跳转至

Interval identification of natural effects in the presence of outcome‐related unmeasured confounding

作者: Marco Doretti, Elena Stanghellini
来源: Scandinavian Journal of Statistics
主题: 因果推断
相关性: 9/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么 因果中介分析的核心统计问题是：如何将暴露对结局的总效应分解为经由中介物传递的自然间接效应（NIE）与绕过中介物的自然直接效应（NDE）。在反事实框架下，NDE 与 NIE 的定义涉及“跨世界”反事实量（如 \(Y(0, M(1))\)），即同一单元在不同暴露状态下中介物的反事实值与另一暴露状态下结局的反事实值同时出现。这种量在现实中绝不可观测，导致其点识别必须依赖极强且不可检验的假设。本子方向致力于：在承认存在未观测混杂（特别是结局相关混杂）的前提下，寻找比传统“序列可忽略性”更弱的假设集，以获得自然效应的偏识别——即给出效应必然落入的数学区间，而非强求点估计。

发展脉络 1. 奠基与标准框架：Valeri & VanderWeele (2013) 将反事实框架下的中介分析系统化并给出软件实现，其核心依赖是“序列可忽略性”——即无暴露-中介未观测混杂且无中介-结局未观测混杂。这构成了后续所有放宽工作的“靶子”。 2. 跨世界假设的争议与替代：标准点识别除了无混杂，还隐含了跨世界独立性。Stavola et al. (2014) 指出，当存在中间混杂时，跨世界假设更难成立；Forastiere et al. (2018) 提出用主分层框架与“主可忽略性”替代跨世界假设，试图弱化识别条件；Zaidi & VanderWeele (2019) 甚至宣称在个体层面可以在无跨世界假设下识别特定直接效应。这些工作都在试图绕开或弱化 \(Y(a, M(a'))\) 的跨世界独立性。 3. 偏识别与界：当假设无法满足时，偏识别成为出路。VanderWeele (2010) 给出了控制直接效应在单调性下的界；Tchetgen Tchetgen & Phiri (2014) 给出了纯直接效应的界；Miles et al. (2017) 系统推导了在放弃跨世界独立性或无中间混杂假设下，自然间接效应的非参数界，标志着偏识别从控制效应向自然效应的推进。 4. 敏感性分析路线：与偏识别并行的是参数化敏感性分析。Ding & VanderWeele (2016) 给出了无参数假设下中介-结局混杂的尖锐敏感性界；Lindmark et al. (2017, 2021) 通过误差项相关系数构建不确定性区间；Genbäck et al. (2015, 2017) 在非随机缺失与未观测混杂下用相关系数建模构建不确定性区间。 5. 二值变量的参数/半参数分解：针对二值暴露-中介-结局，Doretti et al. (2018) 给出了无需罕见结局假设的 OR 尺度精确参数分解；Stanghellini & Doretti (2018) 及 Raggi et al. (2021) 推导了边际与条件 logistic 参数的精确代数关系，为二值变量的路径分析与混杂偏倚量化提供了代数基础。 6. 本文位置：本文站在“偏识别”与“二值 logistic 代数分解”的交汇点。它放弃了中介-结局无混杂假设，也不要求完整的跨世界独立性，而是提出两个更弱的替代假设（PC-CWD 与 LC），利用 logistic 链接的代数结构，推导出自然效应的区间识别。

子线索聚类 - 线索 A：非参数界（Miles 2017; VanderWeele 2010; Tchetgen Tchetgen 2014）：不依赖特定参数模型，仅利用概率的取值范围 \([0,1]\) 与单调性，给出宽界。优点是假设极弱，缺点是界往往过宽、缺乏实用精度。 - 线索 B：参数/半参数敏感性分析（Lindmark 2017, 2021; Ding 2016; Genbäck 2015, 2017）：引入敏感性参数（如误差项相关系数 \(\rho\) 或风险比 \(RR\)），在参数或半参数模型下量化混杂偏倚，给出随敏感性参数变化的偏倚修正或区间。优点是界较窄、可操作，缺点是敏感性参数本身难以解释或校准。 - 线索 C：二值 logistic 代数分解（Doretti 2018; Stanghellini 2018; Raggi 2021）：利用 logistic 链接的乘法结构，在二值变量 DAG 下推导边际与条件参数的精确关系，为混杂偏倚提供代数闭式。本文属于此线索向偏识别的延伸。

核心追问 1. 跨世界反事实量 \(Y(a, M(a'))\) 的概率分布，在多大程度上可以被观测数据的约束（如无暴露-中介混杂）与更弱的跨世界依赖假设所限定？ 2. 当存在中介-结局未观测混杂时，自然效应的偏识别界能否缩窄到具有实际政策/科学意义（即界不含零）？ 3. 在二值设定下，logistic 模型的代数结构能否为偏识别提供比非参数界更紧的约束？

⚠️ 作者的 framing - 作者将缺口 frame 为：现有偏识别（如 Miles 2017）要么假设过强（仍要求无中间混杂），要么界过宽；现有敏感性分析（如 Lindmark 2017）的敏感性参数（误差相关系数 \(\rho\)）难以在应用中校准。作者声称其 PC-CWD 与 LC 假设“比它们所替代的传统假设集施加更少约束”，且其界在 logistic 半参数框架下更紧、更易操作。 - 被淡化的竞争路线：Ding & VanderWeele (2016) 的非参数敏感性界在流行病学中影响极大，作者仅在模拟中与之比较，但在理论部分未将其尖锐界作为基准对标；Forastiere et al. (2018) 的主可忽略性路线作为替代跨世界假设的方案，未被纳入对比。 - 缺失的引用：对于“跨世界依赖假设的弱化”，主分层文献中大量关于“局部可忽略性”与“单调性”的识别策略未被引；对于“logistic 模型下的偏识别”，罕见结局假设下的近似界文献未被引。这些是研究者值得去查的缺口。

张力 未见明显对立引用。Miles (2017) 给出非参数界，本文给出半参数界，两者在不同假设集下给出不同宽度的界，属于互补而非矛盾。Lindmark (2017) 用 \(\rho\) 参数化，本文用 PC-CWD/LC 参数化，两者对未观测混杂的数学刻画不同，但未直接宣称对方错误。

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

  • \(X\)：暴露（二值，取 \(0\) 或 \(1\)）。
  • \(M\)：中介物（二值，取 \(0\) 或 \(1\)）。
  • \(Y\)：结局（二值，取 \(0\) 或 \(1\)）。
  • \(C\)：观测混杂向量（可为任意维数与类型，影响 \(X, M, Y\)）。
  • \(U\)：未观测混杂（二值，影响 \(M\) 与 \(Y\)，不影响 \(X\)；这是本文核心设定——存在中介-结局未观测混杂，但无暴露-中介未观测混杂）。
  • \(M(x)\)：潜在中介，当暴露设为 \(x\) 时中介物的取值。
  • \(Y(x, m)\)：潜在结局，当暴露设为 \(x\)、中介设为 \(m\) 时结局的取值。
  • \(Y(x, M(x'))\)：跨世界反事实结局，暴露为 \(x\)、中介取暴露为 \(x'\) 时的反事实值。不可观测。
  • \(TE\)：总效应（OR 尺度）：\(OR^{TE} = \frac{P(Y(1)=1)}{P(Y(1)=0)} / \frac{P(Y(0)=1)}{P(Y(0)=0)}\)。
  • \(NDE\)：自然直接效应（OR 尺度）：\(OR^{NDE} = \frac{P(Y(1, M(0))=1)}{P(Y(1, M(0))=0)} / \frac{P(Y(0, M(0))=1)}{P(Y(0, M(0))=0)}\)。
  • \(NIE\)：自然间接效应（OR 尺度）：\(OR^{NIE} = \frac{P(Y(1, M(1))=1)}{P(Y(1, M(1))=0)} / \frac{P(Y(1, M(0))=1)}{P(Y(1, M(0))=0)}\)。
  • 可观测数据：\((C_i, X_i, M_i, Y_i)\)，\(i=1,\dots,n\)。跨世界反事实 \(Y(1, M(0))\) 及未观测混杂 \(U\) 不可观测。

模型（数据生成机制） - \(X\) 的分布未指定（可视为随机或固定）。 - \(M \mid X, C, U\) 服从 logistic 回归：\(\text{logit } P(M=1 \mid X, C, U) = \beta_0 + \beta_X X + g_M(C) + \beta_U U\)，其中 \(g_M(C)\) 为任意函数。 - \(Y \mid X, M, C, U\) 服从 logistic 回归：\(\text{logit } P(Y=1 \mid X, M, C, U) = \theta_0 + \theta_X X + \theta_M M + \theta_{XM} XM + g_Y(C) + \theta_U U\)，其中 \(g_Y(C)\) 为任意函数。 - \(U\) 为二值，\(P(U=1)\) 未知，\(U\) 与 \(X\) 独立（无暴露-中介未观测混杂），\(U\) 与 \(C\) 独立（为简化代数；作者在附录中讨论了放宽）。 - 关键：\(g_M(C)\) 与 \(g_Y(C)\) 完全任意，构成半参数框架；\(\beta_U\) 与 \(\theta_U\) 不可识别（\(U\) 未观测）。

第二步：最小内核

整篇论文的数学内核是：在二值 logistic 链接下，跨世界反事实概率 \(P(Y(x, M(x'))=1)\) 的识别如何被未观测混杂 \(U\) 与跨世界依赖所阻塞，以及如何用两个弱假设将阻塞打通为区间。

最简特例：无交互、无协变量、\(U\) 仅影响结局。 设 \(C\) 空，\(\theta_{XM}=0\)，\(\beta_U=0\)（\(U\) 不进入中介模型），\(\theta_U \neq 0\)（\(U\) 进入结局模型）。 此时： - 中介模型：\(\text{logit } P(M=1 \mid X) = \beta_0 + \beta_X X\)，完全可识别。 - 结局模型：\(\text{logit } P(Y=1 \mid X, M, U) = \theta_0 + \theta_X X + \theta_M M + \theta_U U\)，\(\theta_U\) 不可识别。 - 跨世界反事实：\(P(Y(1, M(0))=1) = P(Y=1 \mid X=1, M=M(0), U)\)。问题在于 \(M(0)\) 与 \(U\) 的依赖：即使 \(X\) 与 \(U\) 独立，\(M(0)\) 是 \(X=0\) 下的中介，而 \(U\) 影响 \(Y\)，若 \(M(0)\) 与 \(U\) 相关（跨世界依赖），则无法将 \(P(Y(1, M(0)))\) 分解为可观测量。

最小内核的破局： 1. PC-CWD 假设：跨世界依赖 \(P(U=1 \mid M(0)=m, X=0) = P(U=1 \mid M(1)=m, X=1)\) 对 \(m=1\) 成立（对 \(m=0\) 不要求）。直觉：在中介取值为 1 的子人群中，\(U\) 的分布不随暴露状态改变。这使得 \(P(Y(1, M(0))=1)\) 中涉及 \(U\) 的部分可被 \(X=1, M=1\) 下的观测数据替换。 2. LC 假设：\(\text{logit } P(Y=1 \mid X=1, M=0, U) - \text{logit } P(Y=1 \mid X=0, M=0, U) = \theta_X\)（常数，不依赖 \(U\)）。直觉：在 \(M=0\) 的子人群中，暴露对结局 logit 的直接效应是常数（无 \(U\) 交互）。 3. 在这两个假设下，\(P(Y(1, M(0))=1)\) 可写为：一个完全由可观测数据 \((X, M, Y)\) 确定的量，加上一个仅依赖 \(\theta_U\) 的偏倚项。由于 \(\theta_U\) 不可识别，但 \(U\) 为二值且 logistic 链接有界，\(\theta_U\) 的取值范围可被约束（如 \(\theta_U \in [-\log((1-p_U)/p_U), \log((1-p_U)/p_U)]\)，再对 \(p_U\) 扫描），从而 \(P(Y(1, M(0))=1)\) 落入一个区间。对 \(P(Y(0, M(0))=1)\) 同理（其识别不需要跨世界假设，仅需无暴露-结局混杂，但此处有 \(U\) 混杂，故也落入区间）。 4. 最终，\(OR^{NDE}\) 与 \(OR^{NIE}\) 的分子分母各为区间，通过代数运算得到效应的区间识别。

数学本质：logistic 链接的乘法性使得混杂偏倚在 logit 尺度上表现为加法项 \(\theta_U U\)；PC-CWD 与 LC 将跨世界依赖与 \(U\)-交互锁定为可替换或常数，从而将不可识别的 \(\theta_U\) 隔离为单一的区间参数，而非散布在多个不可识别的交互项中。这是本文比非参数界更紧的根源。

三、这篇论文做了什么

三句话 ① 研究了二值暴露-中介-结局设定下，存在中介-结局未观测混杂时自然效应（NDE, NIE, TE）的区间识别问题。 ② 核心工具是两个弱跨世界假设（PC-CWD 与 LC）结合 logistic 半参数模型（链接函数固定，协变量函数任意）。 ③ 主要结论是：在仅假设无暴露-中介未观测混杂 + PC-CWD + LC 下，总效应与自然效应可被区间识别，且区间可通过 delta-method 构建覆盖抽样变异性的不确定性区间。

关键设定与假设 在第二节最小记号基础上补全： - 假设 1（无暴露-中介未观测混杂）：\(M(x) \perp X \mid C\)。等价于 \(U \perp X \mid C\)（\(U\) 不直接影响 \(X\)）。这是本文唯一关于混杂的正面假设；放弃了无中介-结局未观测混杂（\(Y(x,m) \perp M \mid X, C\) 不成立，因为 \(U\) 混杂两者）。 - 假设 2（PC-CWD）：\(P(U=1 \mid M(x)=m, X=x, C) = P(U=1 \mid M(1)=m, X=1, C)\) 对 \(m=1\) 成立（对所有 \(x\)）。统计含义：在中介物取值为 1 的主分层中，未观测混杂 \(U\) 的分布不随暴露状态改变。相比传统的跨世界独立性 \(M(x) \perp Y(x', m) \mid C\)，PC-CWD 仅要求 \(U\) 的条件分布相等，而非整个反事实独立，约束更弱。 - 假设 3（LC）：\(\text{logit } P(Y=1 \mid X=1, M=0, C, U) - \text{logit } P(Y=1 \mid X=0, M=0, C, U) = \theta_X(C)\)，其中 \(\theta_X(C)\) 不依赖 \(U\)。统计含义：在中介物取值为 0 的子人群中，暴露对结局 logit 的直接效应无 \(U\)-交互。这替代了传统识别中需要的“无暴露-中介交互”或“罕见结局”假设。 - 假设 4（\(U\) 的独立性）：\(U \perp C\) 且 \(U \perp X\)。附录中讨论了放宽 \(U \perp C\) 的可能性，但主文保持此假设以简化代数。 - 模型设定：中介与结局均用 logistic 回归，协变量函数 \(g_M(C), g_Y(C)\) 完全任意（半参数）。暴露-中介交互 \(\beta_{XM}\) 允许存在；结局侧交互 \(\theta_{XM}\) 允许存在。\(U\) 在中介模型中系数 \(\beta_U\) 可为零或非零；在结局模型中系数 \(\theta_U\) 不可识别。

主要结果 - 定理 1（总效应的区间识别）：在假设 1-4 下，\(OR^{TE}\) 可写为可观测参数 \((\beta, \theta_{\text{obs}})\) 的函数加上 \(\theta_U\) 的函数。由于 \(\theta_U\) 不可识别，但 \(U\) 为二值且 \(P(U=1)\) 有界，\(\theta_U\) 的取值范围可被约束（通过对 \(P(U=1)\) 扫描 \([0,1]\) 或用外部知识限缩），从而 \(OR^{TE}\) 落入一个区间。直觉：logistic 链接下，\(U\) 对 \(Y\) 的混杂偏倚在 logit 尺度上是加法项，其最大影响受限于 \(U\) 的取值范围与 logistic 的有界性。 - 定理 2（自然直接效应 NDE 的区间识别）：在假设 1-4 下，\(OR^{NDE}\) 的分子 \(P(Y(1, M(0))=1)\) 可通过 PC-CWD（处理 \(M=1\) 部分）与 LC（处理 \(M=0\) 部分）分解为可观测量加 \(\theta_U\) 偏倚；分母 \(P(Y(0, M(0))=1)\) 仅依赖可观测量加 \(\theta_U\) 偏倚（无需跨世界假设）。两者相除，\(\theta_U\) 的影响被部分抵消（因 logistic 乘法性），但仍有残余，故 NDE 为区间。必要条件：PC-CWD 对 \(m=1\) 必须成立，否则分子中 \(M=1\) 部分的 \(U\) 分布不可替换；LC 对 \(m=0\) 必须成立，否则 \(M=0\) 部分的直接效应依赖 \(U\)。 - 定理 3（自然间接效应 NIE 的区间识别）：\(OR^{NIE} = OR^{TE} / OR^{NDE}\)，由定理 1 与 2 的区间通过除法运算得到区间。 - 推论（不确定性区间）：对识别区间中的每个边界点，用 delta-method 计算标准误差，构建 \((1-\alpha)\) 不确定性区间，覆盖抽样变异性与未观测混杂不确定性。

证明路线与技术技巧 - 整体路线： 1. 分解跨世界反事实：将 \(P(Y(1, M(0))=1)\) 按 \(M(0)\) 的取值分解为 \(P(M(0)=1) P(Y(1,1)=1 \mid M(0)=1) + P(M(0)=0) P(Y(1,0)=1 \mid M(0)=0)\)。 2. 替换 \(M(0)\) 分布：利用假设 1（无暴露-中介混杂），\(P(M(0)=m) = P(M=1 \mid X=0, C)\)，可识别。 3. 处理 \(m=1\) 部分：\(P(Y(1,1)=1 \mid M(0)=1)\) 涉及跨世界依赖 \(U \mid M(0)=1\)。利用 PC-CWD，将 \(P(U=1 \mid M(0)=1, X=0)\) 替换为 \(P(U=1 \mid M(1)=1, X=1)\)，后者等于 \(P(U=1 \mid M=1, X=1)\)（可观测条件下的 \(U\) 分布，虽 \(U\) 不可观测，但其在 logistic 模型下的参数形式已知）。 4. 处理 \(m=0\) 部分：\(P(Y(1,0)=1 \mid M(0)=0)\) 涉及 \(U \mid M(0)=0\)。此处 PC-CWD 不适用（仅对 \(m=1\) 成立）。利用 LC，将 \(\text{logit } P(Y=1 \mid X=1, M=0, U)\) 与 \(\text{logit } P(Y=1 \mid X=0, M=0, U)\) 的差锁定为常数 \(\theta_X\)，从而将 \(U\) 的影响隔离为加法偏倚。 5. 整合与区间化：将两部分整合，得到 \(P(Y(1, M(0))=1)\) 的表达式，其中所有可观测参数可估，唯一不可识别的是 \(\theta_U\) 与 \(P(U=1)\)。通过对 \(P(U=1)\) 扫描，得到 \(\theta_U\) 的隐式约束范围，进而得到 \(P(Y(1, M(0))=1)\) 的区间。 - 关键跳跃点： - 跳跃 1：PC-CWD 如何将跨世界条件分布 \(P(U \mid M(0)=1)\) 替换为可观测条件分布 \(P(U \mid M=1, X=1)\)。这依赖 logistic 模型下 \(U\) 的参数化：\(P(U=1 \mid M=1, X=1)\) 可用贝叶斯定理写为 \(P(M=1 \mid U, X=1) P(U=1) / P(M=1 \mid X=1)\)，其中 \(P(M=1 \mid U, X=1)\) 由中介 logistic 模型给出（含 \(\beta_U\)），\(P(U=1)\) 未知。PC-CWD 的等式约束使得 \(\beta_U\) 可被消去或表达为 \(\theta_U\) 的函数，从而将不可识别参数减少。 - 跳跃 2：LC 如何将 \(M=0\) 部分的 \(U\) 交互消除。LC 直接假设 \(\theta_X\) 不依赖 \(U\)，这在 logistic 加法模型中意味着 \(U\) 与 \(X\) 在 \(M=0\) 子人群无交互。这使得 \(P(Y(1,0)=1 \mid M(0)=0, U)\) 可写为 \(P(Y(0,0)=1 \mid M(0)=0, U)\) 的 logistic 位移，而 \(P(Y(0,0)=1 \mid M(0)=0, U)\) 可进一步分解。 - 技术技巧点名： - logistic 代数分解（Stanghellini & Doretti 2018 的核心工具）：利用 logistic 链接的乘法性，将边际 odds 与条件 odds 的关系精确表达，消去中间变量。用于将 \(P(Y=1 \mid X, M, C)\) 的边际量与 \(P(Y=1 \mid X, M, C, U)\) 的条件量联系起来。 - 贝叶斯反转：将 \(P(U \mid M, X)\) 表达为 \(P(M \mid U, X) P(U) / P(M \mid X)\)，用于在 PC-CWD 等式中替换 \(U\) 的条件分布。 - delta-method：用于从识别区间的参数函数出发，计算标准误差近似，构建不确定性区间。 - 区间扫描：对 \(P(U=1)\) 在 \([0,1]\) 上扫描，计算对应的 \(\theta_U\) 约束与效应区间，取极值作为识别界。

真实例子与应用 - 数据：西班牙前瞻性队列研究，评估吸烟（\(X\)）经由肺气肿（\(M\)）对肺癌（\(Y\)）风险的因果中介效应。二值暴露（是否吸烟）、二值中介（是否肺气肿）、二值结局（是否肺癌）。协变量 \(C\) 包括年龄、性别等。 - 方法应用：对中介与结局分别拟合 logistic 回归（含协变量的任意函数形式，实际用线性项近似），得到可观测参数估计。然后对 \(P(U=1)\) 扫描 \([0,0.5]\)（假设未观测混杂患病率不超过 50%），计算 \(OR^{TE}, OR^{NDE}, OR^{NIE}\) 的识别区间。 - 结果：总效应的识别区间显著大于 1（吸烟增加肺癌风险）；自然直接效应的区间也大于 1（吸烟有直接致癌路径）；自然间接效应的区间包含 1（肺气肿的中介作用在存在未观测混杂时不确定）。这与医学文献中“肺气肿与肺癌共享遗传/炎症混杂”的共识一致。 - 想说明什么：展示在现实流行病学问题中，传统点识别可能高估中介作用，而本文的区间识别能诚实反映未观测混杂导致的不确定性；同时展示区间在合理 \(P(U=1)\) 范围内足够紧，具有政策参考价值。

模拟实验 - 与 Lindmark et al. (2017) 的敏感性分析方法（基于误差项相关系数 \(\rho\)）比较。在多种 \(\theta_U\) 与 \(P(U=1)\) 设置下，本文方法的识别区间覆盖率与 Lindmark 方法相当，但区间宽度在强混杂时更窄（因 logistic 代数约束更紧）。 - 与非参数界（Miles 2017）比较：本文区间远窄于非参数界，因半参数假设提供了额外约束。

🔎 结论是否比证明窄 - 作者在定理陈述中明确要求 \(U\) 为二值且 \(U \perp C\)。但在讨论与附录中，作者泛泛 claim 该方法可推广至 \(U\) 连续或 \(U\) 与 \(C\) 相关的情形，未给出严格证明。研究者若关注连续混杂，需自行验证 logistic 代数在连续 \(U\) 下是否仍能将偏倚隔离为单一参数。 - LC 假设要求 \(\theta_X(C)\) 不依赖 \(U\)，作者在主文中将其陈述为“常数”，但在设定中允许 \(\theta_X(C)\) 依赖 \(C\)。这二者在 \(C\) 给定时一致，但在边际化时需额外假设。此处的泛泛 claim 未被严格证明。

四、开放问题（点到为止）

  1. 连续 \(U\) 的推广：本文定理严格依赖 \(U\) 为二值（以使 \(P(U=1)\) 扫描可行）。若 \(U\) 为连续未观测混杂，logistic 加法偏倚项 \(\theta_U U\) 的取值范围不再有界，识别区间是否仍有限？需扎根在附录关于连续 \(U\) 的讨论段。
  2. PC-CWD 的可检验性：PC-CWD 假设 \(P(U=1 \mid M(0)=1, X=0) = P(U=1 \mid M(1)=1, X=1)\)，由于 \(U\) 不可观测，此假设不可直接检验。是否存在可观测的蕴含（如 \(M\) 与 \(Y\) 的特定交互约束）可提供部分检验？扎根在假设 2 的陈述与 Forastiere (2018) 关于主可忽略性检验的讨论。
  3. 多中介或连续中介：本文严格限于二值中介。当中介为连续或有序时，PC-CWD 的“对 \(m=1\) 成立”条件需推广为对所有 \(m\) 的条件，此时约束是否过强？扎根在 Miles (2017) 对多值中介的界与本文设定段的对比。
  4. 与主分层框架的统一：PC-CWD 实质上是主分层内 \(U\) 分布的等式约束。Forastiere (2018) 的主可忽略性也是主分层内分布约束。两者在二值设定下是否有代数等价性？扎根在 Forastiere (2018) 的定理与本文假设 2 的对比。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论