随机试验中协变量与结果变量同时非可忽略缺失情况下亚组因果效应的识别

《Computational Statistics & Data Analysis》:Identification of Subgroup Causal Effects in Randomized Trials under Nonignorable Missingness of Covariates and Outcome Variables Simultaneously

【字体: 大 中 小 】 时间:2026年09月22日 来源:Computational Statistics & Data Analysis 1.7

编辑推荐:

   •识别同时存在协变量和结果缺失的子组因果效应。 •为五种不同的非随机缺失(MNAR)机制建立可识别性结果。 •为复杂的缺失场景提供非参数可识别条件。 •为最一般的非随机缺失机制开发基于模型的可识别策略。 •将所提出的EM算法与完整案例、多重插补和 oracle 基准进行比较,

  

•识别同时存在协变量和结果缺失的子组因果效应。
•为五种不同的非随机缺失(MNAR)机制建立可识别性结果。
•为复杂的缺失场景提供非参数可识别条件。
•为最一般的非随机缺失机制开发基于模型的可识别策略。
•将所提出的EM算法与完整案例、多重插补和 oracle 基准进行比较,并使用俄勒冈州医疗保险实验说明该方法。

引言

随机实验被广泛认为是因果推断研究设计中的金标准。然而,缺失数据在随机实验中经常出现,这可能会对统计推断构成挑战,并在结果中引入偏差(Cornelisz 等人,2020)。例如,在随机实验中,某些参与者拒绝回答特定问题并不罕见,从而导致缺失数据的出现。在这种情况下,观测数据可能无法代表目标群体,尤其是当缺失机制依赖于缺失值本身时。因此,在统计分析中忽略缺失数据问题可能导致偏差。

缺失数据问题在文献中受到了大量关注。使用 Rubin(1976)的术语,如果缺失机制在给定观测数据条件下不依赖于缺失值本身,则称为随机缺失(MAR);否则称为非随机缺失(MNAR)。在 MAR 假设下,完整数据分布和作为观测数据函数的因果参数都是可识别的,并且有许多估计方法,包括基于似然的方法如期望最大化(EM)(Dempster 等人,1977;Little 和 Rubin,2019;Moreno 等人,2020)、插补(Kim,2011;Rubin,2004;Sengewald 等人,2024;Zhao 和 Ding,2024)、逆概率加权(Robins 等人,1994;Sun 等人,2018b)和半参数方法(Lu 等人,2012;Robins 等人,1995;Tsiatis,2006)。然而,在实践中,非随机缺失(MNAR)也经常出现,对这一机制的研究比 MAR 更具挑战性且研究不够充分。在 MNAR 机制下,通常无法在没有额外假设的情况下识别完整数据分布,即使在完全参数化模型下也是如此(Miao 等人,2016;Wang 等人,2014)。关于在潜在非随机缺失机制下处理非响应问题的基础方法研究,主要由 Heckman(1976, 1979)开创,主要聚焦于参数化框架内的样本选择偏差。例如,Greenlees 等人(1982)和 Yang 等人(2013)在对数据生成过程做出一些参数假设后,提出了基于完全参数化 MNAR 机制的最大似然估计量。Chen 等人(2008)、Kott 和 Chang(2010)以及 Morikawa 和 Kim(2021)则关注缺失机制是参数化的但数据生成过程是非参数化的场景。然而,这些估计方法都隐含地假设其模型是可识别的。可识别性是参数的一致估计量存在的前提(Gelfand 和 Sahu,1999)。

在过去几年中,一些研究人员在特定假设下部分解决了 MNAR 数据的可识别性问题。Ding 和 Geng(2014)证明了四种可解释的协变量缺失数据机制下因果效应和联合分布的可识别性。Yang 等人(2019)开发了一个非参数框架,用于在存在混淆因素且具有非可忽略缺失的情况下识别因果效应。Sun 和 Fu(2023)建立了非可忽略缺失混淆因素下因果效应的识别策略,提供了参数化和非参数化设置下参数可识别的充分条件。Miao 和 Tchetgen Tchetgen(2016)、Li 等人(2023)和 Miao 等人(2024)证明了当结果数据缺失时如何识别参数化和半参数化模型。这通过使用一个完全观测的影子变量来实现,该变量与缺失结果相关,但在给定可能未观测到的结果条件下与缺失指示变量保持独立。Tchetgen Tchetgen 和 Wirth(2017)、Sun 等人(2018a)和 Liu 等人(2020)展示了使用工具变量的可识别性,该工具变量依赖于结果变量的缺失指示变量,但在给定其他完全观测变量的条件下与结果变量本身保持独立。近期的工作也考虑了在更广泛的多变量 MNAR 设置下的处理效应异质性。特别是,Zuo 等人(2026)研究了在协变量、处理变量和结果部分观测且都可能为非随机缺失时条件平均处理效应的识别与估计。

然而,现有文献中的许多工作侧重于协变量或结果为非随机缺失的场景。近期的多变量研究允许更一般的部分观测数据结构,使用独立的缺失指示变量,但未聚焦于单一联合响应指示变量所引发的机制特异性可识别性问题。在许多设置下的可识别性还依赖于辅助信息,如完全观测的工具变量或影子变量。在本文中,我们转而关注当协变量和结果同时存在缺失时,随机实验中因果量的可识别性。这一单一响应指示变量的设置与调查研究中单元非响应和条目非响应的区分密切相关。正如 Yan 和 Curtin(2010)所讨论的,单元非响应指的是访谈完全缺失,而条目非响应指的是参与者在参与后对特定问题的回答缺失。本文所考虑的设置旨在捕捉协变量和结果通过共同的调查轮次、随访访谈、研究访问或行政关联收集的情形,从而使得未能完成共同的数据收集过程可能导致两个变量联合未观测到。因此,这应与更一般的条目特定缺失模式区分开来,在后者中,两个变量之一可能仍然被观测到,需要单独的响应指示变量。在后者情况下,部分观测模式提供了额外的可观测信息,但也引入了涉及多个缺失指示变量的更复杂响应过程。Zheng 等人(2023)提供了非可忽略缺失下观测似然可识别的充分条件,解决了协变量和结果同时非随机缺失的情况。然而,他们的方法依赖于严格的假设和额外变量信息的纳入。相比之下,我们的方法无需引入额外变量即可实现可识别性。

在本文中,我们将论文的其余部分组织如下。第 2 节介绍全文使用的符号和主要假设。第 3 节探讨处理前协变量和结果的可能缺失数据机制,聚焦于两者同时被观测或同时缺失的情况。第 4 节讨论这些缺失数据机制的可识别性以及实现可识别性所需的条件。第 5 节描述分数插补 EM(FI-EM)估计程序。第 6 节评估所提方法的有限样本性能,并与完整案例分析、链式方程多重插补和完整数据 oracle 基准进行比较。第 7 节将我们的方法应用于随机化的俄勒冈州医疗保险实验。第 8 节进行讨论,所有定理的证明均提供在补充材料中。

符号与假设片段

考虑一个完全随机化实验,有 N 个受试者,编号为 i=1,…,N。对于受试者 i,令 Ti 表示处理分配,如果受试者 i 接受处理则 Ti=1,如果受试者 i 接受对照则 Ti=0。我们令 Xi 表示离散的处理前协变量,Yi 表示结果,可以是连续或离散的。然而,在实践中,Xi 和 Yi 可能分别或同时缺失。受一个实证例子的启发,我们将讨论以下情况:

缺失数据机制片段

在开始详细讨论之前,我们首先回顾与缺失数据机制相关的基本概念。令 Ocom 表示完整数据集,Oobs 表示观测数据,Omis 表示缺失数据,其中 Ocom=(Oobs, Omis)。令 R 为对应于 Ocom 的缺失数据指示变量。令 θ 表示完整数据模型的参数,ψ 表示响应机制的参数。对于下面考虑的机制 1-4,联合分布被分解为 P(Ocom, R | θ, ψ) = P(…

因果效应的可识别性片段

在本节中,我们探索第 3 节所述缺失数据机制相关因果效应的可识别性。如果 (T, X, Y, R) 的联合分布是可识别的,则在假设 1 下,因果效应 CEx 和 CE+ 也是可识别的。对于上述五种缺失数据机制,我们提出了一组实现可识别性的条件。这些机制的可识别性范围各不相同:在某些条件下,(T, X, …

估计细节片段

令 Zi=(Ti, Xi, Yi, Ri) 表示单元 i 的完整数据,令 η 表示完整参数向量。完整数据似然为:
Lcom(η) = ∏(i=1 到 n) f(Zi; η) = ∏(i=1 到 n) Pr(Ri | Yi, Xi, Ti; η) f(Yi | Xi, Ti; η) Pr(Xi; η) Pr(Ti)。

观测数据似然构建为:
Lobs(η) ∝ ∏(i: Ri=1)[t] f(Yi=yi | Ti=ti, Xi=xi; η) × Pr(Xi=xi | Ti=ti; η) × Pr(Ri=1 | Yi=yi, Ti=ti, Xi=xi; η) × ∏(i: Ri=0)[t] ∫Y ∑x f(Yi=y | Ti=ti, Xi=x; η) × Pr(Xi=x | Ti=ti; η) × Pr(Ri=0 | Yi=y, Ti=ti, Xi=x; η) dy。

最大似然估计量 η? 通过求解条件…获得。

模拟片段

在本节中,我们进行模拟以评估五种缺失机制下所提出的估计量的有限样本性质。我们生成了 T ~ Bernoulli(0.5) 和 X ~ Bernoulli(0.5)。对于机制 1-3 下的二元结果,我们生成了:
P(Y=1 | T, X) = Φ(θ0 + θtT + θxX),
真实参数为 (θ0, θt, θx) = (-1, 2, 1)。对于机制 4,我们使用了相同的 probit 结果模型,但参数为 (θ0, θt, θx) = (-1, 1.6, 0.8)。对于机制 1 和 2 下的连续结果,我们生成了:
Y | (T, X) ~ LogN(θ0 + θtT + θ…

应用于俄勒冈州医疗保险实验片段

俄勒冈州医疗保险实验(Finkelstein 和 Baicker,2014)提供了本文所考虑的单一响应指示变量框架的自然实际数据示例。本文分析的基本协变量和结果均通过同一次面对面访谈获得,这导致了以同时缺失模式为主的缺失模式。该研究是一项随机化实验,其中申请医疗补助的机会通过抽签分配。令 T 表示抽签选择;…

讨论片段

尽管随机化是因果推断的金标准,但协变量或结果变量中的非可忽略缺失对因果分析构成了重大挑战。当协变量和结果变量同时缺失时,可用于分析的数据变得极为有限。数据的稀缺使得相关研究不仅罕见,而且特别具有挑战性。Zheng 等人(2023)解决了在协变量和结果同时缺失情况下观测似然的可识别性问题…

致谢

作者感谢所有形式的支持,这些支持有助于本研究的完成。

CRediT 作者贡献声明

Yanfei Jin:概念化、方法论、软件、初稿撰写。Kaixuan Fan:方法论、形式分析、审阅与编辑。Xiao Yan:数据整理、调查、审阅与编辑。Mengchen Shi:形式分析、软件、验证。Xueli Wang:概念化、获取资金、监督、审阅与编辑。Zhi Geng:概念化、监督、审阅与编辑。

Yanfei Jin | Kaixuan Fan | Xiao Yan | Mengchen Shi | Xueli Wang | Zhi Geng
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