跳转至

Doubly Robust Estimators of the Restricted Mean Time in Favor Estimands in Individual‐ and Cluster‐Randomized Trials

作者: Xi Fang, Bingkai Wang, Guangyu Tong, Liangyuan Hu, Shuangge Ma et al.
来源: Statistics in Medicine
主题: 因果推断
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么： 这个子方向要解决的根本统计问题是：在具有复发或序贯事件的渐进多状态生存过程（如慢性病中的“反复住院→死亡”）中，如何定义并估计一个不受比例风险（PH）或 Markov 假设限制、且具有明确因果/临床解释的绝对时间尺度上的处理效应 estimand。当前该方向的成熟度处于“estimand 定义已初步成型，但半参数效率理论与复杂试验设计（如 CRT）的估计框架尚属空白”的阶段。

发展脉络： - 奠基工作：Kaplan & Meier (1958) 建立了右删失数据下的非参数生存函数估计基准，但仅适用于单一事件（两状态生死模型）。 - 主要进展（Estimand 定义）：Mao (2021) 提出了 restricted mean time in favor of treatment (RMT-IF)，将经典的 restricted mean survival time (RMST) 从两状态推广至有序多状态，定义了“处理组比对照组在限定时间窗内平均多处于有利状态的净时间”。Mao & Wang (2023) 进一步将 RMT-IF 做了亚成分分解，指出粗分解不能揭示额外时间花在哪个状态，并给出了基于边际生存函数的 KM 插入估计与方差。 - 主要进展（Win 统计量与 CRT）：Wang et al. (2011) 引入 win ratio 处理复合终点，但依赖临床优先级的配对比较；Fang et al. (2025) 建立了 CRT 下 win 统计量的样本量与方差公式，指出秩内相关系数的核心地位；Kahan et al. (2022, 2023) 与 Li et al. (2025) 明确了 CRT 中 participant-average 与 cluster-average 两个 estimand 的分歧（informative cluster size 问题），并给出了 model-robust 标准化估计量。 - 当前 frontier：Bühler et al. (2022) 指出多状态模型框架下 estimand 定义的陷阱（如基于累积发病函数的回归其极限值可能不可解释）；Fay & Li (2024) 明确论证了 HR 即使在随机化下也缺乏个体级因果解释；Comment et al. (2019) 在半竞争风险下用主分层定义了 TV-SACE 与 RM-SACE，但依赖强不可检验假设。 - 本文的位置：本文填补了“RMT-IF 的半参数 DR 估计”与“CRT 下 RMT-IF 的 estimand 定义与估计”两个空白，将 AIPW 框架首次嵌入多状态 RMT-IF 结构，并处理了 CRT 下的 informative cluster size。

子线索聚类： 1. 多状态/复合终点的 estimand 定义线：Mao (2021), Mao & Wang (2023), Bühler et al. (2022), Wei et al. (2021)。这一簇在做“如何用非参数或边际函数定义一个不依赖 PH/Markov 的处理效应”，核心瓶颈是现有估计多为纯 KM 插入，未利用协变量信息，且不支持 CRT。 2. 生存分析的 DR/半参数效率线：Bai et al. (2013), Westling et al. (2021)。这一簇在做“观测数据或随机化数据下如何用 AIPW/DR 估计处理特异生存曲线”，核心瓶颈是现有 DR 估计量针对的是单一生存函数 \(S(t)\) 或 RMST，尚未推广至多状态 RMT-IF 这种涉及多个阶段特异边际分布的泛函。 3. CRT 的 estimand 与推断线：Kahan et al. (2022, 2023), Li et al. (2025), Fang et al. (2025)。这一簇在做“CRT 下如何定义与估计 participant/cluster-average 效应并处理 informative cluster size”，核心瓶颈是现有框架主要针对均值/比率型终点，未覆盖时间-至-事件泛函。

这个方向在追问的核心问题： 1. 如何在多状态生存过程中定义一个既不依赖 PH/Markov 又有临床/因果解释的处理效应 estimand？（当前主流：RMT-IF；瓶颈：亚成分解释与因果主分层联系尚弱） 2. 如何在右删失下利用协变量提高 RMT-IF 的估计效率并获得稳健性？（当前主流：KM 插入；瓶颈：无 DR/半参数效率界） 3. CRT 下，时间-至-事件泛函的 participant-average 与 cluster-average estimand 如何定义与估计？（当前主流：仅限均值/比率；瓶颈：informative cluster size 对时间泛函的影响未刻画）

⚠️ 作者的 framing： - 作者把缺口 frame 成什么：作者将缺口 frame 为“现有 RMT-IF 方法是纯非参数的，假设协变量独立删失且不支持 CRT，限制了效率与适用性”，从而让 AIPW + CRT 扩展成为“显然的下一步”。 - 竞争路线被淡化或回避：作者淡化了主分层框架（如 Comment et al. 2019 的 SACE/TV-SACE），该路线通过潜在生存时间定义因果效应，虽需不可检验假设但因果语义更强；也未讨论基于多状态转移强度的参数/半参数模型（如 Machado & van den Hout 2017 的 P-spline 多状态模型），该路线虽依赖模型但可更精细地刻画转移机制。 - 什么明显该被引/该存在却没出现：RMT-IF 的半参数效率界——既然本文构造了 DR 估计量，一个自然的理论基准是该泛函在独立数据下的 semiparametric efficiency bound（有效影响函数），但 intro 未引用任何效率界文献（如 Bickel et al. 1993 或 van der Vaart 1998 的半参数理论经典），也未讨论所提 DR 估计量是否达到该界。这是研究者应去查证的关键缺口。

张力： 未见明显对立引用。但存在隐含张力：Mao (2021) 的 RMT-IF 定义基于边际生存函数的泛函，天然是非参数/无模型的；而 Bühler et al. (2022) 强调多状态模型下“边际特征的极限值可能不可解释”，暗示单纯依赖边际泛函可能丢失转移机制信息。本文选择了纯边际泛函路线，未回应 Bühler 的警告。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

  • 符号：
  • \(A \in \{0, 1\}\)：处理分配（二值随机变量，1=处理，0=对照）。
  • \(X\)：基线协变量向量（维数 \(p\)）。
  • \(C\)：右删失时间（正随机变量）。
  • \(T\)：限制时间窗上限（固定预设常数，如 \(\tau\)）。
  • \(D_k\)（\(k=0, 1, \ldots, K\)）：第 \(k\) 个序贯事件的发生时间（\(D_0=0\) 为初始状态，\(D_K\) 为终止事件如死亡），满足 \(D_0 \le D_1 \le \cdots \le D_K\)。
  • \(Y(t) = \min(D_K, C)\)：观测到的终止事件或删失时间。
  • \(\Delta = I(D_K \le C)\)：终止事件的观测指示符（1=观测到死亡，0=被删失）。
  • \(\xi^{(a)}(\tau)\)：处理水平 \(a\) 下的 RMT-IF estimand（核心目标参数）。
  • \(S_k^{(a)}(t) = P(D_k > t \mid A=a)\)：第 \(k\) 个事件在处理 \(a\) 下的边际生存函数。
  • \(\pi_a = P(A=a)\)：处理分配概率（随机化下已知）。
  • \(G_a(t \mid X) = P(C > t \mid A=a, X)\)：条件删失生存函数。
  • \(\mu_k^{(a)}(t, X) = E[I(D_k > t) \mid A=a, X]\)：条件 outcome regression（第 \(k\) 阶段在处理 \(a\) 下超过 \(t\) 的概率给定 \(X\)）。
  • \(m_i\)：第 \(i\) 个簇的样本量（CRT 设定下）。
  • \(M\)：总簇数。

  • \(N = \sum_{i=1}^M m_i\)：总个体数。

  • 模型： 数据生成机制为有序多状态过程：个体从状态 0 出发，依次经历事件 \(D_1, \ldots, D_{K-1}\)（如复发），最终到达吸收态 \(D_K\)（死亡）。处理 \(A\) 影响各事件时间的分布。删失时间 \(C\) 独立于事件时间给定 \((A, X)\)（即条件独立删失）。在 CRT 设定下，簇 \(i\) 被随机分配至 \(A_i\)，簇内个体的 \((X, D_k, C)\) 可存在簇内相关性，且簇大小 \(m_i\) 可能与潜在结果相关。

  • 可观测数据： 研究者实际观测到的是 \((A, X, Y, \Delta, \tilde{D}_1, \ldots, \tilde{D}_{K-1})\)，其中 \(\tilde{D}_k = \min(D_k, C)\) 为第 \(k\) 个非终止事件的观测时间（若 \(D_k \le C\) 则观测到真实值，否则被删失）。想要但观测不到的是：当 \(C < D_K\) 时，个体在 \(C\) 之后的状态轨迹（即 \(D_k\) 在 \(C\) 之后的真实值）；以及在因果框架下，同一个体在相反处理下的潜在事件时间 \(D_k^{(1)}\) 与 \(D_k^{(0)}\)。

第二步：最小内核——两状态生死模型（\(K=1\)）下的 RMT-IF 与 DR 估计

剥掉多状态与 CRT 的复杂性，取最简特例 \(K=1\)（只有死亡，无中间事件），此时 RMT-IF 退化为经典的 RMST 差值：

\[\xi^{(1)}(\tau) - \xi^{(0)}(\tau) = \int_0^\tau \{S_1^{(1)}(t) - S_1^{(0)}(t)\} dt\]
其中 \(\xi^{(a)}(\tau) = \int_0^\tau S_1^{(a)}(t) dt\) 为处理 \(a\) 下的 RMST。

最小内核要证/要构造的命题：在条件独立删失下，如何构造 \(\xi^{(a)}(\tau)\) 的 DR 估计量，使得当 \(\mu_1^{(a)}(t, X)\) 或 \(G_a(t \mid X)\) 任一正确指定时，估计量一致？

构造路线（一看就懂）： 1. IPW 估计量（仅依赖删失模型）：利用 \(G_a(t \mid X)\) 对删失做逆概率加权，构造 \(S_1^{(a)}(t)\) 的 IPW 估计：

\[\hat{S}_{1, \text{IPW}}^{(a)}(t) = \frac{1}{n_a} \sum_{i: A_i=a} \frac{I(Y_i \ge t) \Delta_i}{\hat{G}_a(t \mid X_i)}\]
此估计量在 \(\hat{G}_a\) 正确时一致，但若 \(\hat{G}_a\) 错误则偏。

  1. Outcome regression 估计量（仅依赖回归模型）：利用 \(\mu_1^{(a)}(t, X)\) 直接预测生存概率再平均：

    \[\hat{S}_{1, \text{OR}}^{(a)}(t) = \frac{1}{n_a} \sum_{i: A_i=a} \hat{\mu}_1^{(a)}(t, X_i)\]
    此估计量在 \(\hat{\mu}_1^{(a)}\) 正确时一致，但若错误则偏。

  2. AIPW/DR 估计量（本文最小内核）：将两者结合，加入 augmentation term：

    \[\hat{S}_{1, \text{DR}}^{(a)}(t) = \hat{S}_{1, \text{OR}}^{(a)}(t) + \frac{1}{n_a} \sum_{i: A_i=a} \frac{I(Y_i \ge t) \Delta_i - \hat{\mu}_1^{(a)}(t, X_i) I(C_i \ge t)}{\hat{G}_a(t \mid X_i)}\]
    为什么 DR 成立：当 \(\hat{\mu}_1^{(a)}\) 正确时，augmentation term 的期望为 0（因为 \(E[I(Y \ge t)\Delta \mid X, A=a] = \mu_1^{(a)}(t, X) G_a(t \mid X)\)），此时 \(\hat{S}_{1, \text{DR}}^{(a)}(t)\) 退化为一致的 OR 估计；当 \(\hat{G}_a\) 正确时，IPW 部分一致，且 augmentation term 中的 \(-\hat{\mu}_1^{(a)}(t, X_i) I(C_i \ge t)/\hat{G}_a(t \mid X_i)\) 恰好抵消了 OR 部分的偏（通过条件期望的拆解），使得整体一致。

  3. 积分得 RMST 的 DR 估计：

    \[\hat{\xi}_{\text{DR}}^{(a)}(\tau) = \int_0^\tau \hat{S}_{1, \text{DR}}^{(a)}(t) dt\]
    由于积分是线性泛函，\(\hat{\xi}_{\text{DR}}^{(a)}(\tau)\) 继承了 \(\hat{S}_{1, \text{DR}}^{(a)}(t)\) 的 DR 性质。

核心数学困难在多状态推广（\(K \ge 2\)）时浮现：RMT-IF 涉及多个阶段特异生存函数 \(S_k^{(a)}(t)\) 的加权组合，每个 \(S_k^{(a)}(t)\) 需要各自的 outcome regression \(\mu_k^{(a)}(t, X)\)，且非终止事件 \(D_k\) 的观测受终止事件 \(D_K\) 删失的制约（半竞争风险结构），导致 augmentation term 的构造必须处理“在 \(D_K\) 之前发生 \(D_k\)”的联合观测指示，这是本文技术展开的起点。

三、这篇论文做了什么

三句话： ①研究了多状态生存过程下 RMT-IF 的 DR 估计与 CRT 扩展问题； ②核心工具是阶段特异 outcome regression 与组别特异删失模型结合的 AIPW 框架，以及 CRT 下处理 informative cluster size 的簇加权策略； ③主要结论是构造了独立数据与 CRT 下 RMT-IF 的 DR 估计量，证明了任一 nuisance 模型正确时的一致性，并提供了 model-agnostic jackknife 方差估计。

关键设定与假设： - 有序多状态过程：\(D_0 \le D_1 \le \cdots \le D_K\)，\(D_K\) 为吸收态（死亡），\(D_1, \ldots, D_{K-1}\) 为非终止事件（如复发）。 - RMT-IF estimand 定义（Mao 2021 的泛函形式）：

\[\xi^{(a)}(\tau) = \sum_{k=1}^K w_k \int_0^\tau S_k^{(a)}(t) dt\]
其中 \(w_k\) 为阶段权重（如 \(w_K=1\) 对应死亡，\(w_{k} < 1\) 对应非终止事件），\(S_k^{(a)}(t) = P(D_k > t \mid A=a)\)。 - 条件独立删失：\(C \perp (D_1, \ldots, D_K) \mid (A, X)\)（核心识别假设，不可检验）。 - 随机化假设：\(A \perp (D_1, \ldots, D_K, C) \mid X\)（观测数据下需假设，RCT 下成立）。 - Positivity 假设：\(P(A=a \mid X) > 0\) 且 \(P(C > \tau \mid A=a, X) > 0\)（保证逆概率加权有定义）。 - CRT 设定：簇 \(i\) 随机分配 \(A_i\)，簇内个体独立给定 \((A_i, X_{ij})\)，但允许 \((X_{ij}, D_{k,ij}, C_{ij})\) 跨个体相关；簇大小 \(m_i\) 可与潜在结果相关。 - 相比已有文献（Mao 2021 的 KM 插入），本文放宽了协变量独立删失假设（改为条件独立删失，允许协变量依赖删失），并新增了 CRT 设定下的 estimand 定义。

主要结果：

  1. 独立数据下 RMT-IF 的 DR 估计量（Theorem 1 类结果）：
  2. 陈述：构造 \(\hat{\xi}_{\text{DR}}^{(a)}(\tau) = \sum_{k=1}^K w_k \int_0^\tau \hat{S}_{k, \text{DR}}^{(a)}(t) dt\)，其中 \(\hat{S}_{k, \text{DR}}^{(a)}(t)\) 为阶段特异 DR 生存函数估计：
    \[\hat{S}_{k, \text{DR}}^{(a)}(t) = \hat{S}_{k, \text{OR}}^{(a)}(t) + \frac{1}{n_a} \sum_{i: A_i=a} \frac{I(Y_i \ge t, \tilde{D}_k > t) - \hat{\mu}_k^{(a)}(t, X_i) I(C_i \ge t)}{\hat{G}_a(t \mid X_i)}\]
    这里 \(I(Y_i \ge t, \tilde{D}_k > t)\) 是“个体在 \(t\) 时刻仍存活且未发生第 \(k\) 个事件”的观测指示（处理了半竞争风险下的观测结构）。
  3. 直觉：当 \(\hat{\mu}_k^{(a)}\) 正确时，augmentation 期望为 0，OR 部分一致；当 \(\hat{G}_a\) 正确时，IPW 部分对观测指示做无偏加权，augmentation 中的 \(-\hat{\mu}_k^{(a)} I(C \ge t)/\hat{G}_a\) 消除 OR 偏。
  4. 必要条件：条件独立删失 + positivity + nuisance 模型至少一个一致 + nuisance 估计率条件（如 \(n^{1/4}\)-一致以保证 DR 余项可忽略）。

  5. 解决的技术难点：半竞争风险下，非终止事件 \(D_k\) 的观测受 \(D_K\) 删失制约，观测指示 \(I(Y \ge t, \tilde{D}_k > t)\) 的期望拆解需引入 \(I(C \ge t)\) 的条件概率，构造 augmentation term 时必须保证在 \(\hat{G}_a\) 正确时抵消 OR 偏，这要求 augmentation 的分子在 \(\hat{G}_a\) 正确时条件期望恰为 \(\mu_k^{(a)}(t, X) G_a(t \mid X)\)。

  6. CRT 下 RMT-IF 的 estimand 定义与 DR 估计（Theorem 2 类结果）：

  7. 陈述：定义两个 estimand：
    • Cluster-average RMT-IF：\(\xi_C^{(a)}(\tau) = E[\xi_i^{(a)}(\tau)]\)，其中 \(\xi_i^{(a)}(\tau)\) 为簇 \(i\) 在处理 \(a\) 下的潜在 RMT-IF（对簇内个体平均）。
    • Individual-average RMT-IF：\(\xi_I^{(a)}(\tau) = E[m_i \xi_i^{(a)}(\tau)] / E[m_i]\)，按个体数加权。
    • 当 informative cluster size 存在时（\(m_i\) 与 \(\xi_i^{(a)}\) 相关），两者不同。
  8. DR 估计量构造：
    • Cluster-average：对簇级汇总 \(\hat{\xi}_{i, \text{DR}}^{(a)}(\tau)\) 做未加权平均 \(\frac{1}{M_a} \sum_{i: A_i=a} \hat{\xi}_{i, \text{DR}}^{(a)}(\tau)\)。
    • Individual-average：对簇级汇总做按簇大小加权平均 \(\frac{1}{\sum_{i: A_i=a} m_i} \sum_{i: A_i=a} m_i \hat{\xi}_{i, \text{DR}}^{(a)}(\tau)\)。
    • 簇内个体的 DR 估计沿用独立数据的 AIPW 结构，但 nuisance 模型（\(\hat{\mu}_k^{(a)}, \hat{G}_a\)）需在簇内相关性下估计（作者建议用簇级固定效应或混合模型）。
  9. 直觉：Cluster-average 估计每个簇的平均效应再跨簇平均，Individual-average 估计每个个体的效应再跨个体平均（大簇权重大）。

  10. 必要条件：簇随机化 + 条件独立删失（簇内） + positivity + nuisance 模型至少一个一致。

  11. Jackknife 方差估计（Theorem 3 类结果）：

  12. 陈述：在独立数据与 CRT 下，采用 delete-1（独立数据）或 delete-1-cluster（CRT）jackknife 估计 \(\hat{\xi}_{\text{DR}}^{(a)}(\tau)\) 的方差，无需指定 nuisance 模型的正确性。
  13. 直觉：Jackknife 通过系统性删除观测/簇并重估，捕捉估计量的变异性，对 DR 估计量的非光滑性（如机器学习 nuisance 估计）具有 model-agnostic 稳健性。

证明路线与技术技巧：

  • 整体路线：
  • 泛函拆解：将 RMT-IF estimand \(\xi^{(a)}(\tau)\) 拆解为阶段特异边际生存函数 \(S_k^{(a)}(t)\) 的加权积分泛函。
  • 识别：在条件独立删失下，证明 \(S_k^{(a)}(t)\) 可由 \(\mu_k^{(a)}(t, X)\) 与 \(G_a(t \mid X)\) 的组合识别（给出识别公式 \(S_k^{(a)}(t) = E[\mu_k^{(a)}(t, X) \mid A=a] = E[I(Y \ge t, \tilde{D}_k > t) / G_a(t \mid X) \mid A=a]\)）。
  • AIPW 构造：基于识别公式，构造阶段特异 DR 估计量 \(\hat{S}_{k, \text{DR}}^{(a)}(t)\)，验证其在 OR 或 IPW 模型正确时的无偏性（通过条件期望拆解）。
  • 积分与 DR 性质传递：证明 \(\hat{\xi}_{\text{DR}}^{(a)}(\tau) = \sum w_k \int \hat{S}_{k, \text{DR}}^{(a)}(t) dt\) 继承 DR 性质（积分不破坏一致性，但需控制积分余项的收敛率）。

  • CRT 扩展：将个体级 DR 估计量嵌入簇级汇总，构造 Cluster/Individual-average 估计量，证明在簇随机化下的 DR 性质（簇内相关性不影响簇级汇总的 DR 性质，因随机化在簇级）。

  • 关键跳跃点：

  • 半竞争风险下的观测指示拆解：非终止事件 \(D_k\) 的观测指示 \(I(Y \ge t, \tilde{D}_k > t)\) 的期望拆解需引入 \(I(C \ge t)\)，因为 \(I(Y \ge t, \tilde{D}_k > t) = I(D_k > t, C \ge t) + I(D_k \le t \le D_K, C \ge t)\)（后者在 \(D_k\) 已发生但未死亡时仍算“未发生第 \(k\) 个事件”的延续，这是多状态 RMT-IF 定义的特殊之处）。作者通过引入 \(I(C \ge t)\) 的条件概率 \(G_a(t \mid X)\)，将观测指示的期望拆解为 \(\mu_k^{(a)}(t, X) G_a(t \mid X) + \text{余项}\)，余项在 \(\hat{G}_a\) 正确时可被 augmentation 消除。

  • CRT 下 Individual-average 估计量的 DR 性质：Individual-average 估计量涉及簇大小 \(m_i\) 的加权，当 \(m_i\) 与潜在结果相关时，简单加权可能导致偏。作者通过在簇级汇总中保留 \(m_i\) 加权，并证明在簇随机化下 \(A_i \perp m_i\)（因随机化在簇级，不依赖簇大小），保证了加权的无偏性。

  • 技术技巧点名：

  • AIPW (Augmented Inverse-Probability Weighting)：用于构造 DR 估计量，结合 outcome regression 与 censoring model 的逆概率加权，起核心 DR 作用。
  • Functional decomposition (泛函拆解)：将 RMT-IF 拆解为阶段特异生存函数的积分，使 DR 构造可逐阶段进行，起简化结构作用。
  • Jackknife variance estimation：用于推断，起 model-agnostic 方差估计作用，避免 nuisance 模型误指导致的方差偏。
  • Cluster-level summarization (簇级汇总)：用于 CRT 扩展，将个体级估计量汇总为簇级再跨簇平均，起处理簇内相关性作用。

真实例子与应用： - SPRINT 试验：个体随机化试验，比较强化降压（<120 mmHg）与标准降压（<140 mmHg）对复合心血管终点的影响。本文用 RMT-IF 估计强化降压在 \(\tau=3.26\) 年内的净有利时间，DR 估计量结合了 Cox 删失模型与随机生存森林 outcome regression，结果显示强化降压平均多提供约 0.05 年的有利时间（主要来自死亡推迟，复发事件贡献小）。 - STRIDE 试验：簇随机化试验（86 个初级护理实践），比较多因素跌倒干预与增强常规护理对严重跌倒损伤的影响。本文用 CRT 下 Individual-average RMT-IF 估计量，处理了 informative cluster size（实践大小与跌倒率相关），结果显示干预在 \(\tau=2.2\) 年内平均多提供约 0.02 年的无严重跌倒时间。

🔎 结论是否比证明窄： - DR 性质的严格证明条件：文中 DR 性质（Theorem 1/2）的严格证明要求 nuisance 估计满足 \(n^{1/4}\)-一致率条件（或类似收敛率），但 abstract/intro 中泛泛 claim“yielding consistency when either nuisance model is correctly specified”，未强调率条件。研究者应去核验 Theorem 1 的精确陈述，确认率条件是否被显式列出。 - Jackknife 方差的一致性：文中 claim model-agnostic jackknife 方差估计，但严格证明通常要求估计量是渐近线性的，DR 估计量在 nuisance 估计使用机器学习时可能不满足光滑性条件。研究者应核验 Theorem 3 是否显式假设了渐近线性或交叉拟合以规避此问题。

四、开放问题（点到为止，扎根具体语句）

  1. RMT-IF 的 semiparametric efficiency bound：本文构造了 DR 估计量，但未讨论该泛函在独立数据下的有效影响函数与效率界。要证/估什么：计算 \(\xi^{(a)}(\tau)\) 在非参数模型下的有效影响函数，验证本文 DR 估计量是否达到界。扎根点：intro 未引用任何效率界文献，且 Theorem 1 仅证一致性未证渐近正态的最优方差。

  2. Cross-fitting 对有限样本与推断的改善：本文 nuisance 估计未显式采用 cross-fitting（样本拆分），Westling et al. (2021) 已证明 cross-fitting对机器学习 nuisance 下的 DR 生存曲线推断至关重要。要估什么：在 RMT-IF 的 AIPW 框架下引入 cross-fitting，评估对有限样本偏与 jackknife 方差稳健性的改善。扎根点：第 4 节方法部分仅说“can naturally incorporate flexible machine-learning estimators”，未提 cross-fitting。

  3. 条件独立删失假设的敏感性分析：本文核心识别依赖 \(C \perp (D_1, \ldots, D_K) \mid (A, X)\)，该假设不可检验。要估什么：构造删失依赖偏离下的 RMT-IF 界或偏的敏感性分析框架。扎根点：intro 明确列出“assume covariate-independent censoring”作为现有方法的限制，但本文仍沿用该假设，未提供放松或敏感性分析。

  4. CRT 下 Cluster-average 与 Individual-average 的因果解释：本文定义了两个 estimand，但未在潜在结果框架下显式给出其因果语义（如是否对应特定主分层的效应）。要证什么：在潜在结果框架下形式化 \(\xi_C^{(a)}\) 与 \(\xi_I^{(a)}\) 的因果解释，特别是当 informative cluster size 存在时。扎根点：第 5 节 CRT 扩展仅给出期望定义，未引用主分层或因果框架文献（如 Comment et al. 2019）。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论