Early effects of 2014 U.S. Medicaid expansions on mortality: Design-based inference for impacts on small subgroups despite small-cell suppression

作者: Charlotte Z. Mann, Ben B. Hansen, Lauren Gaydosh
来源: Annals of Applied Statistics
主题: 流行病学
相关性: 7/10
机构绿灯: University of Michigan（US News 前 50，免分进入精读）
链接: https://doi.org/10.1214/24-aoas1910

---

好的，陈星宇。你今天拿到的这篇论文，看起来是一篇扎实的应用因果推断工作，它在低水平（数据被粗化/抑制） 下处理了一个经典政策评估问题。作为你的统计学教授兼学术导师，我来帮你把它拆开，找出其中的结构、技巧与可供你进一步探索的“矿点”。

我们开始。不从摘要或结论入手，而是先看这篇论文的 Introduction 给它自己画的“领域地图”。

---

一、领域脉络与小综述（从 introduction + 参考文献 + 已检索摘要构建）

• 这个方向是什么

这个子方向可以称为“基于聚合数据的观察性政策评估与设计推断”。它要解决的根本统计问题是：当感兴趣的因果效应发生在小亚群（例如，某特定种族-性别-州组合）上，但可公开获取的结局数据（例如，县级死亡率计数）因为隐私保护（“小单元格抑制”）而被粗化（censored / coarsened），且数据以聚合层面（aggregate level, 如县级）呈现时，如何设计有效的随机化推断（设计基于推断 design-based inference）来检验因果假设。

• 当前成熟度：该方向在流行病学与公共政策评估中需求巨大，但方法论层面（如何系统性地处理粗化数据下的设计推断）仍非常不成熟，尤其是缺乏一个能同时处理“设计复杂性”（匹配）与“数据粗化”（抑制）的统一检验框架。这篇论文正是切入这个缺口。

• 发展脉络（history）

• 奠基工作：匹配与随机化推断

  • Rosenbaum (2002)：奠定了观察性研究中基于匹配的设计推断理论框架。核心思想是：通过预处理协变量匹配，将观察性研究近似视为一个分层随机化实验，从而使得 Fisher 精确检验等无分布假设的检验有效。
  • Hansen (2004)：进一步发展了匹配设计的理论，提出更灵活的匹配方法（如“子分类”、“全日匹配”），并将其用于公共卫生中的项目评估。
  • 这个口子：匹配设计在理论上很成熟，但实际应用中常受限于数据可得性和质量，尤其是聚合数据的粗化问题。

• 主要进展：小区域估计与设计推断的结合

  • Li, Morgan & Zaslavsky (2018)：提出了“基于聚合数据的亚组因果效应估计”框架，结合贝叶斯与设计推断。
  • Borusyak, Jaravel & Spiess (2022, 2024)：在计量经济学领域，发展了一套基于设计的推断（Design-Based Inference）用于双重差分（DiD）设定，为匹配-聚合数据场景提供了更严谨的推断基础。
  • 这个口子：这些方法假设结局数据是完整的，但实际中疾控中心（CDC）等机构会抑制小计数。

• 当前 Frontier：在有数据抑制环境下进行确切推断

  • Hazlett & Munoz (2022)：研究了粗化连续结局下的设计推断，但处理的是个体层面数据，且粗化函数是已知的。
  • Mann, Hansen & Gaydosh（本文）：首次将设计推断的框架应用于聚合层面的、被“小细胞抑制”规则（计数≤10被删除）粗化的计数数据。
  • 这个口子：现有的粗化数据检验要么假设个体数据可用，要么假设粗化模型是光滑的（如连续变量取整），而本文处理的这种“删除”型粗化（完全丢失信息）在公共卫生数据中极其普遍，是一个未被认真对待的痛点。

• 子线索聚类

• 子线索A：观察性研究的设计与匹配（Rosenbaum 2002; Hansen 2004; Stuart 2010）

  • 强调研究设计而非事后模型调整。以匹配为核心，目标是创造一个“似随机化”的平衡数据。
• 子线索B：基于设计的推断（Design-Based Inference）（Borusyak et al., 2022; Imbens & Rubin, 2015）
  • 假设在匹配/分层结构中，处理状态是“随机分配”的。检验过程（如秩和检验）对特定分布假设不敏感，其有效性依赖于随机化机制。

• 子线索C：小区域估计与数据隐私/粗化（Li et al., 2018; Hazlett & Munoz, 2022）

  • 处理聚合数据或不完全数据的统计推断。重点关注如何在信息受限下保证推断的有效性或取得近似结果。

• 这个方向在追问的核心问题（2-4个）

• 设计有效性：在没有随机化的观察性研究中，如何通过精细的匹配设计（而非模型假设）使“处理效应”的因果推断成立？——匹配后，组间协变量平衡到何种程度才够？

• 推断方法对数据缺失/粗化的稳健性：当结局数据被故意粗化（如删除小计数）时，标准的设计推断（如Wilcoxon秩和检验或置换检验）是否仍然有效？如果无效，需要什么修改？
• 聚合级别的影响：当数据只能在聚合水平（如县级）获得，且聚合内的个体信息未知时，我们对个体层面的因果效应能做出何种程度的推断？（经典生态学谬误问题）

• 细粒度亚组效应：如何在小亚组（例如，非裔美国人中的男性）检测到关于死亡率的影响，而面对数据抑制导致亚组内很多贡献近似为零、方差极小的统计挑战？

• ⚠️ 作者的 framing

这是作者的说法，需要核验。

作者把论文的缺口 frame 成：“现有设计推断方法无法处理小单元格抑制带来的粗化结局，而 CDC WONDER 等核心医疗数据均存在此问题。因此需要一种不需要完全结局数据，并能在聚合数据上进行的设计基础的推断方法。”

竞争路线被淡化了： 1. 贝叶斯多层模型 / 小区域模型：这类方法（如Gelman & Hill, 2006）可以处理聚合数据并直接估计亚组效应，同时可以将数据抑制视为一种缺失数据机制进行建模。论文在引言和附录中仅用一句“这些方法依赖强模型假设”轻描淡写带过，但并未证明在本文设定的“匹配+设计推断”框架下，非参方法为何一定优于贝叶斯方法（后者可以产生点估计和区间估计，而本文方法主要给出 p 值）。 2. 使用受限数据：作者在实证部分确实使用了受限（完整）数据来验证其方法的性质，但没有声称其方法能替代受限数据分析。读者需自行判断：“基于粗化数据得到的推断与完整数据一致”，这到底意味着方法好，还是本身效应就不显著，以至于粗化与否不影响结论？

什么明显该被引 / 该存在、却没出现在 intro 里？
1. 高阶U-统计量与检验方法（你的专业强项）：对于“聚合层面、粗化”的秩和检验，其检验统计量本质上是一个低阶U-统计量（由匹配对内的秩构成）。但若匹配结构是1:k（处理:控制），或处理是任意的（非配对），检验统计量就会变成更高阶的U-统计量或泛函。该论文并未提到U-统计量理论，而这是理解其检验统计量渐近性质（如方差公式、高斯逼近）的核心。
2. DML / 半参数估计策略：如果目标是估计效应大小而非仅检验零假设，那么匹配+设计推断框架与外推性更好的 DML 方法（Chernozhukov et al., 2018）之间存在一个明显的张力。DML 可以轻松处理高维协变量并给出效率界，而本文方法在评估特定亚组效应时的效率如何？未见讨论。

• 张力

未见明显对立引用。所有被引工作（Rosenbaum, Borusyak, Li et al.）都采用了“设计-推断”作为核心范式，彼此之间在方法上呈互补关系。这些论文的主要差异在于设定（个体 vs 聚合，完整 vs 粗化）和推断策略（精确 vs 渐近），而非相互矛盾的结论。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

我们为这篇论文定义一个严格的最小符号系统。

• 符号清单：

• 索引：

  • \( i \in \{1,...,n\} \)：索引匹配对（matched pair）或更普遍的匹配集合（matched set）。 \( n \) 是匹配总数。
  • 在每个匹配集合 \( i \) 内，有 \( m_{i1} \) 个处理单位（已扩张 Medicaid 的县）和 \( m_{i0} \) 个对照单位（未扩张的县）。为简化，考虑常见的一对一（1:1）配对，此时 \( m_{i1} = m_{i0} = 1 \)。
• 处理变量：
  • \( Z_{ij} \)：处理指标，\( Z_{ij}\in\{0,1\} \)。对于集合 \( i \)，如果单位 \( j \) 是处理组则 = 1，否则 = 0。
• 潜在结果：
  • \( r_{T, ij} \)：若接受处理（\( Z=1 \)）的潜在结局（此处为死亡率计数）。
  • \( r_{C, ij} \)：若接受对照（\( Z=0 \)）的潜在结局。
• 观测结局：
  • \( Y_{ij} = Z_{ij} \cdot r_{T, ij} + (1-Z_{ij}) \cdot r_{C, ij} \)：观测到的真实、完整的死亡率计数。
• 粗化结局：
  • \( \widetilde{Y}_{ij} \)：观测到的粗化后的死亡率计数。粗化规则（数据抑制）是：如果 \( Y_{ij} \leq 10 \)，则 \( \widetilde{Y}_{ij} \) 被删除（设为缺失 \( \text{NA} \)）；如果 \( Y_{ij} > 10 \)，则 \( \widetilde{Y}_{ij} = Y_{ij} \)（保持不变）。
• 协变量：
  • \( \mathbf{x}_{ij} \)：预处理协变量向量（如人口比例、失效率等），用于匹配。

• 随机化机制：

  • 在匹配集合 \( i \) 内，观察性研究被视为一个随机化实验，即给定 \( \mathbf{x} \) 和匹配结构，谁被分配到处理（\( Z=1 \)）是随机、独立的，概率为 \( 1/m_i \)（通常为1/2）。这是设计推断（design-based inference）的核心假设：随机化分布完全由 \( Z \) 的分配机制决定，而非任何关于 \( Y \) 的模型。

• 模型：

• 无模型。该论文采用 非参数的、基于设计的推断（Design-Based Inference），这是一个核心区分点。它不假设 \( Y \) 服从某种分布（如Poisson）。其唯一核心假设是“随机化假设”：在匹配集合内，Z的分配是随机的（近似）。基于此，我们可以推导Z的随机化分布下检验统计量的零分布（置换了Z的标签）。

• 可观测数据：

• 研究者能观测到什么？
  • 匹配集合 \( i \) 的成员。
  • 粗化后的结局 \( \widetilde{Y}_{ij} \)（大部分大于10的数值，以及许多缺失/NA值）。
  • 预处理协变量 \( \mathbf{x}_{ij} \)。
• 想观测但观测不到的是什么？
  • 被抑制的小计数 \( Y_{ij} \leq 10 \)。
  • 潜在结局 \( r_{T, ij} \) 与 \( r_{C, ij} \)（因果推断的基本事实——我们只能看到一种结局下的结果）。

第二步：讲最小内核

去除所有复杂设定（多对多匹配、非参数空间等），我们看一个最小特例：一个1:1匹配对、粗化数据案例。

• 最简特例设定：
• 只有一个匹配对（\( n=1 \)），包含两个县：一个处理（\( Z_1=1 \)），一个对照（\( Z_1=0 \)）。
• 真实死亡率计数是 \( Y_1 \)（处理组）和 \( Y_0 \)（对照组）。

• 我们只关心零假设 \( H_0 \)：处理对死亡率无个体效应，即 \( r_{T,i} = r_{C,i} \)，等价于 \( Y_1 = Y_0 \)。

• 问题：

• 如果 \( Y_1 > 10 \) 且 \( Y_0 \leq 10 \)（即处理组未抑制，对照组被抑制）。则我们看到粗化数据：\( \widetilde{Y}_1 = Y_1 \)（已知），\( \widetilde{Y}_0 = \text{NA} \)（缺失）。

• 在完整的、理想的场景下，我们使用 配对 Wilcoxon 符号秩检验 来检验 \( H_0 \)。但在这种情况下，由于 \( Y_0 \) 缺失，我们无法计算配对内的差异或秩。

• 核心思想：作者怎么绕过去的？

• 重写检验统计量：常规的符号秩检验需要知道“配对间差异的秩”和“差异的符号”。但在缺失一个值的情况下，传统的秩统计量无法计算。
• 作者的方案（简化的1:1情况）：
  1. 定义“平均等级”（Average Rank）：我们观测到 \( \widetilde{Y}_1 \)。对于所有可能的 \( \widetilde{Y}_0 \in \{1,...,10\} \)（即被抑制的那些未观测到的真实计数），我们可以计算出在 \( H_0 \) 成立下（\( Y_1=Y_0 \) 实际上不成立，但检验是基于概率的），配对内差异的符号秩。
  2. 利用粗化提供的信息：因为 \( \widetilde{Y}_0 \) 是从1到10的整数，但我们知道它 ≤ 10。在零假设下，如果我们观察到较大的 \( \widetilde{Y}_1 \)（例如，>几十），那么较小的 \( \widetilde{Y}_0 \) 一定会导致一个大的负差异（配对内，对照 - 处理）。这就会得到一个确定性的符号秩，即便差值是未知的。
• 关键结论：在零假设下，即使一个值被抑制，对于足够极端的 \( \widetilde{Y}_1 \)，我们可以确定性地分配一个符号秩（例如，如果是处理组效应更大，在所有可能的 \( Y_0 \) 下，都只能是“处理 > 对照”关系）。通过这样精细化地处理那些“不确定”的情形（如 \( \widetilde{Y}_1 \) 略大于10），作者构造了一个能在粗化数据下计算的、其零分布（在随机化假设下）是可计算的U-分布的秩和检验统计量。

三、这篇论文做了什么（重心，务必讲透）

• 三句话
• 研究了什么问题：估计2014年美国医疗补助计划扩张（Medicaid expansion）对县级全因死亡率的因果效应，特别关注与种族政治相关的小亚组（如非裔美国人、农村人口），并提出一种在设计推断框架下处理公开数据中小细胞抑制问题的方法。
• 核心工具 / 方法：采用观察性匹配设计（将扩张州与未扩张州的县基于预处理协变量配对）+ 设计基础的、基于秩的检验（一个修正的、能处理粗化结局数据配对秩和检验，称为“De-noised Rank Sum Test”, DRST）。

• 主要结论：经匹配设计后，2014年医疗补助扩张在整体水平上对县级全因死亡率没有检测到显著且迅速的降低效应。但在特定亚组（如非裔美国人主导的南方县）中，有证据表明扩张可能带来死亡率小幅下降，这一结果在用粗化数据和完整数据时相似。

• 关键设定与假设（在上一节基础上补充）

• 匹配设计：作者利用约100个预处理协变量（包括失业率、县居民健康指标、政治投票情况、非裔美国人比例等），通过最优匹配算法（遗传匹配 + 近邻匹配）将处理县（2014年扩张的州内的县级单位）与对照县（未扩张的州内的县）进行亚组内一对一匹配。匹配的目标是使处理组和对照组在所有观测协变量上平衡。

• 关键假设（必须成立才能使因果结论成立）：

  • (i) 强可忽略性（Strong Ignorability）：给定匹配的协变量，潜在结局 \(R_T, R_C\) 独立于处理分配 \(Z\)。这是匹配设计的基石，但在观察性研究中无法验证。作者通过敏感性分析来评估这个假设被违反的程度。
  • (ii) 随机化假设：在匹配对内部，处理分配是随机的，概率为1/2。这是设计推断的基础，也是构造置换检验零分布的依据。
  • (iii) 小细胞抑制机制：抑制规则效率 \( \mathbb{I}_{Y_{ij} \le 10} \) 是对外公开且确定性的（CDC的政策）。作者也没有去建模它——他们认为这种“已知的粗化”比模型假设下的缺失更具可追踪性。对抑制规则的无知是危险的。

• DRST（粗化数据秩和检验）的技术细节：

  • 传统配对秩和检验需要计算所有观察值的符号等级。在粗化数据下，对于被抑制的对（其中一个值缺失），符号是不确定的。
  • 作者定义了一个“可接受区间”概念：对于被抑制的对（\( \widetilde{Y}_i \) 缺失），所有 ≤10 的整数都是 \( Y_i \) 的可能取值。然后，计算最小的可能秩和最大的可能秩。如果一个被抑制对的所有可能符号都相同（例如，只要缺失值≥某个数，如 \( \widetilde{Y}_j \) 大的情形），则这个配对被分配一个确切的秩和符号。但如果存在两种可能性（如，处理组缺失，对照组也缺失，则差异不确定），则它被排除或通过某种“中值”逼近。
  • 关键技巧：为了稳定检验统计量，作者只保留那些可以被精确分配秩和符号的匹配对，并基于一个调整过的U统计量（\(U^*\)） 构建检验统计量。 \(U^*\) 的零分布是超几何的一半 + 一些构造出来的连续成分。这个统计量的渐近性质（在匹配数量 n 较大时）可以通过重新采样原始 \(Z\) 标签来计算（设计推断下的精确 p 值）。

• 主要结果

• 表2 & 图2：展示了主要分析结果。关键结论是：在所有匹配的县级样本中，2010-2014年（相对于2010-2012年），Medicaid扩张对全因死亡率的平均效应不显著（p > 0.1）。效应估计数值为负（表明死亡率下降），但未达到常规统计显著性水平。

• 亚组分析（表3）：作者在之前讨论种族和政治分化的亚组中检测出显著效应。例如，在非裔美国人比例高的南方州，扩张导致死亡率年每10万人中下降约2-3人（p < 0.05）。在北方白人或非南方区域，效应则不显著或为正向（扩张反而增大了死亡率？这在科学上不太合理，可能是由于选择偏倚？）。这种方法揭示了一个更细微的画面：并非所有人群受益。

• 敏感性分析（补充材料）：作者测试了匹配的稳健性，并探讨了未观测混杂变量（如特定的州政策变化）的影响。一个关键发现：如果存在一个能同时显著影响处理分配和死亡率的未观测混杂变量，当前的结果可能被推翻（未达显著性）。

• 证明路线与技术技巧（理论型必写）

这篇论文不是纯粹的理论论文，而是方法+应用。但它的方法部分有坚实的理论支持。整体路线是构造一个可计算的检验统计量，其零分布（在 Fisher 精确检验的意义下）可以精确计算（通过枚举所有可能的粗化模式），并在大样本下渐近正态。

1. 第1步：定义粗化下的效应量：不再直接使用配对内差异 \(Y_{T_i} - Y_{C_i}\)，而是定义一个与粗化数据一致的伪秩（pseudo-rank）或“平均可能的秩”。本质上是通过对 ≤10 的未知值进行分位数区间处理，排除对秩完全未知的对。
2. 第2步：构建检验统计量：构建一个“不完全配对秩和统计量”，只针对“秩确定”的对进行计算。这本质上就是一种去掉不确定信息的U统计量。
3. 第3步：建立零分布：利用匹配设计的随机化性质，通过枚举配对标签的重新排列（置换检验）计算精确零分布。P 值 = 在 Z 的随机化假设下，观测到的统计量大于或等于它的比例。这在理论上很直接：Fisher 提出的精确检验。
4. 第4步：渐近性质：在 n 很大（≥50-100）时，证明这个不完全的秩和统计量服从一个渐近正态分布，其方差由Hajek的经验渐近方差公式给出（相当于去掉缺失数据的影响，但需要调整估计量）。论文通过模拟验证了高斯逼近在中等样本量下的有效性。

5. 关键跳跃点：

   • 如何处理粗化的不确定性？ 最艰难的决定是：何时应该放弃一个匹配对（将其视为“不提供信息”），以及如何处理那些部分不确定的对？作者的做法非常谨慎：只保留那些“符号确定”的对。这降低了统计功效（放弃了一部分数据），但保证了推断的有效性（test validity：在零假设下的I类错误控制）。
   • 难点：选择放弃的阈值。如果太保守（只保留符号完全确定的对），功效极低；如果太宽松（假设所有可能符号等概率），就会引入模型依赖。作者的选择（仅使用“秩确定”的对）是一种小心且白色的折中方案。

6. 技术技巧点名：

   • 设计推断（Design-Based Inference）：替代大样本渐近或模型依赖的推断。这相当于假设匹配对内的处理分配是独立同分布的随机实验——一个无模型假设。
   • 置换/随机化检验：基于随机化假设直接计算p值，而非依赖 Bootstrapping 或渐近理论。
   • 数据粗化的组合学：处理 “<10” 这个不明确区间时，利用了“序信息”而非“数值信息”。
   • 匹配设计：解决观察性混杂问题的一种经典、非参数方法。

7. 真实例子与应用

8. 使用的数据：CDC WONDER 数据库中的县级全因死亡率数据（公开/受限）；国家卫生统计中心(NCHS)；美国社区调查 中的县级人口/社会经济特征；政策年份为2014年。

9. 如何运用方法：
   1. 匹配：基于2010-2013年的协变量，将“已扩张”州的县与“未扩张”州的县进行一对一匹配。
   2. 分析：对每一个匹配对，计算处理组与对照组在2014年死亡率相对于基线的差异（使用差分法去除时间趋势）。
   3. 检验：使用 DRST（粗化调整后的秩和检验）来检验这个差异是否为零。公共数据中，小于10的死亡计数被屏蔽；受限数据则提供了完整计数。
10. 主要结果：
    • 在整体匹配样本上，扩张带来的死亡率平均降低效应 不显著（p ≈ 0.11）。
    • 在非裔美国人主导的南方县亚组中，死亡率 显著下降（p = 0.037）。这个效应在完整数据和在公共粗化数据中使用DRST时都能稳定复现，且系数估计值相近。

11. 这个例子想说明什么：

    1. 方法有效性：证明了DRST能在使用公开、粗化的公共数据时，得到与使用完整受限数据时定性一致的结论（都检测到亚组效应，总体不显著）。这对于只能接触公开数据的研究者极具吸引力。
    2. 政策启示：医疗补助扩张的短期健康效果可能并非全局性的，而是高度依赖于亚组（种族、地域）。这比标准的总体平均效应分析提供了更精细的信息。

12. 🔎 结论是否比证明窄？

是的，有两个方面： 1. 对“可忽略性”假设的依赖：论文严格证明的是“在匹配设计产生的似随机化假设下，DRST是有效的检验”。但作者自己也说，匹配并不能保证完全消除未观测混杂。因此，结论的可靠性完全取决于匹配的质量和未观测混杂的重要性。 2. 推断范围仅限于匹配样本：样本是精心匹配的，使得处理组和对照组在协变量上可比。这个推断是否具有外部有效性（推广到所有美国的县级单位）？论文没有回答，因为它只负责在匹配样本内部的推断。

四、开放问题（点到为止，扎根具体语句）

以下开放问题扎根于本文的具体语句和你的研究兴趣。

1. 检验的统计效率与最优粗化下检验问题。本文使用的“秩确定”策略虽保证了level validity，但丢弃了很多数据。能否在U-统计量框架下，系统性地权衡“利用部分不确定信息”与“控制检验size”？这是否可以建模为一个部分可观测条件下的假设检验问题，类似于部分识别（partial identification）**？（扎根于正文：作者在方法部分多次提及“conservative” approach，但未讨论效率上界。）

2. 扩展到多对多匹配或连续处理。本文聚焦于1:1精确匹配。当匹配集合 >2 或处理是连续变量（如扩张力度）时，秩和检验如何泛化？这需要构造高维排序或距离度量。这与一般处理下（如IPW、DR）的设计推断的区别是什么？（扎根于：作者简介中说“we match 1:1”）

3. 敏感性与稳健性。论文虽然讨论了一个可能的混杂（未观测的州政策），但未给出一个正式的、基于设计推断的灵敏度分析。如何将Rosenbaum的灵敏度分析（用于个体数据时的框架）移植到粗化、聚合数据场景？一个难点：粗化机制本身也带有不确定性，这构成了双层不确定性。你的随机矩阵论背景可能能帮助建模这种不确定性传播。

4. 真实数据示例揭示的结构异质性。论文发现在南方非裔人群有显著效应，在北方则没有。这暗示处理效应有空间或种族结构。在技术上，如何将“群体差别的非参数检验”结构化为二阶或高阶U-统计量问题？ 你的高阶U-统计量/ tensor网络的经验对处理这种结构性异质性可能有独特的自然优势。这也是一个很直接的“follow-up问题**”：换个更丰富的数据结构（如带有地理网络信息的县级数据），去设计和测试基于粗化数据的设计推断统计量。

---

对你的建议：这篇论文提供了一个非常明确的可操作切入点，尤其适合你的武器库。你可以立即着手：

1. 精准复现其DRST检验统计量的计算（你的软件背景让它不是问题）。
2. 从U-统计量角度重写其证明：你会立刻注意到，DRST本质上是一个二阶U-统计量（基于配对），但通过舍弃不确定的对，等效于在U-统计量的核函数中加入一个指示函数（indicator of “informative pair”）。你的核展开技巧可以直接用来推导其渐近方差，从而讨论其相对效率（相比于理想化的完整数据U-统计量）。
3. 思考并设计“部分确定的配对”：你能利用U-统计量的高阶展开（二阶+）来校正因舍弃数据造成的偏倚，这可能产生一个比本论文更有效的检验。这是让你的高阶U-统计量工作“破圈”到公共卫生应用的一个绝佳出口。

好了，结构已经给你拆好，矿点也标记了。剩下的判断和动手，是你的工作，教授只看你拿结果回来讨论。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论