基于因果推断的统计建模与数学建模统一分析框架

《Patterns》:Unifying statistical and mathematical modeling through a causal inference lens

【字体: 大 中 小 】 时间:2026年09月22日 来源:Patterns 10.8

编辑推荐:

  在生物、物理和社会科学中,存在两种广泛的定量研究传统:统计建模和数学建模。这两种传统都追求推进科学知识,但它们在很大程度上以不同的语言发展。本文利用因果推断中的识别(identification)概念来发展一种共享语言。研究人员回顾了统计模型的基础识别结果,并

  
在生物、物理和社会科学中,存在两种广泛的定量研究传统:统计建模和数学建模。这两种传统都追求推进科学知识,但它们在很大程度上以不同的语言发展。本文利用因果推断中的识别(identification)概念来发展一种共享语言。研究人员回顾了统计模型的基础识别结果,并将这些思想扩展到数学模型。该框架的核心是使用边界(bounds),即合理数值的范围,来分析统计模型和数学模型。研究人员讨论了这一视角对不同建模方法的解释、比较和整合的影响,并以一个高血压药效学模型为例说明了该框架。最后,研究人员描述了该方法可以扩展的领域。通过形式化统计建模与数学建模之间的联系,这项工作为定量科学提供了一个共享框架。
在生物、物理和社会科学中,定量研究长期存在两种传统:统计建模(statistical modeling)与数学建模(mathematical modeling)。前者基于经验观测拟合参数以优化预测,后者从假设的机制公式出发,不必须依赖直接观测。两种传统各有优势,却因语言差异而难以比较和整合。近年流行病学中关于参数g-formula与微观模拟模型的争论,进一步凸显了缺乏共同分析视角的问题。为此,研究人员从因果推断中借用“识别”(identification)概念,提出以“边界”(bounds)为核心工具,将统计与数学建模置于同一框架下进行统一分析。该研究发表于《Patterns》。

研究人员首先定义了兴趣参数——平均因果效应(ACE),并借助Neyman潜在结果框架给出形式化表达。随后,识别被广义地定义为将兴趣参数表示为可用信息的函数,其中观测或理论只是一种信息类型。在此框架下,统计模型可通过非参数边界分析、随机化假设或g-formula实现部分或点识别;数学模型则需引入“空模型”(vacuous model)与“模型捕获”(model-capture)假设来构造因果关系。为验证框架的实用性,研究人员构建了氨氯地平对收缩压影响的药效学模型,并对模型假设进行了系统评估。

主要关键技术方法包括:基于Neyman潜在结果框架的因果推断识别理论;非参数边界分析(partial identification);针对数学模型的“模型捕获”假设;用于药物浓度-效应关系的Hill方程(E-max模型)药效学建模;以美国国家健康与营养调查(NHANES)2017–2018数据估计基线收缩压经验分布;利用已发表的药代动力学参数区间设定模型输入。

**统计模型**
通过分析仅包含处理A与结局Y的随机样本,在因果一致性、无测量误差和时序假设下,可得到ACE的非参数部分识别边界,该边界宽度恒为1,且始终包含零效应。若引入随机化设计,则满足边际可交换性和阳性性,可实现非参数点识别。在观测数据中,基于条件可交换性推导g-formula,其估计需要额外的“正确统计模型设定”假设。这一结果揭示了识别与统计估计之间的间隙,也说明随机试验在设计上的特殊性。

**数学模型**
针对不依赖观测的数学模型,研究人员定义了空模型与非空模型。空模型的输出可覆盖整个参数空间Ψ,因而不能提供超出先验知识的信息;非空模型则通过函数结构排除了部分参数值。若存在“神谕”揭示真实参数θ*和λ*,数学模型可实现点识别;更现实地,在“模型捕获”假设下(即真实概率被参数子集Θ*×Λ*捕获),可得部分识别区间Ψ*?Ψ。该框架还澄清了数学建模中的可交换性辩论:外部信息用于证明模型捕获假设时,需与目标情境S=1具有可交换性。

**案例研究**
研究人员建立了一个氨氯地平药效学模型,其中基线收缩压分布采用NHANES 2017–2018数据,有效浓度函数g使用剂量与剩余药物百分比,效应函数h基于Hill方程。该模型被证明是空模型。在引入参数范围后,计算得到ACE边界Ψ* = [0.23, 0.91],表明氨氯地平对该人群高血压风险具有显著保护效应。

**模型评估**
评估发现,科学问题需更明确的时间地点限定;NHANES抽样不确定性未纳入模型;药代动力学参数θ1、λ1和λ2来源于韩国男性且收缩压低于150的数据,与目标情境在体质量分布等特征上存在差异。研究人员建议扩展药物浓度函数以纳入体质量,或采用可推广性方法修正外部数据。

讨论部分指出,该统一框架将统计与数学模型视为对特定情境因果效应进行边界估计两种途径;边界宽度取决于假设强度,共享语言便于两种模型在共同科学问题上的比较、整合以及假设的平等评估。扩展方向包括:将参数向量扩展为“参数值+支持信息”以产生分布而非边界;处理单元间交互(需引入干扰下的潜在结果);将微分方程纳入框架;以及利用识别概念形式化校准流程。研究结论为:通过形式化统计建模与数学建模之间的联系,这项工作为定量科学提供了一个共享框架。
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