Powerful Multivariate Sensitivity Analysis via Sample Splitting in an Observational Study of the Effects of Poverty on Cardiovascular Disease Risk Factors

技术摘要：通过样本分割实现强大的多元敏感性分析

问题陈述
在评估暴露对多个结局（多元设置）影响的观察性研究中，研究人员通常寻求测试全局零假设（即暴露对任何结局均无影响）。一种常见的策略是构建结局特定统计量的线性组合，以提高效力和针对未观测混杂因素的稳健性。然而，现有的寻找最优线性组合的方法——例如使用 Scheffé 投影或受限变体的方法（如 Cohen et al., 2020; Rosenbaum, 2016）——需要进行多重检验校正。这些校正依赖于参考分布（例如 $\chi$-bar-squared 分布），其临界值会随着结局数量 ($K$) 的增加而增大。随着 $K$ 的增加，这些临界值变得越来越严格，从而削弱了统计效力，使得即使存在强有力的证据，也难以拒绝全局零假设。此外，随着 $K$ 的增加，评估这些分布的计算负担也会随之增长。

方法论
作者提出了一种创新的敏感性分析框架，利用**样本分割（sample splitting）**将线性组合的选择与推断步骤解耦。该程序运行如下：

1. 数据划分： 将匹配后的数据集随机分为规划（试点）样本和分析样本。
2. 规划阶段： 在规划样本上，研究人员解决一个优化问题，以确定能够最大化对未观测偏差的敏感性（即在 Rosenbaum 敏感性模型下最小化最坏情况下的 p 值）的统计量线性组合（约束在概率单纯形 $\Delta_+$ 内）。这会产生一个估计的最优权重向量 $\hat{\lambda}_{plan}$。
3. 推断阶段： 向量 $\hat{\lambda}_{plan}$ 被视为预先指定的，用于分析样本。研究人员使用这一固定的线性组合对分析样本进行敏感性分析。
4. 统计学依据： 由于该组合相对于分析数据是预先指定的，因此在零假设下，该检验统计量遵循标准正态分布，而非依赖于 $K$ 的复杂 $\chi$-bar-squared 分布。这允许使用与 $K$ 无关的临界值（例如 $\alpha=0.05$ 时为 1.645）。

理论贡献
本文解决了关键的理论空白：样本分割通常会引入一个“极小极大间隙”（minimax gap），即研究人员必须在自然界（未观测到的混杂因素）采取行动之前就承诺一种策略，这可能导致比全样本方法更低的效力（如 Fogarty 和 Small, 2016 所述）。

• 极小极大定理（Minimax Theorem）： 作者证明了一个新的极小极大定理（定理 1），表明在特定的线性组合集合为概率单纯形 ($\Delta_+$) 的情况下，优化的顺序（研究人员在前还是自然界在前）并不重要。极小极大等式成立：
  $$\min_{\varrho \in P_\Gamma} \sup_{\lambda \in \Delta_+} F(\lambda, \varrho) = \sup_{\lambda \in \Delta_+} \min_{\varrho \in P_\Gamma} F(\lambda, \varrho)$$
• 渐近效力： 作为推论（定理 2），他们证明了该样本分割方法的设计敏感性（敏感性值的渐近极限）与其全样本替代方案一致。因此，尽管该方法仅使用部分数据进行推断，但并不会牺牲渐近效力。

模拟结果
研究者进行了广泛的模拟研究，其中包含 $I=300$ 个匹配对，并改变了结局数量 ($K \in \{5, 15, 25\}$) 和相关性 ($\rho \in \{0, 0.2\}$)。

• 有限样本效力： 样本分割法始终表现出比 Cohen et al. (2020) 全样本实现更高的效力，尤其是在 $K$ 增加时。这归功于避免了与 $K$ 相关的临界值。
• 与 Oracle 的比较： 虽然“Oracle”（预先知道最优组合）的表现最好，但样本分割法在许多情形下显著优于全样本竞争方法，并接近了 Oracle 的表现。
• 相关性效应： 当结局不相关或弱相关时，所提方法的效力优势最为明显，但在存在中度正相关的情况下，其表现依然优于传统方法。

应用：贫困与心血管疾病 (CVD) 风险
该方法被应用于一项研究贫困（定义为家庭贫困收入比 < 1）对儿童和青少年 CVD 风险因素影响的研究，使用了 NHANES 数据（1999–2016）。

• 研究设计： 4,027 对匹配样本被分为试点样本（25%）和分析样本（75%）。
• 结局指标： 研究考察了包括身体成分、体力活动、血脂和烟草暴露（可替宁水平）在内的 9 个结局。
• 研究发现：
  • 样本分割法在 $\Gamma=1$ 时拒绝了所有年龄/性别分层的全局零假设，而全样本对比方法仅在 8–11 岁男孩中拒绝了全局零假设。
  • 该方法识别出贫困对烟草暴露（可替宁水平）在所有分层中的负面影响，以及对青少年剧烈休闲时间体力活动 (LTPA) 的影响。
  • 稳健性： 关于烟草暴露的发现对于高达 $\Gamma \approx 2.25$（敏感性值 $\approx 3.05$）的未观测混杂因素具有稳健性。相比之下，关于体力活动和身体成分的发现对较小的偏差较为敏感（在 $\Gamma \approx 1.05$–$1.15$ 时无法拒绝零假设）。
  • 比较： 对同一数据集进行全样本敏感性分析得到的整体假设敏感性值要低得多 ($\approx 1.67$)，这说明了现有多元方法在该数据集中的固有效力损失。

意义
本文声称其主要贡献在于提供了一个实用的且具有理论基础的框架，用于在具有多个结局的观察性研究中进行强大的多元敏感性分析。通过利用样本分割和新的极小极大定理，该方法：

1. 恢复了效力： 它避免了在高维设置中与 $K$ 相关的临界值所导致的严重效力损失。
2. 保持了有效性： 它提供了有效的 $\alpha$ 水平推断，无需依赖于结局空间维度的渐近校正。
3. 实现了数据驱动的设计： 它允许研究人员利用试点样本来优化结局选择和检验统计量的选择（例如，识别特定的饮食成分或特定年龄效应），而不会损害最终推断的有效性。

作者总结道，虽然他们在贫困与 CVD 方面的具体发现很大程度上是由烟草暴露的影响驱动的，但该方法论框架成功地实现了在传统多元敏感性分析可能因缺乏效力而无法检测到的情况下，依然能够检测到这些效应。