模拟分层数据评估生态与多层次分析在获取个体因果效应中的效用

《BMC Medical Research Methodology》：Simulating hierarchical data to assess the utility of ecological versus multilevel analyses in obtaining individual-level causal effects

为解决数据层次结构分析难题，研究人员开展模拟分层数据研究，发现多层次分析更优，意义重大。

　　在当今数据驱动的时代，健康研究对于理解因果关系的需求愈发迫切。许多国家长期收集人口的各类数据，旨在通过分析这些数据来制定政策、评估干预措施效果，从而改善民众健康状况。但在实际研究中，数据的层次结构成为了一个棘手的难题。比如在研究初级医疗保健使用情况时，数据呈现出从个体、全科医生（GP）、医疗机构到行政健康委员会等多层次结构。这种复杂的层次结构使得传统的数据分析方法面临挑战，因为个体之间、群体内部和群体之间都存在着复杂的相互作用，而以往的方法往往无法准确处理这些关系。

与此同时，因果推断在健康研究中至关重要。然而，当代因果推断方法在处理数据层次结构时存在不足，大多将数据视为 “扁平” 的，未充分考虑其层次特性。例如在观察性研究中，识别和量化健康的社会和环境决定因素面临诸多困难，因为个体处于复杂的现实世界系统中，存在多种固有的层次结构。此外，生态分析虽关注群体内个体间的相互作用，但受可变面积单元问题（MAUP）的困扰，不同的聚类大小会导致不同的研究结果，影响研究的稳健性。

为了解决这些问题，来自兰卡斯特大学、格拉斯哥大学、利兹大学等多所国外研究机构的研究人员 Lydia Kakampakou、Jonathan Stokes、Andreas Hoehn 等开展了一项研究，该研究成果发表在《BMC Medical Research Methodology》上。

研究人员采用了多种关键技术方法。首先，绘制分层因果图（hierarchical causal diagram），以此编码数据生成机制（DGM），描述个体层面变量与聚类大小之间的跨层关系。其次，通过模拟个体层面的人口数据，并依据特定算法进行聚类和聚合，生成包含不同层次结构的数据集。最后，运用多层次建模（multilevel modelling）和多种生态分析方法对模拟数据进行分析，对比不同方法在估计个体层面因果效应时的表现。

研究结果如下：

1. 场景 1：在存在常规混杂因素Zi?的情况下，多层次分析和生态分析通过直接调整和调整聚合变量Zj?，使得所有连续和二元结果模型均无偏差。但生态分析的估计值异质性更大。
2. 场景 2：当存在潜在混杂因素Li?时，所有分析都存在偏差。多层次分析受残余混杂偏差影响，而生态分析的聚合偏差更大，且对于二元结果，其偏差程度与指定的因果效应ρ7?呈现非线性关系。
3. 场景 3：在存在不相关的常规和潜在混杂因素时，连续结果的情况与场景 2 相似，二元结果则有所不同。多种混杂因素的组合对二元结果产生了不同的偏差影响，生态分析的估计异质性依然大于多层次分析，且二者对于二元结果的偏差都呈现非线性。
4. 场景 4：当常规和潜在混杂因素存在因果关系时，连续和二元结果的偏差性质都发生了改变。多层次分析的表现仍优于生态分析，生态分析的估计值更具异质性。在场景 4 的扩展分析中，当二元结果罕见时，两种分析都受影响，生态分析的估计异质性大幅增加；对于连续结果，二元潜在混杂对生态分析的偏差影响更大；对于二元结果与二元潜在混杂结合的情况，生态分析的估计异质性随效应大小增加而增大。

在研究结论和讨论部分，研究人员指出，生态分析在估计个体层面因果效应时，聚类估计结果比多层次分析更具异质性且更不可靠。未观察到的个体层面混杂因素在生态分析中虽可用聚类层面的替代变量进行调整，但效果不如多层次分析。多层次分析产生的模型估计更均匀，受残余混杂偏差的影响较小。

该研究具有重要意义。它为研究人员在处理分层数据时提供了新的思路和方法，强调了多层次分析在研究个体层面因果现象中的优势。同时，研究还指出了当前研究的局限性，如仅考虑了一种数据生成机制、有限的混杂因素和路径系数等，为后续研究指明了方向。未来研究可在此基础上，探索更多复杂的数据生成机制和分析方法，以更深入地理解复杂系统中的因果关系，为政策制定和健康干预提供更可靠的依据。