[论文解读] Nonparametric causal mediation analysis for stochastic interventional (in)direct effects

Nima S. Hejazi, Kara E. Rudolph+2 more|arXiv (Cornell University)|Sep 14, 2020

Advanced Causal Inference Techniques参考文献 68被引用 15

一句话总结

本文提出了一种非参数因果中介框架，用于分析受随机干预影响的中介效应，即使在存在受暴露影响的中介混杂因素时，该方法仍能保持可识别性，克服了传统自然直接/间接效应的局限性。该方法基于目标最大似然估计和高效影响函数，采用灵活且多重稳健的估计器，可通过置信区间和假设检验实现有效推断，并已通过开源R包medshift实现。

ABSTRACT

Causal mediation analysis has historically been limited in two important ways: (i) a focus has traditionally been placed on binary treatments and static interventions, and (ii) direct and indirect effect decompositions have been pursued that are only identifiable in the absence of intermediate confounders affected by treatment. We present a theoretical study of an (in)direct effect decomposition of the population intervention effect, defined by stochastic interventions jointly applied to the treatment and mediators. In contrast to existing proposals, our causal effects can be evaluated regardless of whether a treatment is categorical or continuous and remain well-defined even in the presence of intermediate confounders affected by treatment. Our (in)direct effects are identifiable without a restrictive assumption on cross-world counterfactual independencies, allowing for substantive conclusions drawn from them to be validated in randomized controlled trials. Beyond the novel effects introduced, we provide a careful study of nonparametric efficiency theory relevant for the construction of flexible, multiply robust estimators of our (in)direct effects, while avoiding undue restrictions induced by assuming parametric models of nuisance parameter functionals. To complement our nonparametric estimation strategy, we introduce inferential techniques for constructing confidence intervals and hypothesis tests, and discuss open source software implementing the proposed methodology.

研究动机与目标

• 为解决传统因果中介分析的局限性，后者依赖于严格的跨世界反事实独立性假设，且在中介混杂存在时定义不清。
• 开发一种适用于连续型、分类或二值化暴露的（不）直接效应的一般性框架，无需对干扰参数进行参数建模。
• 确保在中介混杂因素受暴露影响时仍具备可识别性和有效统计推断，这是生物医学与健康科学中的常见挑战。
• 为所提出的估计量建立非参数效率理论，从而实现灵活且多重稳健的估计器，并具备渐近正态性。
• 为研究人员提供实用工具，包括推断方法和开源软件（medshift R包），以在真实世界的疗效比较试验中应用该方法。

提出的方法

• 提出一类通过联合随机干预暴露和中介变量定义的新类型（不）直接效应，推广了静态干预，支持路径特异性效应分解。
• 采用非参数结构嵌套均值模型和高效影响函数，推导出（不）直接效应的渐近线性、多重稳健估计器。
• 应用目标最大似然估计（TMLE）并结合交叉拟合，实现在弱正则性条件下渐近正态性和有效推断。
• 推导估计量的非参数效率理论，确保最优估计，而无需对干扰参数假设参数模型。
• 利用经验过程理论和括号熵建立估计器的渐近性质，包括一致性与收敛速度。
• 基于影响函数和渐近正态性，实现置信区间和假设检验等推断程序。

实验结果

研究问题

• RQ1 在存在受暴露影响的中介混杂因素时，是否可以定义并识别（不）直接效应，而无需依赖不切实际的跨世界反事实独立性假设？
• RQ2 在连续或分类暴露的设定下，如何估计路径特异性效应，超越传统的二值暴露框架？
• RQ3 干预（不）直接效应估计器的非参数效率界限是什么？如何通过灵活且多重稳健的方法实现该界限？
• RQ4 在最小化建模假设的前提下，能否为这些效应构建有效的置信区间和假设检验？
• RQ5 该方法在真实世界生物医学研究中，特别是在疗效比较试验中，如何实现实际应用？

主要发现

• 所提出的（不）直接效应在无需依赖跨世界反事实独立性的情况下即可识别，因此在随机对照试验中可被验证，且对中介混杂具有稳健性。
• 该方法支持任意类型的暴露变量——连续型、分类或二值化，从而克服了以往自然效应与干预效应框架的关键局限。
• 非参数效率理论使得能够构建多重稳健、渐近线性的估计器，实现最优方差，且无需对干扰参数进行参数建模。
• 理论结果表明，在弱正则性条件下，（不）直接效应的目标最大似然估计量具有渐近正态性和根n一致性。
• 基于美沙酮试验数据的实证研究证明，该方法能够有效分离通过抑郁和疼痛等中介变量影响阿片类药物使用复发的直接与间接效应。
• 开源的medshift R包实现了该方法，提供估计、推断和模拟工具，促进其在应用研究中的采纳。