Two-stage Estimation for Causal Inference Involving a Semi-continuous Exposure

这是一份关于论文《半连续暴露因果推断的两阶段估计》（Two-Stage Estimation for Causal Inference Involving Semi-Continuous Exposures）的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心问题：在公共卫生和流行病学研究中，许多暴露变量（如吸烟、饮酒、药物使用或环境毒素）具有**半连续（Semi-continuous）**特性。这类数据在零处有一个显著的质量点（即大量个体未暴露，暴露量为 0），而在暴露组中则呈现连续分布（通常右偏）。
• 现有方法的局限性：
  • 传统的因果推断方法主要针对二分类暴露或纯连续暴露。
  • 对于连续暴露，广义倾向评分（Generalized Propensity Score, GPS）基于条件密度，但在实际应用中，由于极端权重（outliers）或重叠不足，可能导致估计量方差极大。
  • 现有的半连续暴露处理方法通常将暴露状态和暴露剂量分开建模，但缺乏在一个统一的潜在结果框架下明确定义因果估计量、识别假设以及大样本性质的系统性方法。
• 具体动机：论文以产前酒精暴露（PAE）与儿童认知能力的关系为例。许多孕妇不饮酒（暴露为 0），而饮酒者的饮酒量差异巨大。研究者需要同时回答两个因果问题：
  1. 在已暴露的群体中，酒精剂量的增加对认知有何因果影响（剂量 - 反应效应）？
  2. 与未暴露相比，在某个具有临床意义的参考剂量下暴露，对认知有何影响（暴露状态效应）？

2. 方法论 (Methodology)

作者提出了一种两阶段估计框架（Two-Stage Estimation Framework），结合倾向评分（Propensity Score, PS）和边际结构模型（Marginal Structural Model, MSM）。

2.1 符号与因果估计量定义

• 暴露变量：$A$ 为二值暴露状态（$A=1$ 表示暴露，$A=0$ 表示未暴露），$D$ 为暴露组内的连续剂量（$D = \log T$，其中 $T$ 为实际剂量）。
• 潜在结果：$Y(a, d)$ 表示在暴露状态 $a$ 和剂量 $d$ 下的潜在结果。
• 两个因果目标：
  1. 剂量 - 反应效应 ($\Delta_D$)：在暴露组 ($A=1$) 中，剂量增加一个单位对结果的平均因果效应。
  2. 参考剂量暴露效应 ($\Delta_0(c)$)：在参考剂量 $c$ 下暴露 ($A=1, D=c$) 与未暴露 ($A=0$) 之间的平均因果效应差异。

2.2 两阶段倾向评分结构

为了处理半连续暴露，作者引入了两部分倾向评分（Two-Part Propensity Score）：

• 第一部分 ($S_1$)：针对暴露组内的剂量，定义为 $S_1(Z_1) = E(D | A=1, Z_1)$，即给定协变量 $Z_1$ 下的条件期望剂量。
• 第二部分 ($S_2$)：针对暴露状态，定义为 $S_2(Z_2) = P(A=1 | Z_2)$，即给定协变量 $Z_2$ 下的暴露概率。
• 假设：允许影响暴露状态和暴露剂量的混杂因素集合 ($Z_1, Z_2$) 不同（尽管在实际应用中它们可能重叠）。

2.3 两阶段估计流程

• 第一阶段 (Stage I)：
  • 目标：估计暴露组内的剂量 - 反应效应 ($\psi_{11}$)。
  • 方法：仅针对 $A=1$ 的样本，使用基于 $S_1$ 的倾向评分回归调整（PS Regression Adjustment）。
  • 模型：拟合 $E(Y | A=1, D, S_1) = \gamma_{10} + \gamma_{11}D + \gamma_{12}S_1$。其中 $\hat{\gamma}_{11}$ 即为剂量效应的估计值。
• 第二阶段 (Stage II)：
  • 目标：估计参考剂量下的暴露状态效应 ($\psi_{12}$)。
  • 策略：将第一阶段估计出的剂量效应项 $\hat{\gamma}_{11}A(D-c)$ 作为**偏移量（Offset）**引入模型，从而剥离剂量变化带来的变异，专注于“是否暴露”的效应。
  • 三种估计方法：
    1. PS 回归调整：在包含偏移量的模型中调整 $S_2$。
    2. 逆概率加权 (IPW)：基于 $S_2$ 构建权重，拟合边际结构模型。
    3. 双重稳健估计 (AIPW)：结合 IPW 和结果插补模型（Imputation Model）。只要 $S_2$ 模型或插补模型中有一个正确，估计量即保持一致性。

2.4 理论性质

• 一致性：在倾向评分模型正确设定及标准正则条件下，估计量是一致的。
• 渐近正态性：推导了联合估计量的渐近分布，并给出了基于“三明治”方差估计量（Sandwich Variance Estimator）的标准误计算方法。
• 误设下的极限值：分析了当倾向评分模型误设时，估计量的渐近偏差形式，揭示了偏差来源与协变量、真实倾向评分及误设评分之间的协方差结构有关。

3. 主要贡献 (Key Contributions)

1. 统一的因果框架：首次在半连续暴露背景下，在一个统一的潜在结果框架内明确定义了“剂量效应”和“状态效应”两个因果估计量，并给出了识别假设。
2. 灵活的两阶段策略：
   • 将剂量效应和状态效应的估计解耦，允许在不同阶段使用不同的协变量集和建模策略。
   • 在第二阶段引入偏移量技术，巧妙地分离了暴露状态和暴露剂量的影响。
3. 双重稳健性 (Double Robustness)：在第二阶段引入了 AIPW 估计量，显著提高了方法对模型误设的鲁棒性。
4. 理论推导：严格证明了估计量的一致性、渐近正态性，并详细推导了模型误设情况下的偏差公式，为理解半连续暴露因果推断的局限性提供了理论依据。

4. 研究结果 (Results)

4.1 模拟研究 (Simulation Studies)

• 有限样本表现：在模型正确设定下，所有提出的方法（特别是两阶段 PS 调整和 AIPW）均表现出极小的偏差，且 95% 置信区间覆盖率接近名义水平。
• 鲁棒性：
  • 如果第一阶段（剂量模型）误设，会导致两个阶段的估计均产生偏差。
  • 如果第二阶段（状态模型）误设，但使用了 AIPW 且插补模型正确，估计量仍能保持一致性（双重稳健性）。
  • 如果同时误设了状态模型和插补模型，AIPW 估计量会有偏。
• 方差：基于回归调整的方法通常比基于加权（IPW/AIPW）的方法具有更小的标准误，但加权方法在模型误设时提供了更好的稳健性。

4.2 实证应用：底特律产前酒精暴露研究

• 数据：分析了 377 名儿童的数据，结局变量为 7 岁时的韦氏儿童智力量表（WISC-III）全量表智商（FSIQ）。
• 发现：
  • 所有基于倾向评分的方法均显示，饮酒状态（是否饮酒）和饮酒剂量（在饮酒者中）对儿童智商均有负向影响。
  • 相比之下，传统的协变量调整模型得出了略微正向的饮酒状态效应，表明其可能受到未充分控制的混杂因素影响。
  • 虽然点估计显示有害影响，但在 5% 水平下统计显著性不强（标准误较大），这反映了该领域数据的复杂性。
  • 该方法成功展示了如何同时回答“是否饮酒有害”和“喝多少有害”这两个科学问题。

5. 意义与结论 (Significance & Conclusion)

• 方法论意义：该研究填补了半连续暴露因果推断方法的空白，提供了一种比传统单一模型更灵活、更具解释性的分析框架。它特别适用于处理像酒精、烟草、药物使用等具有大量零值和连续正值的暴露数据。
• 实践指导：
  • 强调了在分析半连续暴露时，区分“暴露状态”和“暴露剂量”的重要性。
  • 提供了处理缺失数据（多重插补）与两阶段 PS 估计结合的具体策略。
  • 提醒研究者，第一阶段模型的设定对最终结果至关重要，建议采用更灵活的半参数模型或双重稳健策略来降低误设风险。
• 未来方向：作者指出未来可探索将双重稳健性扩展到第一阶段（连续剂量部分），以及处理多队列联合分析和多变量神经发育结局的扩展应用。

总结：这篇论文提出了一种严谨且实用的两阶段估计方法，有效解决了半连续暴露数据在因果推断中的建模难题，通过分离暴露状态和剂量效应，并利用双重稳健性增强推断的可靠性，为流行病学和公共卫生领域的复杂暴露分析提供了重要的方法论工具。