[论文解读] Causal Mediation Analysis for Sparse and Irregular Longitudinal Data

Shuxi Zeng, Stacy Rosenbaum+3 more|arXiv (Cornell University)|Jul 3, 2020

Advanced Causal Inference Techniques参考文献 73被引用 10

一句话总结

本文提出了一种针对稀疏且不规则纵向数据的功能因果中介分析方法，通过将轨迹建模为潜在平滑随机过程的实现。利用函数主成分分析进行降维，并结合贝叶斯推断，估计直接效应与间接效应；在野生狒狒中的应用发现，早期逆境对成年皮质醇水平具有9–14%的直接效应，通过社会纽带的中介作用不显著。

ABSTRACT

Causal mediation analysis seeks to investigate how the treatment effect of an exposure on outcomes is mediated through intermediate variables. Although many applications involve longitudinal data, the existing methods are not directly applicable to settings where the mediator and outcome are measured on sparse and irregular time grids. We extend the existing causal mediation framework from a functional data analysis perspective, viewing the sparse and irregular longitudinal data as realizations of underlying smooth stochastic processes. We define causal estimands of direct and indirect effects accordingly and provide corresponding identification assumptions. For estimation and inference, we employ a functional principal component analysis approach for dimension reduction and use the first few functional principal components instead of the whole trajectories in the structural equation models. We adopt the Bayesian paradigm to accurately quantify the uncertainties. The operating characteristics of the proposed methods are examined via simulations. We apply the proposed methods to a longitudinal data set from a wild baboon population in Kenya to investigate the causal relationships between early adversity, strength of social bonds between animals, and adult glucocorticoid hormone concentrations. We find that early adversity has a significant direct effect (a 9-14% increase) on females' glucocorticoid concentrations across adulthood, but find little evidence that these effects were mediated by weak social bonds.

研究动机与目标

• 解决稀疏且观测时间不规则的纵向数据缺乏因果中介方法的问题。
• 将稀疏且不规则的轨迹建模为潜在平滑随机过程的实现，以支持有效的因果推断。
• 将因果中介框架扩展至函数数据设置，同时考虑不规则的时间网格与可变的测量频率。
• 开发一种计算上可行的估计与推断策略，结合函数主成分分析与贝叶斯方法。
• 将该方法应用于真实世界的野生狒狒数据集，以探究早期逆境、社会纽带与应激激素之间因果路径。

提出的方法

• 将稀疏且不规则的纵向数据视为潜在平滑随机过程的实现，以支持函数数据分析。
• 采用函数主成分分析（FPCA）通过提取中介变量与结果变量轨迹的前几项主成分实现降维。
• 基于FPCA降维后的成分，利用潜在结果与结构方程模型制定直接与间接因果效应。
• 使用贝叶斯推断与Gibbs抽样量化效应估计的不确定性，结合先验分布与后验计算。
• 定义识别假设，包括顺序不可忽略性，以确保因果 estimands 的非参数识别。
• 利用FPCA对每个个体的潜在平滑过程进行插补，以处理缺失或不规则的时间点，实现跨受试者的稳定估计。

实验结果

研究问题

• RQ1 早期逆境对野生雌性狒狒成年皮质醇浓度的直接效应是什么？
• RQ2 如果存在，早期逆境对皮质醇水平的影响在多大程度上通过社会纽带强度的中介作用实现？
• RQ3 如何将因果中介分析适应于处理稀疏且不规则分布的纵向数据？
• RQ4 函数数据分析技术是否能提升在不规则观测下的因果中介设定中的估计精度与不确定性量化？
• RQ5 在野生动物纵向数据的中介分析中，未观测混杂因素有何影响？

主要发现

• 早期逆境对成年皮质醇浓度具有显著直接效应，估计在雌性中增加9–14%。
• 目前证据表明，早期逆境对皮质醇水平的影响并未通过社会纽带薄弱程度产生显著中介作用。
• 所提出的方法通过使用函数主成分分析将轨迹建模为平滑随机过程，成功处理了稀疏且不规则的纵向数据。
• 结合Gibbs抽样的贝叶斯推断为估计的直接与间接效应提供了准确的不确定性量化。
• 该方法对可变的测量频率与不规则的时间网格具有鲁棒性，在此类情境下优于现有方法。
• 由于顺序不可忽略性假设无法检验，建议进行敏感性分析，特别是在存在潜在未测量混杂因素的观察性动物研究中。