[论文解读] Pathway Lasso: Estimate and Select Sparse Mediation Pathways with High Dimensional Mediators

Yi Zhao, Xi Luo|arXiv (Cornell University)|Mar 24, 2016

Advanced Causal Inference Techniques参考文献 19被引用 27

一句话总结

本文提出Pathway Lasso，一种新型的正则化结构方程模型（SEM）方法，用于在高维中介变量设置中估计并选择稀疏的中介路径。通过在路径效应上引入凸松弛惩罚，该方法实现了稳定且高维的因果中介路径估计与选择，在模拟数据和fMRI数据中均优于现有方法，显著提升了选择准确率并降低了偏差。

ABSTRACT

In many scientific studies, it becomes increasingly important to delineate the causal pathways through a large number of mediators, such as genetic and brain mediators. Structural equation modeling (SEM) is a popular technique to estimate the pathway effects, commonly expressed as products of coefficients. However, it becomes unstable to fit such models with high dimensional mediators, especially for a general setting where all the mediators are causally dependent but the exact causal relationships between them are unknown. This paper proposes a sparse mediation model using a regularized SEM approach, where sparsity here means that a small number of mediators have nonzero mediation effects between a treatment and an outcome. To address the model selection challenge, we innovate by introducing a new penalty called Pathway Lasso. This penalty function is a convex relaxation of the non-convex product function, and it enables a computationally tractable optimization criterion to estimate and select many pathway effects simultaneously. We develop a fast ADMM-type algorithm to compute the model parameters, and we show that the iterative updates can be expressed in closed form. On both simulated data and a real fMRI dataset, the proposed approach yields higher pathway selection accuracy and lower estimation bias than other competing methods.

研究动机与目标

• 解决当中介变量数量较大或超过样本量时，估计和选择因果中介路径的挑战。
• 克服传统SEM在中介变量存在因果依赖且高维时的不稳定性。
• 开发一种方法，识别稀疏路径（即仅少数中介变量具有非零中介效应），且无需已知中介变量的排序。
• 通过一种新颖且计算上可行的惩罚函数，实现路径效应的同时估计与选择。
• 在高维fMRI数据的神经影像实际应用中，提升结果的可重复性与鲁棒性。

提出的方法

• 提出一种新的SEM表示方法，无需中介变量因果排序知识，即可对每个中介变量的总中介效应进行建模。
• 引入Pathway Lasso，即对非凸的系数乘积路径效应进行凸松弛，实现稀疏估计。
• 使用增广拉格朗日法结合交替方向乘子法（ADMM）求解优化问题。
• 推导出ADMM算法中所有参数的闭式更新，确保计算效率。
• 直接应用于原始数据，无需对中介变量进行变换或边际化处理。
• 采用10折交叉验证进行调参，并利用自助法在路径选择后评估路径的显著性。

实验结果

研究问题

• RQ1 能否设计一种凸惩罚，以在高维且存在因果依赖的中介变量设置中，有效估计并选择稀疏中介路径？
• RQ2 与边际SEM和两阶段Lasso相比，所提出的Pathway Lasso方法在路径选择准确率和估计偏差方面表现如何？
• RQ3 与现有方法相比，该方法在重复fMRI扫描中是否能产生更稳定、可重复的结果？
• RQ4 该方法能否在高维独立成分的fMRI数据中识别出具有生物学意义的脑部路径？
• RQ5 在高维中介分析中，Pathway Lasso在保持高选择准确率的同时，能在多大程度上降低估计偏差？

主要发现

• 在fMRI数据集中，Pathway Lasso的路径选择Jaccard指数比TSLasso高出70%，表明其选择准确率更优。
• 路径效应估计的ℓ2差异方面，Pathway Lasso略逊于TSLasso（0.260 vs. 0.258），但其在估计和选择方面均表现出更高的可重复性。
• 在模拟研究中，Pathway Lasso的估计偏差更低，且路径选择准确率高于对比方法。
• 该方法成功识别出IC 27为显著路径，其中介效应始终为负（LR运行中为−0.063，RL运行中为−0.038），中介效应占比分别为31.7%和13.4%。
• 自助法验证了IC 27的显著性，该路径与背外侧前额叶皮层相关，与算术处理功能有关。
• 路径可视化揭示了一条从刺激区域到布罗德曼区44的脑网络，其中上额 gyrus 作为关键中介节点。