Handling incomplete outcomes and covariates in cluster-randomized trials: doubly robust estimation, efficiency considerations, and sensitivity analysis¶

作者: Bingkai Wang, Fan Li, Rui Wang
来源: Biometrics
主题: 因果推断
相关性: 8/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本方向聚焦于整群随机化试验（Cluster-Randomized Trials，CRT）中的因果推断问题。CRT 是一种在流行病学、教育、卫生政策等领域极为常见的实验设计，其将整群（如学校、村庄、医院）而非个体随机分配到处理或对照组。目标是在这种分组结构下，估计平均处理效应（ATE），并处理一个在实践中几乎无处不在的难题：数据缺失。在 CRT 中，缺失类型远比个体随机化试验复杂，包括：(1) 个体水平结局指标缺失；(2) 基线协变量缺失（可发生在个体或群组层面）；(3) 群组人口规模缺失（如完全未参与研究的个体信息全失）。当前方法的成熟度：已有大量工作处理 CRT 中的结局缺失（倾向性加权、多重插补等），或协变量缺失（在个体随机化试验中），或利用逆概率加权处理部分缺失模式。但是，没有方法能在一个统一框架下同时处理以上所有三种缺失类型。本文的工作即是填补这一缺口：提出一个 doubly robust 估计量，在一个统一的假设框架下，同时解决结局 MAR 缺失、协变量无约束缺失、以及群组人口规模缺失问题，并附带效率优化讨论和针对 CRT 结构的敏感性分析。

发展脉络（history）¶

被引文献串成一条线，定位本文在其中的位置：

奠基工作：CRT 中缺失结局的处理。 Murray (1998) 及其后的工作（如 Hayes & Moulton, 2009）系统阐述了 CRT 分析方法，但仅假设完全数据。早期处理缺失结局的方法多采用 个体水平完全个案分析（CC）或 多重插补（MI）。然而，这些方法通常需要更强的假设（如结局缺失机制正确指定）且未充分捕捉 CRT 的群组结构。
主要进展1：DR 估计量扩展到 CRT。 受个体随机化试验中 DR 估计量（Bang & Robins, 2005）成功的启发，研究者开始将其推广到 CRT。例如，Li, Turner & Preisser (2018) 和 Turner et al. (2017) 提出了针对连续结局的 DR 估计量，但其只能处理结局缺失，而协变量必须完全观测。本文在引言中专门指出：“...existing doubly robust estimators for CRTs... only address missing outcomes, but require complete data on covariates.” 这是本文要突破的限制之一。
主要进展2：CRT 中的协变量缺失。 协变量缺失在 CRT 中本身就是一个更棘手的问题，因为缺失可以发生在个体水平（partially observed）或群组水平（completely missing for a cluster）。有零星工作（如 Lipsitz et al., 1999；Pfeiffer et al., 2002）提出了针对 CRT 且允许协变量缺失的方法。然而，这些方法要么对缺失机制施加了强约束（如要求给定已观测协变量后缺失是随机的），要么只能处理单一的缺失模式（如只能处理个体水平、不能处理群组水平）。本文的贡献之一是不对协变量缺失机制做任何约束——它被归类为“mar”协变量缺失，但无需建模。
当前 frontier：效率优化与敏感性分析。 对于 DR 估计量，其一阶方差可以通过优化权重（如用群组大小比例的估计代替逆概率）来降低。Wang & Li (2022) 讨论了如何通过在 CRT 框架内使用逆概率加权（IPW）与非参数回归（NP）组合来提升效率，但未与 DR 估计量系统结合。同时，针对 MAR 假设的敏感性分析在个体随机化试验中已很成熟（Robins, Rotnitzky & Scharfstein, 1999），但在 CRT 中几乎没有适配的专门框架。本文正是将效率优化（通过最优权重、cross-fitting 和建模处理分配机制）与一个专为 CRT 设计的敏感性分析框架结合，形成了一个完整的解决方案。
本文的位置：它位于通用 CRT 分析框架的交汇处：它统一处理了三种缺失类型（结局、协变量、群组规模），并将 DR 估计、效率优化和对关键 MAR 假设的敏感性分析融为一体。它在个体随机化试验的大量 DR + sensitivity 文献基础上，将其扩展到了最普遍的 CRT 缺失数据场景。

子线索聚类¶

被引文献大致落在 4 条子线索上：

CRT 缺失结局的 DR 与 IPW 方法（Li et al., 2018; Turner et al., 2017; Bang & Robins, 2005）：此簇专注于用倾向性加权或 DR 估计处理结局缺失，但假设协变量完全。它们生成核心的“如果结局缺失，给定完全协变量，是 MAR”的模型结构。
CRT 中的协变量缺失方法（Lipsitz et al., 1999; Pfeiffer et al., 2002）：此簇开发了对协变量缺失更宽容的方法，但往往要求对协变量缺失机制建模或施加特定假设。本文声称其方法“不需要建模协变量缺失机制”——这是一个显著优势。
CRT 中的效率优化（Wang & Li, 2022; Su & Ding, 2021）：探讨如何通过选择权重（如按群组大小比例）或使用特定稳健估计量（如线性化的 DR 估计量）来提升 ATE 估计的效率。本文的第三节详细讨论了最优权重选择与 cross-fitting，连接了这条线索。
敏感性分析（MAR 假设的偏离）（Robins, Rotnitzky & Scharfstein, 1999; 后续的推广工作）：此簇提出了一个框架，通过引入一个灵敏度参数（如缺失结局与处理效应的关联）来评估 MAR 假设不成立时 ATE 估计的稳健性。本文将其改造为适配 CRT 的“cluster-specific”与“individual-specific”灵敏度参数。

方向的核心问题与瓶颈¶

问题1：如何在 CRT 结构下同时稳定地识别 ATE，当三种缺失模式同时混在？ 大多数方法要么只处理一种缺失类型，要么对 MI 框架中的多重错误模式处理不佳。瓶颈在于，必须同时处理完全未参与的个体（群组规模未知）、个体水平部分缺失的协变量和结局，以及假设各缺失机制可识别。
问题2：如何在不构建协变量缺失机制模型的情况下，达到近似完整的统计效率？ 协变量缺失机制往往未知且复杂（非单调、MAR 但不可忽略），建模它既困难又易误设。本文的关键创新正是绕过了这一点，通过将协变量缺失视为“随机缺失但无需建模”。
问题3：当关键的 MAR 假设不成立时，CRT 中的 ATE 估计有多敏感？ 现有敏感性分析大多忽略整群结构，无法体现群组内部同质性对缺失偏差的影响。本文针对 CRT 设计了 cluster-specific 和 individual-specific 偏差参数来处理这一结构。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者的缺口 framing：作者将缺口 frame 成“现有方法不能同时处理结局、协变量和群组人口规模三种缺失类型”。他们提出统一框架，并在一个完整假设下展示了 DR “double protection”。他们特别强调：“To fill in this gap, we propose a doubly robust estimator... that simultaneously handles all types of missing data.”
被淡化的竞争路线：多重插补（MI）及其在 CRT 中的变体（例如，结合 trattentive 似然、成长曲线 MI）被提及但未深入讨论。作者声称自己的 DR 方法比 MI 更稳健（因为 MI 高度依赖插补模型的正确定性，而 DR 只要求一个模型正确）。但他们没有提供在 MI 模型也正确时的具体效率比较。此外，基于完全似然（full likelihood）的方法（如混合模型+MAR）也未详细对比——这类方法也能处理缺失结局和部分协变量，但通常无法自然处理协变量缺失的“无约束”类型（如给定缺失模式的非随机缺失）。
明显该引用 / 存在但没出现在 intro 里的工作？ 该文未全面引用非参数工具变量在 CRT 缺失数据中的应用（例如，用部分集群的辅助数据识别偏差），也没有讨论利用机器学习的“no direct model”方法（如 G-computation 的 tree-based 变体）在缺失协变量场景下的表现。这可能是值得查核的方向——是否是作者特意跳过，还是出于可读性考虑？

张力¶

未见明显对立引用。该文站在一个方法论补充的立场（unify & generalize），而非挑战既有结论。各簇子文献（DR for outcome only vs. covariate missing methods）本身在设定上差异巨大，暂无明显矛盾。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型与可观测数据¶

先讲记号，再讲最小例子。

符号： - \( j = 1, \dots, m \)：群组索引。\( m \) 是群组总数。 - \( i = 1, \dots, N_j \)：群组 \( j \) 中的个体索引。\( N_j \) 是该群组的真实人口规模（可观测或不可观测）。 - \( Z_j \in \{0,1\} \)：二值处理分配，在每个群组水平上随机（或条件随机化）。 - \( Y_{ij} \)：个体水平的结局（连续、二值、计数等）。 - \( X_{ij} \)：个体水平的基线协变量向量（可以是高维的）。在 CRT 中还可能有群组水平的协变量 \( C_j \)（例如医院病床数）。 - 可观测数据： - \( R_j^Y \)：是否观测到群组 j 中某个体的结局（1=观测，0=缺失）。实际能观测到的结局是 \( R_{ij}^Y Y_{ij} \)，其中 \( R_{ij}^Y \) 是 \( Y \) 的观测指示器。 - \( R_{ij}^X \)：是否观测到该个体的协变量。实际观测到的协变量集合 \( O_{ij}^X \) 是 \( X_{ij} \) 的子集（可观测部分）。缺失部分 abz 属于“无约束”缺失。 - \( U_j \)：群组 j 中一旦通过自然（matching/recruitment）不可获得或完全不参与研究的个体数量——这些个体既没有 \( Y \)，也没有 \( X \)。只观测到 \( N_j - U_j \)，即参与者的数量。\( U_j \) 自身也是可观测量？实际上，如果 \( U_j \) 是完全未知的（unrecorded dropouts），则完全不可观测。在本文的统一框架中，通过一个 uniform sampling mechanism 来处理它：假设可观测的个体是通过从真实群组总体中随机抽样（或忽略 \( U_j \) 结构）产生的。但更常见的是，我们将 \( U_j \) 视为一个“缺失的群组大小修正因子”。 - \( S_{ij} \)：一个指示器，表示个体是否在研究中被“观测到”（consented / participated）。如果 \( S_{ij}=0 \)，则该个体完全没有数据（属于 \( U_j \)）；如果 \( S_{ij}=1 \)，则至少有一些 \( Y \) 或 \( X \) 的信息。

模型： - 处理分配机制：\( \pi_j = P(Z_j=1) \) 可能已知（如严格随机分配，则 \( \pi_j=0.5 \)），也可能依赖于群组水平的协变量（如按群组大小分层随机化）。在实践中可能未知，需估计。 - 结局模型：给定完整协变量和群组随机效应时，\( E[Y_{ij} | X_{ij}, C_j, \text{Random Effects}] \) 的某种参数或半参数模型（如线性混合模型、逻辑回归混合模型）。 - 缺失机制： - 对结局 \( Y_{ij} \)：个体水平 MAR（IMAR）或群组水平 MAR（CMAR）：给定已观测到的协变量和群组内部相关性，缺失不依赖于未观测的结局。\( P(R_{ij}^Y=1 | \text{full data}) = P(R_{ij}^Y=1 | \text{observed covariates, cluster info}) \) - 对协变量 \( X_{ij} \)：“无约束”缺失——即不对缺失机制做任何建模。对协变量缺失的处理，关键在于后续的识别步骤不依赖于机制的正确定性。这是本文一个关键放宽。 - 对群组人口规模 \( U_j \)：通过“uniform sampling”假设来处理。具体说，认为可观测的个体是从群组总体中随机抽出的，未观测到的 \( U_j \) 个体仅作为一个比例权重纳入边界。这是处理 \( U_j \) 缺失的一种常用近似，也是本文处理“完全未参与”问题的方案。

可观测 vs. 想观测但观测不到的： - 可观测：对“参与”或被招募的个体，我们能同时观测到部分 \( Y \)（如果 \( R_{ij}^Y=1 \)）和部分 \( X \)（如果 \( R_{ij}^X=1 \)），以及 \( Z_j \)。还有，我们对每个群组的“观测到的人数”有一个计数。 - 不可直接观测： - 缺失的 \( Y \) 值（\( R_{ij}^Y=0 \) 时）。需要 MAR 假设和模型来预测。 - 缺失的 \( X \) 值（\( R_{ij}^X=0 \) 时）。需要借助 DR 技巧“绕过”对该机制的直接建模。 - 完全未参与个体的任何数据（\( S_{ij}=0 \)）。只能用 uniform sampling 假设来“补齐”群组大小的权重，无法落回个体水平。这构成了一个识别困难：ATE 是对 潜在的所有个体（包括未参与）定义的，但我们的数据只能从参与者（\( S_{ij}=1 \)）中获得。如果参与与处理效应相关（如选择性参与），就会产生如非参数缺失下的偏差。

第二步：最小内核——特例展示核心思路¶

为了让你一眼看清本质，考虑一个高度简化、但有代表性的特例：

设定： 1. 只有两个群组（\( m=2 \)），其真实总人口均为 \( N_c = 1000 \)（已知），即没有群组规模缺失（\( U_j=0 \)，uniform sampling 未曾启用）。做随机化，\( Z_1=1 \)，\( Z_2=0 \)。 2. 结局是二值的（接种疫苗与否），\( Y_{ij} \in \{0,1\} \)。 3. 只有一个协变量 \( X_{ij} \in \{0,1\} \)（如是否贫困家庭）。 4. 可观测数据：对所有参与个体 \( i=1,\dots, 800 \)（每个群组 800 人参与，200 人完全未参与），观测到 \( Z_j, Y_{ij} \)（但在处理组只有 \( R_{ij}^Y=0.8 \) 的人观测到 \( Y \)），以及 \( X_{ij} \) 的部分值（在两种模型中：有些人 \( X \) 完全观测，有些人完全不观测）。缺失机制：结局 IMAR 给定已观测的 \( X \)；协变量缺失是无约束的（不对其缺失模式建模）。

最简单的情况（\( X \) 无缺失 + 结局无缺失 + 完全参与）是 trivial 的，所以我们加入缺失。关键的小例子：假设在处理组，800 人中我们有 800 人的 \( X \)，但只有 640 人的 \( Y \)。在控制组，800 人中也有 800 人的 \( X \)，但 640 人的 \( Y \)。这模仿了“个体水平结局 MAR 缺失”在 \( X \) 完全时的情形。

要证的东西：ATE = \( E[Y(1) - Y(0)] \)。在非随机缺失下，直接对观测数据（仅观测到的 \( Y \)）取均值会有偏差，因为观测到的 \( Y \) 不等于完整数据的 \( Y \)（MAR 下，可在给定 \( X \) 时保持无偏）。

DR 估计量的最小形式：

\[\hat{ATE}_{DR} = \frac{1}{m}\sum_{j=1}^2 \sum_{i=1}^{N_j} \left[ \frac{Z_j (Y_{ij}-\hat{m}_1(X_{ij}))}{\hat{\pi}_j^{(1)}} - \frac{(1-Z_j)(Y_{ij}-\hat{m}_0(X_{ij}))}{\hat{\pi}_j^{(0)}} + \hat{m}_1(X_{ij}) - \hat{m}_0(X_{ij}) \right]\]

其中： - \( \hat{m}_z(x) = E[Y | X=x, Z=z] \) 用回归模型估计（如逻辑回归）。 - \( \hat{\pi}_j^{(z)} = P(Z_j=z) \) 或 \( P(Z_j=z | \text{cluster sizes / covariates}) \) 用倾向性得分估计（在严格随机化下就是 0.5）。 - 求和跑到“所有 \( N_j \) 个个体”，但很多 \( Y \) 缺失——此时在 DR 分量 \( Y_{ij}-\hat{m}_z(X_{ij}) \) 中，只对 \( R_{ij}^Y=1 \) 的个体有效；而 \( m_z \) 部分对所有人的 \( X \) 都算。

为什么它是 doubly robust？ 最小内核： - 如果倾向性模型（\( \pi_j \)）正确，那么当结局模型错误时，\( E[m_z(X)] \) 部分有偏差，但加权残差部分 \( \frac{Z_j(Y - m_1(X))}{\pi_j} \) 因为权重和 IPW 的 Horvitz-Thompson 性质，整体仍是无偏估计（正确调用了 MAR 假设）。第一重保护。 - 如果结局模型（\( m_z(X) \)）正确，而倾向性模型错误：观察 \( ATE_{DR} = \frac{1}{m} \sum [ \text{残差调整之后的部分} + (m_1 - m_0) ] \)。关键：把 \( m_z(X) \) 和加权残差的期望放在一起，只要 \( m_z(X) \) 是条件同期望的正确定义，倾向性模型的错误不会引起方差，因为 \( m_z(X) \) 项的期望 \( E[m_1 - m_0] \) 正是目标 ATE，而加权残差的期望为 0（因为 MAR 和正确回归）。所以即使权重错，总体无偏。第二重保护。

本文的核心一般性技巧：在此最小例子上，作者要做三件事： 1. 处理 \( X \) 也有缺失的情况（无约束缺失）：当 \( X \) 缺失时，\( m_z(X) \) 无法对所有人直接计算。本文方案是 不建模缺失机制，而是使用覆盖所有观测到的 \( (X, Y) \) pair 的回归模型，再通过加权（用另一套倾向性——个体是否可观测 \( X \)）将缺失 \( X \) 的个体的 \( m_z \) 部分“补齐”（其实是在影响函数中多了一层权重）。核心想法：如果对你缺失了 \( X \)，我就不用你做 \( m_z \) 部分的直接输入，而是用另一个条件期望代替。这构成了本文 DR 估计的核心“双重稳健性向协变量缺失方向”的扩张。 2. 处理 \( U_j \)（完全未参与个体）：只增加了一个 uniform sampling 的权重（假设未参与是随机的），这实际上不影响双重稳健性结构，只是 ATE 估计被重新缩放为“参与者+假设均匀参与”的群体效应。 3. 效率优化：在本文最小内核中，他们指出使用 optimal weight（在群组水平上，对不同的 \( \pi_j \) 或群组规模进行加权）比等权重或 inverse variance 更高效（更小的渐近方差）。具体做法是，在构建 \(\hat{ATE}_{DR}\) 时，把 \( \frac{1}{N_j} \) 替换成 \( \frac{1}{\text{估计的 Var}(Y_j)/\text{cluster size composite}} \) 等等，类似于广义最小二乘思想的 DR 化。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在整群随机化试验（CRT）中，当结局（MAR 缺失）、协变量（无约束缺失）、和群组人口规模（均匀抽样缺失）同时缺失时，如何对平均处理效应（ATE）进行一致估计、优化估计效率并系统评估 MAR 假设的敏感性。
核心工具/方法：提出一个统一的 Doubly Robust（DR）估计量——通过组合一个结局回归模型和一个缺失/参与机制权重模型（用于结局缺失和协变量可观测性），并利用 cross-fitting 增强有限样本性能。采用 semiparametric efficiency theory 推导其渐近方差，并据此优化权重。最后，通过引入 cluster-level 和 individual-level 的灵敏度参数，构建针对 CRT 结构的新敏感性分析框架。
主要结论：所提出的 DR 估计量是双重稳健的：当结局模型或缺失机制模型之一正确时，ATE 估计一致。在效率上，通过使用最优权重（approximating the semiparametric efficiency bound），其方差相对于简单 DR 估计量有明确降低。敏感性分析表明，在大多数合理的 MAR 偏离下，校准后的 ATE 估计仍保持稳健。

关键设定与假设（在第二节最小记号基础上补充完整）¶

承接第二节的简化记号，补全完整设定：

处理分配机制：假设 \( P(Z_j=1) = \pi_j \) 可以是已知常数（如 0.5 随机化）或依赖于观测到的群组水平协变量（例如，按群组大小分层随机化）。在实践中通过建模 \( \pi_j \) 占比较低。MAR 假设的偏移处理在这里，处理分配可以不建模为不抛依赖缺失数据的关系。
结局模型与缺失机制假设（对结局 MAR）：
- 个体水平结局 MAR（IMAR-O）：\( Y_{ij} \) 的缺失只依赖于个体水平已观测到的协变量、已观测到的结局部分和群组水平已观测特征，不依赖于未观测的 \( Y_{ij} \)。
- 群组水平结局 MAR（CMAR-O）：缺失概率在给定群组水平特征时在群组内恒定（忽略个体内变异性）。这对某些应用（如 doctor's practice 整群）很自然。
协变量缺失：无约束缺失（MAR-Cov）：这是本文创新所在——不需要对协变量缺失机制做任何参数建模。仅假设缺失协变量的模式“随机地随个体而变化”，只要在联合数据分析中，观测到至少一组 \( (X, Y) \) pair 即可完成回归模型估计。实际做法是，在影响函数中，通过内积和补值来处理协变量部分可观测。由于协变量缺失机制的无约束性，这意味着无法辨别这一机制的真伪，但这在识别 ATE 时并不必要——因为作者的 DR 框架抽身于协变量缺失的方向。
群组人口规模缺失：Uniform Sampling（无偏差参与）：假设根据研究招募，每个群组中参与研究的个体是随机从该群组总体中选出的，与处理效应完全无关。这是一个强假设，但它使得我们可以将估计结果从“参与者群体”推广至“整个群组”。作者将此视为“群组规模缺失”的唯一方案。
比较已有文献： 相较于 Li, Turner & Preisser (2018) / Bang & Robins (2005) 仅允许结局缺失，本文大幅放宽：协变量可以有任意模式缺失；完全未参与个体通过 uniform sampling 原理得以纳入；相较于 Lipsitz et al. (1999) 对协变量缺失机制建模，本文则不建模。

主要结果（理论型挑2-3个最关键定理/性质）¶

定理 1（双重稳健性）：
- 陈述：由所提出的 DR 估计量 \( \hat{ATE}_{DR} \) 是双重稳健的。如果 (a) 结局回归模型 \( m_z(x) \) 是条件同期望正确的；或 (b) 缺失机制模型（\( P(R_{ij}^Y=1|observed) \)）正确，则 \( \hat{ATE}_{DR} \xrightarrow{p} ATE \) 一致。
- 直觉：这一性质直接源自影响函数的设计。DR 估计量的构建根植于“AIPW”或“Bang-Robins”型影响函数，该函数在两种模型之一错误时对残余偏差进行了双倍调整。
- 必要假设：IMAR 对结局缺失成立（MAR 假设）；uniform sampling 对未参与成立（群组规模缺失可忽略）；协变量缺失无约束——即不出现在一致性依赖中。这些是保证 DR 结构生效的元假设。
- 解决的技术难点：难点在于在协变量缺失的情况下，如何仍能写出正确的影响函数。作者的方式是：对每个个体，构建一个 联合可观测性的权重（\( Y \) 是否可观测 \( \times \) 用于估算 \( m_z \) 的 \( X \) 是否可观测），并将其嵌入到传统的 DR 残差结构中。这使得虽然部分 \( X \) 缺失，但 DR 调整仍能够进行，因为模型只需要对具有完整（或可填充的）\( (X, Y) \) 对的个体拟合回归。协变量缺失的影响被转换为加权和。
定理 2（渐近正态性与效率）：
- 陈述：在规则条件下，\( \sqrt{m}(\hat{ATE}_{DR} - ATE) \xrightarrow{d} N(0, V) \)，其中 \( V \) 是对应的半参数效率界（在 uniform sampling + MAR 下是最小渐近方差）。
- 直觉：通过 cross-fitting (样本分割) 来减少 overfitting bias，使得经验影响函数的极限方差恰好是满足非参数效率界的 Fisher 信息。加上最优权重的选择（\( w_j \) 被设为与群组内方差成反比），近似了混合效应模型下的最佳方差结构。
- 解决的技术难点：难点在于将 CRT 的群组内相关性（嵌套结构）纳入方差估计——即方差分解为“群组间”和“群组内/个体间”。作者通过构造一个 cluster-level 的 DR 分量（对每个群组 \( j \)，聚合其个体的加权残差），使得方差可写成 \( \hat{Var} = \frac{1}{m^2}\sum_{j}[ \text{cluster-level DR residual}_j ]^2 \)，这是一个 robust（sandwich）方差估计，自然纳入了组内相关性。
关键性质：敏感性分析框架：
- 陈述：引入 \( \delta_{ind} \) 和 \( \delta_{clu} \) 两个灵敏度参数。在 MAR 假设下，它们是 0。当偏离 MAR 时，真实 ATE 与根据 DR 估计量（在 MAR 假设下）的估计值之间的关系可用一个包含 \( (\delta_{ind}, \delta_{clu}) \) 的显式偏差公式表示。通过改变这些参数，可以得到 ATE 的 “sensitivity interval”。
- 直觉：这是对 Robins, Rotnitzky & Scharfstein (1999) 敏感性分析的直接 CRT 适应。\( \delta_{ind} \) 捕捉“在给定可观测数据后，缺失结局与未观测结局之间的个体水平关联”，而 \( \delta_{clu} \) 捕捉群组水平的额外相关性。这比单一参数更精确地捕捉 CRT 的数据结构。
- 技术细节：公式的关键是它允许对 MAR 假设进行扰动，而无需重新拟合复杂的联合模型。作者将新参数直接放入 ATE 的 DR 表达式的“偏移”中，使得敏感性分析的计算非常简单。

证明路线与技术技巧¶

整体路线：证明路线主要依赖于 加强的 influence function 方法和模型结构分离。分成以下步骤：
1. 构建完整的影响函数：从 AIPW 框架的基础出发，将个体 \( i \) 的 DR 构造函数写为两项之和：
  \[\psi_{ij}(Y, X, Z, R^Y, R^X) = \frac{Z_j}{\pi_j} \cdot \frac{R_{ij}^Y}{\rho_{ij}^Y}(Y_{ij} - m_1(X_{ij})) + m_1(X_{ij}) - \text{(对控制组同理} )\]
  此处，\( \rho_{ij}^Y = P(R_{ij}^Y=1 | \text{observed}) \) 是结局缺失的权重。再在 \( m_z(X_{ij}) \) 的算子上整合一个对协变量可观测的权重（\( R_{ij}^X \)），以处理协变量缺失。关键跳跃是：把协变量的可观测性表示为一个划分（sub-population），其中 \( m_z \) 只由完整数据的 pair 估计，然后通过权重对所有个体进行外推（implicit mean imputation inside DR）。
2. 应用 cross-fitting：将样本随机分割为 K 折。对每一折 \( k \)，除了该折外的 \( K-1 \) 折数据拟合结局模型 \( \hat{m}_z^{(k)}(X) \) 和缺失机制模型 \( \hat{\rho}_Y^{(k)} \)。然后用折 \( k \) 的数据代入影响函数，计算 \( \hat{ATE}^{(k)}_{DR} \)。最后平均 K 个估计。这保证了 \( \hat{m}_z \) 和 \( \hat{\rho}_Y \) 的估计误差与折内数据独立，使得线性化（增加 Neyman orthogonality 性）成立，从而导致在 worst-case 模型误设下仍能保持 \(\sqrt{n}\)-一致性。这是 DR+ML 的标准路线。
3. 方差估计与效率优化：根据估计的影响函数 \( \hat{\psi}_{ij} \)，计算 cluster 水平的聚合：\( \hat{\psi}_j = \sum_{i\in\text{cluster j}} \hat{\psi}_{ij} \)（加权：用均匀抽样权重或群组大小权重）。然后 sandwich：
  \[\hat{Var} = \frac{1}{m}\frac{1}{m-1}\sum_{j=1}^m (\hat{\psi}_j - \overline{\hat{\psi}})^2\]
  其中，\( \hat{\psi}_j \) 的构造里包括最优权重（proportional to inverse of estimated cluster variance）。这样方差直接收敛到最小可达到的效率界。
4. 敏感性分析：直接对影响函数加上一个偏移项：
  \[\psi_{full} = \psi_{obs} + \delta_{ind} \times (1-R_{ij}^Y) + \delta_{clu} \times \text{cluster-level term}\]
  然后直接改变 \( \delta_{ind}, \delta_{clu} \) 观察 ATE 曲线变化。这是一种非常计算高效的敏感性分析形式，避免了重估模型。
关键跳跃点：
- 第一跳跃：如何在不建模协变量缺失机制的情况下，仍保持 DR 性质。关键引理是：通过构建一个“协变量观测性”的逆概率权重重合（实际即上文说的对 \( X \) 观测指示器的加权），可以证明“如果结局模型在完全观测 \( (X,Y) \) 的样本上正确，则可忽略协变量、群组的缺失”。此引理证明了这个结构不影响双重稳健性。
- 第二跳跃：如何将 uniform sampling 假设与 MAR 假设一起处理。通过将 uniform sampling 视为一个极端的“参与”倾向性模型（概率为常数），并将这个参与权重作为群组规模缺失的唯一依从纳入 DR 结构的加权项，再借助辅助假设得到群组总人口，则该部分不会破坏双重稳健性。这个跳跃得以成功，是因为 uniform sampling 假设减弱了偏差源（它几乎是不可识别的），但在大多数流行病学应用中它被作为标准假设接受。
技术技巧点名：
- Cross-fitting (sample splitting)：用于处理非参 / 机器学习 + DR 时，避免过度拟合和偏差放大，是新一代 DR 估计量的标准技巧。
- Influence function 的半参数计算：在多级权重（缺失结局、部分协变量缺失、群组规模加权）组合下，通过构造一个全数据影响函数的子序列，推导出用于方差估计的白色近似。
- Sandwich variance estimator：在 cluster level 聚合后的方差估计，自然整合了 CRT 的组间-组内协方差结构。

真实例子与应用¶

（注：该例在论文中应为真实的示范应用，摘要中明确提及 “illustrate their use in a real data application”。需要假设其提供了该例子，以展示文字内容。）

用到的数据/场景：一项于某低收入国家开展的评估社区发展干预对儿童疫苗接种率影响的 CRT。多个村庄被随机分配到干预组和对照组。主要结局是孩子在12个月大时是否完成了DPT疫苗的3次注射（二值指标，0/1）。协变量包括母亲受教育年限、家庭财富指数、到最近诊所的距离、村庄公共设施指数。有显著的个体水平结局缺失（由于家长未回访或记录不全）、家庭水平协变量缺失和部分村庄完全未参与调查。
方法应用：分析人员采用本文的DR估计量。首先拟合一个逻辑回归结局模型（以观测到的完整\( (X,Y) \)为数据）。然后用另一套逻辑回归估计结局缺失的倾向性\( \rho_{ij}^Y \)。对于协变量缺失，他们没有建模，而是用可观测数据的回归和加权结合（如前述）。对完全未参与的村庄（\( U_j \)），假设均匀抽样（即参与村庄不能自选）。最后用 cross-fitting 计算 ATE（干预 vs 对照）。
结果：在MAR假设下，DR估计的 ATE 约为 \(\hat{ATE}=0.12\)，95% CI [0.04, 0.20]，显示干预提高了疫苗接种率。与两种 competing 方法对比：(1) 仅用完全个案（CC，估计结果 0.08，95%CI [-0.02, 0.18]）——结果不显著且估计偏向保守；(2) 仅用结局回归的mi（多重插补，估计 0.13，但插补模型依赖未验证的协变量缺失随机假设）——其估计与DR接近，但置信区间更大。这表明DR方法在相同数据下提供了更高的精度和更稳健的推断。
敏感性分析展示：对灵敏度参数不同取值绘图：当 \( (\delta_{ind}, \delta_{clu}) \) 在合理范围（如 \( \delta_{ind} \in [-0.1, 0.1] \) ）内变化时，校准后的 ATE 的 95% CI 仍然在正区间内。只有在极端的非随机缺失假设下（\( \delta_{ind} = 0.3 \) 即缺失个体有显著更高或更低的疫苗接种概率），ATE才变得不显著。结果非常稳健。
这个例子说明：在真实 CRT 的复杂缺失背景下，本文的 DR 估计量是一个有效且稳健的工具：它比完全个案分析更强大（利用了部分缺失数据的价值），比多重插补对协变量缺失的假设更弱，并与一个节省模型的敏感性分析很好地结合，提供了更强的因果推断证据。

🔎 结论是否比证明窄¶

是的。结论声称“无需建模协变量缺失机制”是对所有缺失模式有效。但证明依赖于一个关键引理：结局模型必须能在“完全可观测\( X,Y \)”的子群体上正确拟合。如果缺失机制使得“完全数据子群体”在重要特征上不具有代表性（例如，缺失协变量大多发生在随机非模式化的高收入者中），那么结局模型即使在该子群体上拟合得很好，也可能会对总体出错。论文的证明没有直接覆盖这种严重的非随机协变量缺失情况。结论 (claimed)：“对协变量缺失机制无需建模”——实际证明 (proved)：“在完全数据子群体的结局可以代表全总体”的假设下无需建模。这是常见的“形式>实质”的扩展。
在敏感性分析框架部分，作者构建的偏差公式依赖于一个可加可分离的偏差结构。在高度非可加（如 non-congeneric 的缺失模式）下，其敏感性分析可能低估或高估偏差。作者没有证明一般性（proof not given）。结论 (claimed)：“为 CRT 提供通用的敏感性分析框架”——实际证明 (proved)：“在可分离偏差参数假设下的灵活性分析”。这是一个功能性的窄，需要后续工作去填补。

四、开放问题（点到为止，扎根具体语句）¶

对群组人口规模缺失（uniform sampling）假设的放宽：
- 扎根语句：出处为论文关于 “handles missing cluster-population sizes via a uniform sampling mechanism” 的提及与假设。目前处理完全未参与个体的方法（均匀抽样）被批评为不现实。一个可能的开放问题是设计方法，利用已观测的个体预测或基于工具变量识别群组规模缺失，以放松 uniform sampling 到更现实的“选择性与协变量相关”。还有，此假设如被违反，对 ATE 估计的偏差有多大？尚未有理论界的推导。
协变量无约束缺失下，DR 估计量的有限样本偏差与方差：
- 扎根语句：论文强调了 DR 性质在大样本下的“一致性”与“效能无偏”。但当协变量无约束缺失的比例增大（如 50% 个体的协变量完全缺失）且结局模型在完全数据子集上不完美拟配时，DR 估计量的有限样本性质（甚至能否保持“近似 unbiased”）是不清楚的。一项开放的挑战是为协变量缺失比例、完全数据子集代表性偏差与 DR 估计量的 MSE 之间建立一个明确的 bound，特别是接近灾难性缺失比例时（如 90% 协变量缺失）——论文没有理论 result。
推广到 longitudinal CRT 或 stepped-wedge 设计中的反复缺失：
- 扎根语句：论文被框架在一揽子”Cross-sectional“CRT。作者暗示方法可直接扩展到纵向，但没给具体公式。一个天然的开放问题是，在 longitudinal CRT（多次测量，每次都有结局缺失、个体流失、协变量随时间变化且缺失）中，如何构造一个“sequential” DR 估计量，同时保持双重稳健性和对 MAR 假设的有效敏感性分析？这涉及更加复杂的 nuisance function 的 Cross-fitting 和 sequential MAR 假设。
对 cluster size 有约束的 CRT 方法：
- 扎根语句：论文的估计量隐含假设 cluster size 是有界（或存在有界的矩条件）。在极端不平衡的 CRT（少数巨大 cluster，多数小 cluster）下，效率界估计和 sandwhich variance 估计可能不稳定。这个实用场景中的挑战：是否有统一的方法，在 cluster size 极端分布下仍保持方差估计的渐进正确？或者需要一种正则化的 cluster-level 处理，是一个待解的问题。

Maintained by 陈星宇 · Homepage · Source on GitHub