基于模拟退火(SA)的模型稳健部分轮廓选择设计:面向医疗健康偏好研究中的交互效应与模型误设

《Statistics in Medicine》:Simulated Annealing for Model-Robust Partial Profile Choice Designs in Healthcare Preference Studies

【字体: 大 中 小 】 时间:2026年10月16日 来源:Statistics in Medicine 2.1

编辑推荐:

  离散选择实验(Discrete Choice Experiments, DCEs)通过观察参与者在假设情境中的选择行为来考察其偏好,并广泛应用于医疗健康领域。为降低参与者的认知负担,尤其是在处理大量属性时,研究人员常采用部分轮廓设计(partial profi

  
离散选择实验(Discrete Choice Experiments, DCEs)通过观察参与者在假设情境中的选择行为来考察其偏好,并广泛应用于医疗健康领域。为降低参与者的认知负担,尤其是在处理大量属性时,研究人员常采用部分轮廓设计(partial profile designs)。在这些设计中,每个选择集(choice set)内的某些属性保持恒定。当前关于部分轮廓设计的文献主要关注主效应模型(main-effects models),而非交互效应模型(interaction-effects models),且某些部分轮廓设计甚至无法估计交互效应。为解决该问题,本文引入模拟退火(Simulated Annealing, SA)算法,以构建基于交互效应模型的部分轮廓设计。在实验设计阶段,交互效应的存在性和大小往往未知。因此,本文提出一种模型稳健(model-robust)实验设计策略。通过大量仿真实验和真实案例研究,研究人员证明,无论底层模型(underlying model)如何,所提出的SA模型稳健部分轮廓设计均表现较好。
在医疗健康偏好研究中,离散选择实验(Discrete Choice Experiments, DCEs)被广泛用于考察个体对产品或服务属性的偏好。DCEs通常要求参与者从由两个或多个轮廓(profile)组成的选择集中选择偏好对象,而轮廓由属性水平组合定义。医疗健康领域许多DCEs涉及大量属性,这会增加受访者信息负担和认知负荷。为简化任务,部分轮廓设计(partial profile design)在每个选择集中仅让有限属性变化,其余属性保持恒定;恒定属性数量通常称为轮廓强度。与全轮廓设计相比,部分轮廓设计可降低因注意力不足导致的响应误差,提高响应效率。既有随机对照DCE发现,部分轮廓设计可降低退出率并提高选择一致性。

问题在于,由于选择模型的非线性,构建最优部分轮廓设计需要知道模型参数,而实验设计阶段参数通常未知。效用中性设计假设所有未知参数为零,但这不现实;局部最优设计预先指定非零参数,对设定敏感;贝叶斯最优设计(Bayesian optimal design)引入参数先验分布,在处理参数不确定性方面表现更好,尤其当先验信息丰富时。然而,现有最优部分轮廓设计大多集中于主效应模型,而交互效应在医疗健康DCE中常具有重要性,例如症状严重程度与持续时间之间可能存在显著交互效应。忽视交互效应会削弱模型解释力。既有基于交互效应模型的部分轮廓设计研究较少,且某些方法仅适用于两个轮廓的选择集,或基于受访者对轮廓具有相同偏好的不现实假设,因而限制于效用中性设计。另一些由主效应模型改造的方法存在三方面局限:恒定属性结构仍有改进空间,且未充分利用属性先验信息;两阶段顺序优化不如同时优化;坐标交换(coordinate-exchange, CE)算法易收敛于局部最优;并且其基于全交互效应模型确定属性水平,而实际应用中通常仅保留显著交互项,因此该设计在最终模型中可能表现不佳。为此,研究人员提出基于同时优化的SA算法,以构建贝叶斯最优部分轮廓交互效应设计,并进一步构建模型稳健设计。

为开展研究,研究人员采用的主要关键技术方法包括:多项式Logit(multinomial logit, MNL)模型与贝叶斯D-最优性准则;通过球形径向变换抽样近似贝叶斯最优性准则;提出同时优化的模拟退火(SA)算法,并设计满足部分轮廓恒定属性数量约束的探索规则;采用模型稳健复合设计准则;使用相对D-效率比较设计统计效率,使用期望均方误差(expected mean square error, EMSE)评估参数估计精度;开展大规模DCE仿真实验,并复现既有医疗干预DCE真实案例。真实案例来源为既有医疗干预DCE,调查公众对医疗干预的分配偏好,设计包含42个选择集并平均分配到三个调查组,每组14个选择集;仿真估计中假设300名参与者平均分配到三个调查组。代码在MATLAB R2024b中开发,运行于第11代Intel Core i5-1135G7处理器。

研究结果如下。5 算法比较。5.1 仿真设置:研究人员考虑24个选择集、6个属性、属性水平分别为2、2、2、3、3、3的DCE;变化轮廓数为2或3,恒定属性数为1或2,双向交互项数为0、2、6或8,并结合不同先验均值和先验方差形成144种DCE情景。为公平比较,CE算法从30个随机起始设计运行,SA算法在相同总计算预算下运行。5.2 结果:在所有144种情景中,CE设计相对SA设计的相对D-效率均小于1,平均约为92.60%;Wilcoxon符号秩检验显示中位数显著小于1,p值小于0.0001,表明SA设计更优。先验方差越大,SA优势越明显;交互项越多,SA相对性能也通常越好。补充分析显示,在120对配对的运行中,SA均达到CE最终准则值,且通常仅需CE收敛时间的14%至34%;SA随后继续改进设计。扩展性分析表明,当轮廓数增至5、属性数增至12时,SA仍具计算可行性,平均运行时间低于8分钟。

6 模型稳健部分轮廓设计。6.1 设计构建:研究人员考虑24个选择集、每个选择集2个轮廓、6个属性、1个恒定属性;主效应参数维度为9,交互效应模型加入第一属性与第二属性及第四属性之间的交互后参数维度为12。使用SA算法分别基于主效应准则、交互效应准则和稳健复合准则生成设计。主效应设计中,恒定属性几乎均匀分布在三个2水平属性上;交互效应设计中,参与多个交互项的第一属性显著更频繁被固定,在15个选择集中作为恒定属性,3水平属性4在2个选择集中被固定;稳健设计介于两者之间,属性重叠仅发生在2水平属性中,第一属性较多被固定,而第三属性比主效应设计中更少被固定。6.2 对模型与先验误设的敏感性:研究人员设定四种真实模型:无交互项、仅第一与第二属性交互、仅第一与第四属性交互、第一与第二及第四属性均交互,并令交互效应尺度参数变化,共10种真实先验均值。结果显示,主效应设计在存在交互效应时表现更差,且交互项数量和幅度增加时效率下降更明显;交互效应设计在交互项少时表现最差,但随着交互项增加而改善;稳健设计在所有情景中表现稳定,平均相对D-效率为96.25%,在所有存在交互效应的情形中均为三种设计中最高,说明其对模型误设更稳定。

7 医疗干预案例研究。7.1 案例研究设置:既有医疗干预DCE在设计阶段构建了包含27个参数的交互效应MNL贝叶斯最优设计,并对主效应设定先验均值和先验方差;后经似然比检验发现仅部分交互项显著,最终模型参数由27个降至21个。7.2 备选部分轮廓设计:研究人员比较主效应设计、原始设计、稳健设计和真实模型设计。相对真实模型设计,主效应设计D-效率为75.89%,原始设计为78.64%,稳健设计为89.70%,真实模型设计为100%。7.3 参数估计精度比较:通过模拟300名参与者、500次独立模拟,使用EMSE评估。主效应设计EMSE为0.0714,原始设计为0.0528,稳健设计为0.0370,真实模型设计为0.0361。稳健设计与真实模型设计接近,而主效应设计和原始设计误差更大,说明稳健设计在模型误设下仍能保持较好参数估计精度。

讨论与结论部分指出,本文引入集成SA算法构建贝叶斯最优部分轮廓交互效应设计。该算法从随机初始部分轮廓设计开始,每次迭代随机选择选择集内随机轮廓中的属性,判断其是否恒定,并生成相应随机扰动;探索规则确保新设计满足每个选择集包含一定数量恒定属性的约束。与其他部分轮廓交互效应设计算法相比,该算法可处理任意数量的轮廓,且不要求受访者在各轮廓间无特定偏好这一不现实假设。与常用两阶段CE算法相比,该SA算法考虑交互效应对恒定属性分布的影响,并能同时灵活优化恒定属性分布和属性水平。大量计算实验表明,在所有考虑的DCE情景中,该SA算法在生成更有效设计方面始终优于CE算法;当前验方差较大且模型包含更多交互项时,优势尤为明显。由于实验设计阶段交互效应信息常有限,研究人员建议采用模型稳健设计策略,以在不同底层模型下获得良好参数估计精度。稳健设计采用复合最优性准则,同时考虑主效应模型和交互效应模型。通过仿真实验和真实医疗案例,研究人员证明稳健设计在各种模型误设情形下表现良好。

从实践角度,将交互效应纳入模型会显著增加参数数量,而部分轮廓设计中的属性重叠通常会降低统计效率。因此,获得与全轮廓设计相同精度的估计常需要更多选择集。在此情况下,研究人员建议生成更大选择集并分配到多个调查组,而非依赖单一设计,从而在避免单个受访者负担过重的同时收集更多统计信息。未来研究可发展自适应部分轮廓设计:在实验早期受访者注意力较高时,可让较少属性保持恒定;在后期疲劳更明显时,增加恒定属性数量以减轻认知负担并改善响应质量。研究也指出局限:主要比较仿真虽覆盖较广设计情景,但其关于SA与CE相对表现的结论是在特定实验条件下获得,包括24个选择集、6个属性、每个选择集2或3个轮廓、特定先验分布和交互结构;扩展分析虽涉及更多轮廓和属性,但不能保证在显著更大或结构不同的DCE中相对效率增益保持不变。另一局限涉及设计准则的行为假设:该框架假设受访者关注选择集中保持恒定属性的水平,因为这些水平进入效用函数并有助于识别交互效应;但既有关于水平重叠的证据表明,部分轮廓设计可降低任务复杂性并改善对变化属性的注意,受访者可能对恒定属性关注较少,或表现出属性非关注。因此,受访者是否以相同方式或以相同程度处理恒定属性水平与变化属性水平仍不明确。如果恒定属性和变化属性被不同处理,设计阶段预期的统计信息可能在观察到的选择行为中无法完全实现。当前框架未显式建模这种属性处理差异,未来工作可研究受访者如何处理恒定属性,以及是否应将此类行为响应纳入设计准则。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号