📊 statistics

A Unified Three-Stage Weighting Framework for Causal Inference and Mediation Analysis under Case-Control Sampling

本文提出了一种统一的三阶段加权框架，用于纠正病例对照研究中由于结局依赖性采样导致的偏差，从而在边际结构模型框架下实现对总效应及路径特定因果效应（包括中介效应）的准确估计。

原作者： Tarikul Islam, Mahbub A. H. M. Latif

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Tarikul Islam, Mahbub A. H. M. Latif

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图理解人们为什么会患上某种特定的疾病，比如心脏问题。这项研究的金标准是长期追踪一大群健康人群，观察谁生病了，谁保持健康。这就像是观察一整片森林从幼苗生长到成树的过程，以此观察哪些树木会被雷击中。

然而，“观察整片森林”的方法既昂贵又耗时，尤其是当某种疾病很罕见时（就像在巨大的森林中寻找被雷击中的特定树木一样）。

因此，科学家经常使用一种名为**病例对照研究（Case-Control Study）**的捷径。他们不去观察整片森林，而是前往医院并抓取两组人群：

“病例组”（The Cases）： 已经患有该疾病的人。
“对照组”（The Controls）： 没有患该疾病的人。

然后，他们回顾过去，看看这两组人在行为上有何不同（例如吸烟、饮食或遗传因素）。

问题：扭曲的镜子

论文指出，这种捷径创造了一面扭曲的镜子。因为研究人员是根据是否患病来专门挑选人的，所以他们收集到的数据并不反映真实世界的情况。

真实世界： 或许只有 5% 的人患有该疾病。
研究数据： 因为他们选择了相等数量的患病者和健康者，所以他们的数据看起来像是 5-50% 的人患有该疾病。

如果你尝试使用这些扭曲的数据来计算“真实”风险，或者计算疾病如何在链条中传播（例如：吸烟 $\to$ 高血压 $\to$ 心脏病），你的结果将会是错误的。这就像是通过只测量篮球运动员和轻量级选手来猜测全人类的平均身高；你的平均值会被扭曲。

此外，大多数现有的修正这种扭曲的方法都要求你已经知道现实世界中患病者的确切百分比。但通常情况下，科学家们并不知道这个数字。这就像是试图在不知道目的地实际位置的情况下，去修复一张破损的地图。

解决方案：“三阶段加权”框架

作者提出了一种名为**“三阶段加权框架”（Three-Stage Weighting Framework）**的新方法。你可以将它看作是将你扭曲的“医院样本”转变为现实“人口模型”的三步配方。

第一阶段：猜出缺失的一块（患病率恢复）

由于我们不知道现实世界中真实的患病率，作者使用了一个聪明的技巧。他们将手头的数据（医院患者）与一组来自公共记录（如人口普查数据）生成的“合成”人群混合在一起，这些记录代表了普通人群的背景特征（年龄、种族、地理位置）。

他们使用一种计算机算法（类似于一个智能分类机）来弄清楚：“我的医院患者与真实世界相比，背景差异在哪里？”
通过分析这些差异，该算法可以从数学上推测出现实世界中真实的患病率，即使事先没有被告知答案。

第二阶段：重新平衡天平（人口重建）

现在，既然我们有了一个对真实患病率的良好推测，我们就回到医院数据中并应用权重。

如果现实世界中患病的人很少，但研究中的人很多，我们就告诉计算机：“将我们研究中的每一位患病者仅视为极小的一部分人。”
如果现实世界中健康的人很多，但研究中的人很少，我们就说：“将每一位健康的人视为许多个人。”

这一步有效地“消除”了镜子的扭曲，使研究数据在统计学上与真实人口趋于一致。

第三阶段：追踪路径（因果与中介分析）

现在数据看起来像真实世界了，我们终于可以提出那些大问题了：

总效应（Total Effect）： 吸烟在多大程度上导致了心脏病？
中介作用（Mediation，即“如何发生”）： 其中有多少损伤是直接导致的，又有多少是通过高血压发生的？

他们使用特殊的“因果权重”来解开这些链条。这就像是拆解绳结中的线头，以观察哪根线正在拉动谜题的哪个部分。这使得他们不仅能计算吸烟是否会导致心脏病，还能计算它是如何通过（直接影响 vs 通过血压影响）发生的。

结果：它奏效吗？

作者通过两种方式测试了这种方法：

计算机模拟： 他们创建了已知“真实答案”的虚构数据。当使用旧方法时，答案是错误的；而当使用他们的新三阶段方法时，答案是完全吻合的，即使在疾病非常罕见的情况下也是如此。
真实数据测试： 他们将此方法应用于有关吸烟和心脏病的真实健康调查数据（NHANES）。他们成功地从一个小规模、有偏差的样本中重建了现实世界的患病率，并计算出了因果效应。

核心结论

这篇论文为科学家提供了一个全新的工具包。它允许他们使用高效且廉价的“病例对照”研究设计（从医院挑选人群），而不会陷入结果扭曲的陷阱。

最重要的是，它消除了预先知道“真实患病率”的需求。它让科学家能够利用现有的背景数据自行推算出患病率，修复扭曲，并准确测量疾病是如何发生以及通过不同路径传播的。它将一个破碎、有偏差的快照，转化为了清晰、可靠的现实图景。

技术摘要：一种用于病例对照抽样下因果推断与中介分析的统一三阶段加权框架

1. 问题陈述

病例对照研究是流行病学研究的重要基石，在研究罕见结局或前瞻性随访不切实际时，能提供显著的效率增益。然而，病例对照设计中固有的回顾性、依赖于结局的抽样机制会扭曲边际总体结局分布。虽然条件关联（如优势比）仍然是可识别的，但边际因果估计量——例如平均处理效应（ATE）和路径特异性中介效应——在不引入额外假设的情况下，无法直接从病例对照数据中恢复。

现有的病例对照设置下的因果推断方法面临三个主要局限性：

对已知患病率的依赖： 大多数基于加权的法要求预先知道总体结局患病率，而这通常是无法获得的，或者估计具有高度不确定性。
限制性假设： 中介分析通常依赖于罕见病近似或难以通过经验验证的强参数假设。
缺乏统一框架： 当前文献主要关注总效应，缺乏一种统一的策略，能够在无需专门似然函数构造的情况下，同时在回顾性抽样下估计总效应和路径特异性中介效应（直接、间接及交互作用）。

2. 方法论：三阶段加权（3S-Weighting）框架

作者提出了一个模块化的三阶段框架，旨在从回顾性病例对照数据中重建目标总体分布，从而能够使用标准的边际结构模型技术进行有效的因果和中介推断。该方法依赖于外部可用的边际协变量信息（例如来自普查的数据），但不要求预先知道总体结局的患病率。

第一阶段：总体结局患病率估计
第一阶段通过密度比学习和标签偏移校正来解决未知的总体患病率（ $\pi$ ）问题。

合成总体生成： 利用外部可用的边际协变量分布（ $P(X)$ ）生成一个合成总体样本，以近似满足这些约束的最少信息联合分布。
密度比估计： 通过训练一个概率分类器来区分合成样本与观察到的病例对照样本，从而估计目标总体协变量分布与观察到的病例对照分布之间的比例 $r(X) = P_{Pop}(X)/P_{CC}(X)$ 。
标签偏移校正： 在病例对照数据上拟合初始的结局回归模型。应用标签偏移校正因子 $\alpha(\pi)$ 来调整截距，从而恢复总体风险函数 $P_{Pop}(Y=1|X)$ 。
不动点迭代： 通过求解一个不动点方程来估计患病率 $\pi$ ，在该方程中，由密度比加权的预期总体风险等于患病率估计值本身。

第二阶段：目标总体重建
一旦估计出 $\hat{\pi}$ ，即可构建设计权重，将回顾性样本转化为模拟目标总体边际结局分布的伪总体。

设计权重： 病例（ $Y=1$ ）按 $\hat{\pi}/\hat{p}_{CC}$ 加权，对照（ $Y=0$ ）按 $(1-\hat{\pi})/(1-\hat{p}_{CC})$ 加权。这一步骤将总体结局患病率恢复至 $\hat{\pi}$ 。

第三阶段：因果与中介加权
在重建的伪总体内，应用稳定化因果权重来调整混杂因素和中介失衡。

总效应： 应用稳定化逆概率处理权重（IPTW）来估计总效应（TE）。
中介分解： 遵循三向分解框架（VanderWeele, 2014），构建特定权重以估计：
- 纯直接效应（PDE）： 权重针对控制条件下处理分配和中介物分布进行调整。
- 总直接效应（TDE）： 权重针对处理条件下处理分配和中介物分布进行调整。
- 间接效应与交互效应： 从 TE、PDE 和 TDE 中通过乘法方式导出。
估计： 拟合带有对数链接函数的加权边际结构模型（MSM），以估计所有因果组分的相对风险（RR）。

该框架还扩展到了涉及时变暴露和中介变量的纵向动态设置，其中三个阶段在各个风险集上顺序应用，以重建累积发生函数。

3. 主要结果

模拟研究：
在具有二元暴露、中介变量和结局的反事实中介框架下进行了蒙特卡洛模拟。

偏差减少： 忽略回顾性抽样的传统分析在总效应和中介效应估计上均产生了显著偏差。相比之下，所提出的 3S-weighting 框架在各种采样场景下（样本量从 500 到 8,000 不等）均能一致地恢复目标总体因果参数。
一致性： 随着样本量的增加，所有估计量的经验偏差、标准差（SD）和均方根误差（RMSE）均单调下降，证明了估计量的一致性。
精确度： 与最小场景相比，在较大样本量下观察到显著的效率提升，标准差（SD）降低了 70% 以上。

实证应用（NHANES）：
该框架应用于 2017–2018 年国家健康与营养调查（NHANES）数据，以分析吸烟通过高血压对心血管疾病（CVD）的因果中介作用。

患病率恢复： 该方法成功地从平衡的病例对照样本中重建了总体 CVD 患病率（ $\hat{\pi} = 0.114$ ），与真实的总体患病率（$0.111$）非常接近。
效应估计： 吸烟对 CVD 的总效应估计为 $RR_{TE} = 1.16$ 。分析表明，该关联主要通过直接路径而非通过高血压的中介作用运行（ $RR_{PIE} = 1.03$ ）。
比较： 与标准的调整逻辑回归（1.74）相比，所提方法在优势比尺度上的总效应估计值较小（1.18）。作者将其归因于所提方法对结局依赖型抽样的校正，该方法针对的是边际总体估计量而非条件关联。

4. 意义与主张

本文声称为病例对照研究中的因果推断提供了一种实用且具有理论依据的方法，克服了“患病率差距”问题。其主要贡献包括：

消除患病率假设： 与之前的加权方法不同，该框架不需要预先知道总体结局患病率；它利用外部协变量信息进行内部估计。
统一的中介分析： 它提供了一种统一的策略，可在回顾性抽样下同时估计总效应、直接效应、间接效应及交互效应，避免了罕见病近似。
模块化： 该方法将患病率恢复、总体重建和因果估计分离，使其可以与标准的基于权重的因果估计量结合使用，而无需专门的结局依赖型似然函数构造。
广泛适用性： 通过整合患病率恢复和总体重建，该方法扩展了病例对照数据可解决的因果问题的范围，使其适用于无法进行完整队列随访但存在辅助总体数据的情景。

作者总结道，虽然该方法依赖于标准的因果假设（一致性、可交换性和正值性）并假设协变量-结局关系的迁移性，但它代表了弥合传统病例对照方法论与现代因果推断之间差距的重要一步。