暴露混合物的流行病学：在使用或测试方法时我们不能对因果关系掉以轻心

背景：分析暴露混合物对健康影响的方法越来越受到关注。一个关键问题是如何同时分析混合物中通常高度共线的成分，这可能导致共同暴露混杂和共同暴露放大偏差（CAB）等问题。对新型混合物方法的评估（通常使用合成数据）对其最终效用至关重要。目标：本文旨在回答两个问题。因果模型如何为统计模型的解释和用于测试它们的合成数据的创建提供信息？新型混合物方法是否容易受到CAB的影响？方法：我们使用有向无环图（DAG）和线性模型推导模型参数的闭式解，以检验潜在的因果假设如何影响模型结果的解释。结果：统计模型估计的相同beta系数可能根据假定的因果结构而有不同的解释。类似地，用于模拟数据的方法可能对底层DAG有影响（反之亦然），从而影响通过分析方法估计的参数识别。我们证明，能够重现线性回归结果的方法，如贝叶斯核机器回归和新的分位数g计算方法，将受到CAB的影响。然而，在某些条件下，混合物总体效应的估计不受CAB影响，甚至减少了未控制的偏倚。讨论：正如DAG编码了先验的学科知识，允许识别需要控制的变量以阻断分析偏倚，我们建议明确识别用于测试统计混合物方法的合成数据背后的DAG。混合物总效应的估计是一个重要但相对未被充分探索的主题，值得进一步研究。