一点都不容易。这听起来像是Jamie Robins和他的同事们做了大量工作的事情。引用他们一篇论文摘要的开头：

“在暴露或治疗随时间变化的观察性研究中，当存在也受先前治疗影响的时间依赖性混杂因素时，调整混杂因素的标准方法是有偏差的。 ”

（Robins JM, Hernán MA, Brumback B. Marginal Structural Models and Causal Inference in Epidemiology. Epidemiology 2000;11:550-560. http://www.jstor.org/stable/3703997）

在他们的例子中，低 CD4 计数意味着您更有可能获得抗 HIV 药物，这（希望）会增加您的 CD4 计数。听起来很像你的设置。

最近在这个领域有很多工作（即比那篇论文更近），从期刊论文中掌握并不容易。Hernán & Robins 正在写一本书，这应该很有帮助——它还没有完成，但有前 10 章的草稿可用。

您已经清楚地说明了模型的一部分：

C 取决于 B，因为高于阈值的 B 值将改变 C。C 的变化将进一步降低下一次测量中的 B。

“下一次测量”我理解你的意思是下一次。 让我们将时间索引为$t = 0, 1, 2, \ldots$. 那么 C 对 B 的依赖听起来像是同时代的。如果我们采用一个简单的线性模型（可以很容易地扩展以包含协变量和可变但预定的阈值）并让$u$是一个恒定的阈值，

$$C(t) = \beta_1 I_{B(t) \gt u} + \epsilon$$

有随机偏差$\epsilon$（我不会费心索引；你知道演习）。这里，$I$是指标函数。

还，

$$B(t+1) = B(t) - \beta_2 (C(t) - C(t-1)) + \delta$$

然后再次$\delta$表示随机（独立）偏差。我被困在这里是因为您没有更准确地指定B如何响应 C 的变化而变化；我只是提供了一种可能的解释。

最后，

$$A(t) = \beta_3 B(t) + \beta_4 C(t) + \beta_5 + \gamma$$

具有独立随机偏差$\gamma$.

第一个公式中指示函数的存在是有问题的：它使它成为一个非线性问题。然而，这似乎是这种情况的一个基本特征；我不愿意以简单或易于计算的名义忽略它（尽管两者都是重要的考虑因素）。滞后$B(t+1) - B(t)$和$C(t) - C(t-1)$还指向自回归模型，这是另一个复杂因素。由于这些问题，最容易处理的方法可能是使用贝叶斯技术：参数化$\epsilon$,$\delta$， 和$\gamma$，提供这些参数的先验和$\beta$s，并让机器（例如，WinBUGS 或 RBUGS）滚动。

您的问题是多重共线回归变量之一（因为 B 和 C 是相关的）。我建议您查看问题的答案：处理相关回归变量。

以下论文也可能与您的上下文相关：Using principal components for estimating logistic regression with high-dimensional multicollinear data