[论文解读] Estimating Mediation Effects under Correlated Errors with an Application to fMRI

Yi Zhao, Xi Luo|arXiv (Cornell University)|Oct 27, 2014

Functional Brain Connectivity Studies参考文献 23被引用 4

一句话总结

本文提出了一种用于fMRI研究中介分析的两层结构方程模型（SEM），通过约束优化和线性混合效应模型，考虑了中介变量和结果变量中相关加性误差的影响，确保了可识别性与有效推断。该方法在模拟和真实fMRI数据中均显著提升了估计精度。

ABSTRACT

Abstract. Mediation analysis assesses the effect passing through a intermediate vari-able (mediator) in a causal pathway from the treatment variable to the outcome variable. Structure equation model (SEM) is a popular approach to estimate the mediation effect. However, causal interpretation usually requires strong assumptions, such as ignorability of the mediator, which may not hold in many social and scientific studies. In this paper, we use mediation analysis in an fMRI experiment to assess the effect of randomized binary stimuli passing through a brain pathway of two brain regions. We propose a two-layer SEM framework for mediation analysis that provides valid inference even if correlated ad-ditive errors are present. In the first layer, we use a linear SEM to model the subject level fMRI data, where the continuous mediator and outcome variables may contain correlated additive errors. We propose a constrained optimization approach to estimate the model coefficients, analyze its asymptotic properties, and characterize the nonidentifiability issue due to the correlation parameter. To address the identifiability issue, we introduce a linear mixed effects SEM with an innovation to estimate the unknown correlation parameter in the first layer, instead of sensitivity analysis. Using extensive simulated data and a real fMRI dataset, we demonstrate the improvement of our approach over existing methods.

研究动机与目标

• 为解决fMRI数据中介分析中相关加性误差带来的挑战，此类误差会破坏标准SEM的假设。
• 开发一种方法，即使在中介变量和结果变量中存在相关误差的情况下，也能确保模型可识别。
• 在传统SEM假设（如中介变量的不可忽略性）可能不成立的fMRI研究中，提供有效的因果推断。
• 与基于敏感性分析的现有方法相比，提升估计精度和鲁棒性。
• 将该方法应用于真实fMRI数据，并通过大量模拟研究验证其性能。

提出的方法

• 提出一种两层SEM框架：第一层对受试者水平的fMRI数据进行建模，其中连续中介变量和结果变量受到相关加性误差的影响。
• 采用约束优化方法估计模型系数，明确考虑误差项之间的相关性。
• 推导估计量的渐近性质，以支持在所提模型下的统计推断。
• 形式化刻画了由未知相关参数引发的不可识别性问题。
• 引入线性混合效应SEM作为创新方法，用于估计未知相关参数，替代对敏感性分析的依赖。
• 通过模拟研究验证该方法，并将其应用于真实fMRI数据集，以展示其性能的提升。

实验结果

研究问题

• RQ1 当中介变量和结果变量具有相关加性误差时，如何在fMRI研究中可靠地估计中介效应？
• RQ2 相关误差对SEM框架中中介效应的可识别性和估计精度有何影响？
• RQ3 结合约束优化方法与线性混合效应模型，能否在存在相关误差的情况下提升可识别性和推断能力？
• RQ4 与基于敏感性分析的现有方法相比，该方法在估计精度和鲁棒性方面表现如何？
• RQ5 该方法在真实fMRI数据和模拟数据集上的实际表现如何？

主要发现

• 所提出的方法成功解决了由中介变量和结果变量中加性误差之间未知相关性引发的不可识别性问题。
• 约束优化方法在所提模型下可产生具有一致性的估计量，并具备有效的渐近性质。
• 线性混合效应SEM组件实现了对相关参数的直接估计，相较于敏感性分析，显著提升了模型的可识别性。
• 模拟结果表明，所提方法在估计精度和置信区间覆盖概率方面优于现有方法。
• 对真实fMRI数据的实证分析证实了该方法的实际应用价值及其在检测真实中介效应方面的性能提升。
• 即使在中介变量的不可忽略性标准假设不成立的情况下，该方法仍能提供有效的因果推断。