A Bayesian Reinterpretation of Cornfield-Type Sensitivity Analysis: From Thresholds to Probabilities

这是一份关于论文《A Bayesian Reinterpretation of Cornfield-Type Sensitivity Analysis: From Thresholds to Probabilities》（Cornfield 型敏感性分析的贝叶斯重释：从阈值到概率）的详细技术总结。

1. 研究背景与核心问题 (Problem)

在观察性研究的因果推断中，未测量的混杂因素（Unmeasured Confounding） 是一个根本性的认识论难题。即使调整了所有可观测的协变量，仍可能存在未观测因素解释观察到的关联。

• 现有方法的局限性： 目前主流的方法是Cornfield 论证及其现代形式E-value。这些方法通过计算“阈值”来回答：一个未测量的混杂因素需要多强（与暴露和结果关联多强）才能完全解释掉观察到的效应？
  • 缺陷： 这种方法仅给出了一个确定性阈值（即“需要多强”），但没有回答一个更关键的推断问题：“这样一个强混杂因素存在的可能性（Plausibility）有多大？”
  • 在实际应用中，研究者通常依赖非正式的定性判断（如"E-value 很大”或“很小”）来评估稳健性，缺乏形式化的概率基础，导致敏感性分析主要停留在描述性诊断层面，而非推断性评估。
• 现有概率方法的不足： 虽然概率偏差分析（Probabilistic Bias Analysis）和贝叶斯层级模型尝试引入分布，但它们通常依赖复杂的建模假设和个体层面数据，难以在仅有汇总统计量（Summary-level data）的场景下应用。

2. 方法论 (Methodology)

本文提出了一种完全贝叶斯框架，将未测量混杂的强度视为随机变量，而非固定常数。

2.1 概念框架与模型设定

• 参数定义：
  • 令 $RR_{obs}$ 为调整后的观察关联（风险比）。
  • 引入参数 $\Gamma \ge 1$，代表未测量混杂引起的乘性扭曲（Bias factor）。
  • 真实因果效应 $RR_{true} = RR_{obs} / \Gamma$。
• 对数线性化：
  • 在 $\log$ 尺度上工作：$\theta_{obs} = \log(RR_{obs})$，$\theta_{true} = \log(RR_{true})$，$\log(\Gamma)$ 为混杂偏差项。
  • 似然函数： 假设观察值服从正态分布：$\theta_{obs} \sim \mathcal{N}(\theta_{true} + \log \Gamma, s^2)$，其中 $s$ 为标准误。
• 先验分布 (Prior Distributions)：
  • 真实效应： $\theta_{true} \sim \mathcal{N}(0, \sigma_\theta^2)$（假设大效应可能但不极不可能）。
  • 混杂强度： $\log \Gamma \sim \text{Half-Normal}(0, \sigma_\Gamma^2)$。
    • 该分布确保 $\Gamma \ge 1$。
    • 尺度参数 $\sigma_\Gamma$ 控制对强混杂的先验信念。较小的 $\sigma_\Gamma$ 表示对强混杂持怀疑态度（即认为强混杂极不可能），较大的值则允许更极端的场景。

2.2 贝叶斯推断核心

• E-value 的重构： E-value 被重新定义为确定性的边界条件 $\Gamma^*$（即解释掉观察效应所需的最小混杂强度）。
• 推断目标： 不再仅仅报告 $\Gamma^*$，而是计算后验概率：
  $$P(\Gamma \ge \Gamma^* \mid \theta_{obs})$$
  该概率量化了“未测量混杂足够强以完全解释观察到的关联”这一事件发生的合理性（Plausibility）。
• 计算： 利用贝叶斯定理 $p(\theta_{true}, \Gamma \mid \theta_{obs}) \propto p(\theta_{obs} \mid \theta_{true}, \Gamma) p(\theta_{true}) p(\Gamma)$ 获取联合后验分布，进而推导上述概率。

3. 关键贡献 (Key Contributions)

1. 从阈值到概率的范式转变： 将敏感性分析从“是否存在足以推翻结论的混杂”的二元/阈值判断，转变为“这种混杂存在的概率是多少”的连续概率推断。
2. E-value 的贝叶斯重释： 在保留 E-value 作为边界条件的同时，赋予其概率解释。E-value 越大，意味着在给定先验下，存在足够强的混杂来解释效应的后验概率越低。
3. 适用于汇总数据： 该框架直接基于汇总统计量（如风险比、置信区间）和 E-value 进行建模，无需个体层面数据，填补了现有复杂贝叶斯模型与常规应用之间的空白。
4. 显式化先验知识： 通过指定 $\sigma_\Gamma$，将研究者对混杂机制合理性的领域知识（Domain Knowledge）显式地纳入分析，使敏感性分析更加透明和可重复。

4. 研究结果 (Results)

研究基于 Xiang et al. (2026) 提供的公开数据集，涵盖了吸烟、背痛、阿尔茨海默病和环境健康四个领域的 11 个观察性关联案例。

• E-value 与后验概率的单调关系：
  • 高 E-value 案例： 如环境健康研究 ($E=4.25$) 和强吸烟关联 ($E=3.686$)，其后验概率 $P(\Gamma \ge \Gamma^*)$ 极低（分别为 $\approx 0.004$ 和 $\approx 0.03$）。这表明在合理的先验下，存在足以解释效应的强混杂极不可能，结论高度稳健。
  • 低 E-value 案例： 如阿尔茨海默病案例 ($E \approx 1.32-1.39$)，其后验概率约为 $0.5$。这意味着存在足够强的混杂来解释效应在先验下是相当合理的，结论脆弱。
  • 中等案例： 背痛研究和吸烟研究中的弱关联，概率分布在 $0.15$到$0.58$ 之间，显示出明显的异质性。
• 先验敏感性分析：
  • 对于大 E-value 的案例，后验概率在不同先验尺度（$\sigma = 0.25, 0.5, 1.0$）下保持高度稳定，结论具有鲁棒性。
  • 对于小 E-value 的案例，后验概率对先验设定高度敏感。这反映了弱观察效应本身的不确定性：当数据信号微弱时，结论更依赖于对混杂可能性的先验信念。
• 可视化发现： 图表清晰展示了不同领域和同一研究内部不同暴露对比之间的稳健性梯度，揭示了单一 E-value 阈值无法捕捉的细微差别。

5. 意义与结论 (Significance & Conclusions)

• 方法论意义： 该研究弥合了描述性敏感性分析（Cornfield/E-value）与正式贝叶斯推断之间的鸿沟。它提供了一种在不确定性下进行因果推理的连贯逻辑，将敏感性分析提升为一种推断性工具而非仅仅是诊断工具。
• 实践价值：
  • 为研究者提供了更直观、决策相关的指标（概率），直接回答“我们有多大的把握认为结果未被混杂解释”。
  • 揭示了弱效应结论的脆弱性往往源于数据本身，而非仅仅是统计方法的问题。
• 局限性：
  • 依赖先验分布的设定（虽然这是贝叶斯方法的固有特征，但也引入了主观性）。
  • 模型将混杂简化为单一参数，可能无法完全捕捉现实世界中复杂的混杂结构。
  • 实证部分基于有限的案例研究，未来需要更大规模的数据验证。
• 总体结论： 通过从“阈值”转向“概率”，该框架使敏感性分析更加透明、理性，并符合贝叶斯推断原则。它不试图消除不确定性，而是以一种支持科学判断的形式量化并呈现不确定性。

总结： 这篇文章提出了一种创新的贝叶斯框架，将传统的 E-value 敏感性分析转化为概率推断。它通过计算“存在足以推翻结论的混杂因素的后验概率”，解决了传统方法无法评估混杂因素“合理性”的缺陷，为观察性研究的因果推断提供了更严谨、更细腻的分析工具。