[论文解读] Longitudinal Mediation Analysis with Latent Growth Curves

Adam Sullivan, Douglas Gunzler+2 more|arXiv (Cornell University)|Mar 9, 2021

Advanced Causal Inference Techniques参考文献 20被引用 4

一句话总结

本文提出了一种基于潜在增长曲线模型的反事实框架，用于纵向中介分析，以估计当暴露、中介变量和结局均建模为潜在增长轨迹时的自然直接效应和间接效应。该方法提供了这些效应的估计量及其标准误，使在满足顺序忽略性假设的前提下，对具有连续、时变中介变量和结局的纵向研究实现因果推断成为可能。

ABSTRACT

The paper considers mediation analysis with longitudinal data under latent growth curve models within a counterfactual framework. Estimators and their standard errors are derived for natural direct and indirect effects when the mediator, the outcome, and possibly also the exposure can be modeled by an underlying latent variable giving rise to a growth curve. Settings are also considered in which the exposure is instead fixed at a single point in time.

研究动机与目标

• 开发一种用于具有时变暴露、中介变量和结局的纵向研究中的中介分析因果推断框架。
• 将暴露、中介变量和结局建模为潜在增长曲线，以捕捉个体随时间的变化轨迹。
• 在反事实框架下推导自然直接效应和间接效应的估计量及其标准误。
• 将中介分析扩展至暴露固定于单一时间点，而中介变量和结局为纵向数据的情形。
• 通过顺序忽略性等识别假设确保方法论的严谨性，以及潜在结果的条件独立性。

提出的方法

• 使用潜在增长曲线模型（LGCMs）将暴露、中介变量和结局的潜在轨迹表示为具有截距和斜率因子的潜变量。
• 应用反事实框架，根据不同暴露和中介条件下的潜在结果来定义自然直接效应和间接效应。
• 基于具有潜变量的结构方程模型（SEM）推导自然直接效应和间接效应的估计量。
• 在多元正态分布假设下，使用delta方法或稳健方差估计推导估计量的标准误。
• 在结构方程模型（SEM）框架内实现该模型，通过路径乘积法估计路径系数和间接效应。
• 依赖于顺序忽略性、潜在结果的条件独立性以及潜在增长轨迹模型正确设定等假设。

实验结果

研究问题

• RQ1 在具有时变中介变量和结局的纵向中介模型中，如何估计自然直接效应和间接效应？
• RQ2 当暴露固定于单一时间点时，应采用何种适当的反事实框架来定义直接效应和间接效应？
• RQ3 如何利用潜在增长曲线模型在中介分析中表示暴露、中介变量和结局的个体轨迹？
• RQ4 在该框架下，有效估计自然直接效应和间接效应所需的识别条件是什么？
• RQ5 在包含测量误差和缺失数据的现实纵向数据结构下，所提出的估计量和标准误表现如何？

主要发现

• 本文成功推导出基于潜在增长曲线结构的纵向中介模型中自然直接效应和间接效应的闭式估计量。
• 通过delta方法推导出估计量的标准误，使在多元正态分布假设下能够进行统计推断。
• 该方法即使在暴露固定于单一时间点时，也能估计间接效应，从而扩展了在观察性研究中的适用性。
• 在顺序忽略性假设下，该方法支持将总效应分解为自然直接效应和间接效应两部分。
• 该框架能够建模个体在增长轨迹上的差异，相较于传统重复测量方法，提高了统计功效和估计精度。
• 该方法论框架在结构方程模型（SEM）背景下实现，支持模型拟合评估和使用标准软件进行参数估计。