Contributions)

1. 统一语言：利用“识别”和“界限”的概念，将统计建模和数学建模置于同一框架下。两者都被视为在特定信息集下对兴趣参数 $\psi$ 进行识别的过程。
2. 数学模型的评估标准：
   • 提出了**“空模型”与“非空模型”**的区分，帮助研究者理解模型结构本身是否提供了信息。
   • 将数学模型的合理性建立在**“模型捕获假设”**之上，即外部信息（如药代动力学数据、动物实验）是否足以将参数限制在合理的子集内。
3. 重新审视交换性 (Exchangeability)：
   • 在统计模型中，交换性通常由随机化设计保证。
   • 在数学模型中，作者指出交换性体现在外部信息与目标情境 ($S=1$) 的可推广性上。如果用于约束参数的外部数据与目标人群不匹配，模型捕获假设将失效。
4. 解决“模型 - 估计”差距：指出统计模型中的“正确模型设定”假设与数学模型中的“模型捕获”假设具有相似性，强调了在缺乏设计保证（如随机化）时，依赖外部信息验证假设的重要性。

4. 案例研究与结果 (Case Study & Results)

作者使用氨氯地平 (Amlodipine) 治疗高血压的药效动力学模型作为案例：

• 模型构建：基于 $A \to \text{药物浓度} \to \text{收缩压} \to \text{高血压风险}$ 的机制。
• 参数约束：
  • 利用 NHANES 数据定义基线血压分布。
  • 利用韩国男性的药代动力学数据约束药物浓度参数 ($\theta$)。
  • 利用药效学数据约束最大反应和半最大效应浓度参数 ($\lambda$)。
• 结果：
  • 在施加上述约束后，计算出的平均因果效应界限为 $\Psi^* = [0.23, 0.91]$。
  • 这表明氨氯地平对高血压有显著的保护作用（界限不包含 0，且下界较高）。
• 模型评估：
  • 框架揭示了模型的局限性：例如，药代动力学数据来自韩国男性，而目标人群是美国成年人（体重分布不同），这可能导致“模型捕获假设”的偏差。
  • 框架建议通过引入体重变量或使用统计学的可推广性方法来修正这一偏差。

5. 意义与未来展望 (Significance & Future Work)

• 理论意义：该工作为定量科学提供了一个共享的框架，促进了统计学家和数学家/机制建模者之间的对话。它澄清了数学模型中隐含的假设，使其像统计模型一样透明。
• 实践意义：
  • 帮助研究者更严谨地评估数学模型的效用，明确模型结论的边界。
  • 为“校准 (Calibration)"提供了新的理论视角：校准不仅是拟合数据，更是验证“模型捕获假设”的过程。
• 未来扩展方向：
  • 将参数向量扩展为“参数值 + 支持该值的信念/信息”的有序对，从而产生参数的分布而非仅仅是界限。
  • 处理单元间的干扰（Interference），扩展潜在结果框架。
  • 将框架应用于微分方程模型。
  • 将方法推广到医学以外的其他科学领域。

总结：这篇论文通过引入因果推断中的识别理论，成功地将统计建模和数学建模统一在一个以“界限”和“假设验证”为核心的框架下。它不仅提供了一种评估数学模型严谨性的新工具，还强调了外部信息在连接理论与现实世界中的关键作用，为跨学科的科学建模合作奠定了理论基础。