什么是 时变混杂？
时变混杂是纵向数据中的一种混杂结构：某个变量会影响后续处理与结局，随随访过程变化，并且还可能受到既往处理影响。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
处理-混杂反馈是问题的核心
例如，既往治疗改善了生物标志物，该标志物决定下一次剂量，并与最终结局相关。比较后续剂量时必须处理当前标志物，但普通调整会改变既往治疗发挥作用的路径。时变协变量并不自动等于混杂因素，必须结合处理、协变量与结局的时间线判断其因果角色。
纵向 G 方法针对明确的处理策略
参数 G 公式模拟指定处理规则下的结局，边际结构模型通常使用序贯逆概率权重，结构嵌套模型则使用 G 估计。三者都依赖一致性、序贯可交换性、正值性、正确的时间顺序以及有效的处理与结局定义。Daniel 等人的方法综述解释了常规调整为何可能产生偏差，并比较了主要 G 方法。
诊断必须覆盖每一次处理决策
应逐时点检查条件处理概率、稳定权重分布、有效样本量、删失权重、处理历史计数以及待比较策略的支持度。极端权重通常提示实际正值性问题或模型错误。截尾能够降低方差，但会改变估计量，也无法创造数据中不存在的处理历史，因此必须连同敏感性分析一起报告。
主要特点
- 要求明确纵向处理、协变量与结局时间线
- 包含会混杂后续处理决策的动态协变量
- 协变量可能同时受到既往处理影响
- 使只调整基线变量不足以识别序贯策略效应
- 通常需要 G 方法而不是普通时变协变量回归
- 必须检查逐时点支持度、模型、删失与权重
常见用途
- 估计疾病严重程度不断变化时的持续用药策略
- 使用动态活跃度信号评估自适应通知策略
- 比较既往动作会改变后续风险分数的处理序列
- 设计包含处理切换的纵向目标试验模拟
- 审计处理后特征究竟是中介、混杂因素还是碰撞点
示例
Loading code...常见问题
时变混杂与普通混杂有什么区别？
普通单次处理混杂通常可以用处理前共同原因表示。时变混杂包含重复决策与动态协变量；后续决策前的协变量还可能被此前处理改变，由此形成处理-混杂反馈。
为什么不能把所有时变协变量直接放进回归模型？
受既往处理影响的协变量既可能传递该处理的部分效应，又会混杂后续决策。在普通结局回归中对它条件化，可能删除部分目标效应或引入选择偏差。正确做法取决于纵向估计目标和因果结构。
哪些方法可以处理时变混杂？
常见选择包括参数 G 公式、使用逆概率权重估计的边际结构模型，以及通过 G 估计拟合的结构嵌套模型。它们的模型与失效模式不同，但都要求明确干预、满足序贯假设并具有足够支持度。
这里的序贯可交换性是什么意思？
在每个处理决策时点，给定该决策之前可测量的历史后，实际动作必须与未来反事实结局独立。它比基线可交换性更强，也无法只靠观测数据验证；遗漏的时变共同原因会破坏该假设。
如何诊断时变混杂分析是否可靠？
先画出时间化因果结构并核对时间戳，再逐决策检查处理概率与历史计数，汇总稳定权重、删失权重和有效样本量，比较不同干扰模型与截尾阈值，并对未测量混杂执行敏感性分析。