跳转至

Model-assisted sensitivity analysis for treatment effects under unmeasured confounding via regularized calibrated estimation

作者: Zhiqiang Tan
来源: Journal of the Royal Statistical Society Series B
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

本文所处的子方向是：在 边际敏感性模型（Marginal Sensitivity Model, MSM） 框架下，对 平均处理效应 (ATE) 进行灵敏度分析（sensitivity analysis）。其根本统计问题是：当存在 未观测混杂（unmeasured confounding）时，ATE 不再点可识别；研究者通过设定一个 混杂强度参数 Γ（控制未观测混杂对处理分配优势比的影响幅度），将 ATE 的识别区域收窄成一个 部分识别区间（partial identification interval），并进一步构建在该区间上的 推断过程（点估计 + 置信区间）。当前该方向较为活跃，多种方法论并存（基于 IPW、基于 Outcome Regression、基于双重稳健等），但在 高维数据 下如何同时实现 双重稳健的点估计 与 模型辅助的置信区间 是一个尚未闭合的缺口。

发展脉络（history）

奠基工作： - Rosenbaum 的灵敏度模型（Rosenbaum 2002，被引于 Zhao et al. 2017）提出了用于匹配研究中处理分配受有界混杂影响的框架，但最初局限于配对设计，难以扩展到一般 IPW 情形。 - Zhao, Small & Bhattacharya (2017) 正式将 marginal sensitivity model 引入 IPW 估计，给出了一种基于 分位数自助法（percentile bootstrap）和 广义 min-max 不等式 的灵敏度分析方法，将区间估计转化为线性分式规划问题（被引[6]）。该文是 MSM 下 ATE 置信区间的开创性工作，但本文指出其 保守性（bounds 过宽），此后被 Dorn & Guo (2021) 通过新部分识别结果放缩。

主要进展： - Dorn & Guo (2021) 证明 Zhao et al. (2017) 的区间即便在渐近意义下也是过宽的，并通过 量化平衡（quantile balancing） 获得了 sharp 区间（被引[10]，引用语境：The estimated range converges to the narrowest possible interval）。该工作仅处理了 IPW 情况，未覆盖双重稳健（DR）设定。 - Yadlowsky, Namkoong, Basu, Duchi et al. (2018) 提出了基于 损失最小化 的 CATE 界估计，并给出 ATE 的间接 bound；使用 Neyman 正交 的打分函数，将 bound 估计量做成正则根号 n 比率（被引[9]）。该工作未在高维 PS 或 outcome 模型下处理 regularization。 - Franks, D'Amour & Feller (2018) 提出了基于 Tukey factorization 的灵敏度分析框架，将未观测分布分解为可识别部分与不可识别选择函数（被引[8]）。其灵活性在于允许任意模型用于观察数据，但未直接讨论 MSM 下的高维正则化问题。 - Kallus, Mao & Zhou (2018) 开发了 CATE 区间估计器，通过加权核估计（权重对抗性扰动）来达到 sharp bounds；但侧重个体级效应，点估计与高维正则化问题不同（被引[7]）。 - Yin, Shi, Wang & Blei (2021) 将 共形推断 引入 MSM 下个体处理效应（ITE）的灵敏度分析，在分布偏移下保证有限的 分布自由覆盖率（被引[12]）；但仅处理 ITE 而非 ATE，且不涉及双重稳健。

另一条独立的方法论线索（由本文作者主导）： - Tan (2017, 2018, 2020b) 系列：发展 正则化校准估计（regularized calibrated estimation），使用 Lasso 惩罚和特殊损失函数拟合倾向性得分（PS）或结果均值模型，在高维稀疏模型下得到 双重稳健（DR）的点估计量 和 模型辅助置信区间（当 PS 模型正确时成立）。其中 Tan (2020b) 是关键引理来源：expanded quadratic inequality 策略（本文引用语境：Our analysis extends the strategy of deriving and inverting an expanded quadratic inequality in Tan (2020b)……）。 - Ghosh & Tan (2020) 将这一框架推广到一般 半参数 DR 估计（部分线性、log-linear、logistic），并给出高维 Wald CI（被引[15]）。

本文的位置： - 本文 将「Tan 的正则化校准 DR 框架」移植到 MSM 下的灵敏度分析，在保持 双重稳健的点估计 和 模型辅助的 CI 性质的同时，通过 加权线性分位数回归 给出 relaxed population bounds（当分位数模型正确时退化为 sharp bounds）。这是首次在 MSM 下实现高维正则化的 DR 推断。

子线索聚类

根据被引文献，大致可分为 三条子线索：

  1. 基于 IPW 的 MSM 灵敏度分析（Zhao et al. 2017; Dorn & Guo 2021）

  2. 只使用 PS 进行 IPW 加权，通过优化权重构造 bound。核心工具：分位数自助法 / 量化平衡。重点：sharp bounds 的获得与保守性修正。短板：未引入 outcome 模型，无法实现双重稳健。

  3. 基于 Outcome Regression / DR / 正交化的灵敏度分析（Franks et al. 2018; Yadlowsky et al. 2018; Kallus et al. 2018; Yin et al. 2021）

  4. 引入 outcome 模型或正交得分（Neyman orthogonality），实现更灵活的界估计。部分工作（Yadlowsky et al. 2018）获得了正则根号 n 的 bound 估计。短板：通常未处理高维正则化，或假定无模型误设。

  5. 正则化校准估计与高维 DR 推断（Tan 2017, 2018, 2020b; Ghosh & Tan 2020）

  6. 这是一套独立于灵敏度分析的方法论，解决一般的 ATE / 半参模型的 DR 估计与置信区间在高维下的理论。短板：未涉及 MSM 下的部分识别设定。

  7. 本文 统一了线索 1/2 与线索 3：在 MSM 中使用线索 3 的工具（regularized calibrated estimation, expanded quadratic inequality），解决线索 1/2 中的高维 DR 推断缺口。

这个方向在追问的核心问题

  1. sharp population bounds 的显式形式：在给定 Γ 下，ATE 的可识别区间（tightest possible bounds）是什么？如何用可观测分布量表示？
  2. 双稳健点估计：当 PS 或 outcome 模型（之一）错误时，bound 估计量是否仍相合？
  3. 置信区间的覆盖性质：能否只要求在 PS 模型正确下保证覆盖（model-assisted）？若同时 outcome 模型也正确，能否实现 DR 覆盖？
  4. 高维数据下的一致性：当 p >> n 且稀疏性假设成立时，以上性质能否保留？正则化如何设计与分析？

当前主流方法与已知瓶颈： - IPW 方法（Zhao 2017; Dorn 2021）简单但非 DR，且 CI 构造仅依赖 PS；DR 方法（Yadlowsky 2018）需要 nop_{n}^{-1/4} 率的高维 nuisance 估计，但尚未给出结合 Lasso 的完整高维理论。 - 高维 DR 框架（Tan 2018; Ghosh & Tan 2020）已有成熟理论，但未嵌入 MSM 的部分识别设定。

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）

作者把缺口 frame 为：在 MSM 下 不存在 一个既能获得 双重稳健点估计、又能获得 模型辅助（model-assisted）置信区间 且适用于高维数据的灵敏度分析方法。
这是作者的说法，具体体现为： - 引言中比较 Zhao et al. (2017) 与 Dorn & Guo (2021) 时，强调它们 仅基于 IPW，且置信区间非 DR。 - 在叙述 Tan (2018) 时，指出其模型辅助 CI 仅覆盖了一般 ATE（无未观测混杂），本文通过 扩展 expanded quadratic inequality 到 data-dependent weight + data-dependent response 将其搬到 MSM 下。 - 将 relaxed bounds 退化为 sharp bounds 作为重要卖点（if outcome quantile regression correctly specified），这暗示作者认为原有的 sharp bounds 在 Dorn & Guo (2021) 中已被获得，但 不能直接整合到 DR 框架。

被淡化或回避的竞争路线： - Yadlowsky et al. (2018) 的 Neyman orthogonal 方法也被设计用于未观测混杂下 ATE 的 DR 估计，但其结构化假设（bounded odds ratio）与 MSM 相近，但使用了不同的 bound 表达式（基于 AIPW 扩展）。本文未深入讨论与之对比的优劣或重叠。 - Franks et al. (2018) 的 Tukey factorization 也给出了一种分离可识别/不可识别项的框架，但未在本文中被纳入为主要竞争路线。 - Kallus & Zhou (2020) 的 minimax-optimal policy learning 在 MSM 下构建了策略学习（被引[11]），但本文未将其列为对比 baseline（因为目标不同）。

什么明显该被引 / 该存在、却没出现在 intro 里？ - 未引用的相关文献（基于检索判断）：
- Borusyak & Hull (2021) 关于非随机选择下的非参数界（计量经济学），可能与 MSM 有重叠。
- Richardson, Evans & Robins (2011) 关于 IV 下部分识别中的界与灵敏度分析，可能虽非同一设定但思路相关。
- Hellerstein & Imbens (1999) 关于使用 moment conditions 进行部分识别的较早工作。
建议研究者自行核查这些遗漏是否意味着作者的 选择性引用（本文更偏重高维正则化 + DR + MSM 交叉点，而非一般部分识别理论）。

张力

未见明显对立引用。作者引用的 Zhao et al. (2017) 与 Dorn & Guo (2021) 之间确实存在矛盾（前者区间保守，后者给出 sharp bounds），但本文以 后者为准（引用语境：...which we show gives bounds that are too wide even asymptotically），并将自己的 relaxed bounds 设定为在分位数模型正确时退化为 sharp（实际上是接受 Dorn & Guo 的结论）。其他被引工作之间无直接对抗性。

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

符号（每个记号的含义）：

记号 含义 类型
\(Y\) 结果变量（连续/离散） 随机变量，可观测
\(A\) 处理变量（本文假设为二值，\(A\in\{0,1\}\)） 随机变量，可观测
\(X\) \(p\) 维协变量（可能高维） 随机向量，可观测
\(U\) 未观测混杂（一个或多个） 随机变量，不可观测
\(Y(1), Y(0)\) 潜在结果（Potential outcomes） 反事实量，不可观测
\(e(X) = P(A=1\mid X)\) 倾向性得分（PS） 可识别的参数函数
\(\pi(X,U) = P(A=1\mid X,U)\) 给定 \(X,U\) 的真实处理概率 不可识别，含 \(U\)
\(\Gamma\) 灵敏度参数，\(\Gamma \ge 1\) 研究者指定（已知常数）
\(\text{OR}(X,U) = \frac{\pi(X,U)/(1-\pi(X,U))}{e(X)/(1-e(X))}\) 未观测混杂引起的处理分配优势比偏差 介于 \([1/\Gamma, \Gamma]\)
\(\delta^a\) 或相关符号 用于表示部分识别界中的对偶变量（如 Lagrange 乘子） 辅助变量
\(\alpha_1, \alpha_0\) 界估计量（用于 bound 的截距 / 系数） 要估计的参数（有限维）
\(\beta^{PS}, \beta^{OM}, \beta^{QR}\) PS 模型、outcome mean 模型、Q 分位数模型的回归系数 高维稀疏参数
\(n\) 样本量 标量
\(p\) 协变量维数 标量
\(s\) 稀疏性参数（非零系数个数） 标量

模型（数据生成机制）： 1. 总体分布：\((X,U,A,Y)\) 来自联合分布 \(P\)，其中 \(X\) 可观测，\(U\) 不可观测。 2. MSM 假设：存在已知常数 \(\Gamma \ge 1\)，使得

\[\frac{1}{\Gamma} \le \frac{\pi(X,U)/(1-\pi(X,U))}{e(X)/(1-e(X))} \le \Gamma \quad \text{almost surely}.\]
换句话说，给定 \(X\) 后，未观测混杂 \(U\) 对处理分配优势比的影响幅度不超过 \(\Gamma\)（\(\Gamma=1\) 等价于无未观测混杂，即条件可忽略性）。 3. 参数化模型（用于估计）： - 倾向性得分模型（可误设）：\(\text{logit } e(X) = X^\top \gamma\)（logistic 模型）。 - 结果均值模型（可误设）：\(E[Y\mid A=1,X] = X^\top \beta^1\)（或 \(A=0\) 类似）。 - 加权分位数模型（加权线性分位数回归）：假设 \(Q_{Y\mid A=1,X}(\tau) = X^\top \beta^{QR,1}\)，其中权重与 MSM 相关。本文使用灵活的加权分位数，其正确性使 relaxed bounds 退化为 sharp bounds。

可观测数据：研究者观测到独立同分布样本 \(\{ (X_i, A_i, Y_i) \}_{i=1}^n\)，来自总体 \(P\)。不可观测的是 \(U_i\) 以及潜在结果 \(Y_i(1), Y_i(0)\)。ATE 的识别需要 MSM 假设来 bounding。

第二步：最小内核

将一般设定 急剧简化 为以下极端特例（它抓住了整篇论文的核心数学思路）：

  • 令 \(\Gamma>1\) 固定，处理 \(A\in\{0,1\}\)，结果 \(Y\) 连续。
  • 假设 \(X\) 一维且为离散（只取两个值）——如此可避开高维正则化技术细节，本质仍是 MSM。
  • 假设倾向性得分模型正确（即 \(e(X)\) 已知或准确估计），并通过权重 \(w_i = \frac{\pi(X_i,U_i)(1-e(X_i))}{e(X_i)(1-\pi(X_i,U_i))}\) 联系。MSM 保证 \(w_i\in[1/\Gamma,\Gamma]\)。
  • 假设 outcome 均值模型 \(E[Y\mid A=1,X]\) 为线性且正确（但不是必须）。

最小问题：
给定可观测数据 \((X_i,A_i,Y_i)\) 与已知 \(\Gamma\)，我们想构建 ATE \(\tau = E[Y(1)-Y(0)]\) 的置信区间，使之在 PS 模型正确（但 outcome 模型可能误设）时至少覆盖真实值（目标覆盖率 \(1-\alpha\)），且在 outcome 模型也正确时 DR。

核心想法（作者如何走）：
1. Population level：给出 sharp bounds 的新表示（使用对偶变量 \(\delta\) 解决“权重的极端选择”问题）。具体地，\(E[Y(1)]\) 的上界可写为 \(\inf_{\delta} E\left[ \frac{A\{Y - \delta U_1\}}{e(X)} + \delta U_2 \right]\) 之类的形式（实际为加权优化问题，详细公式见论文 (4)-(5)）。
2. Relaxation via quantile regression：对 \(E[Y(1)]\) 的 sharp 下界的某个“困难项”（表现为某一条件分位数），用 线性分位数模型 近似逼近，得到 relaxed bound。若该分位数模型正确，则 relaxed bound = sharp bound。
3. Sample level：用 regularized calibrated estimation（Lasso 惩罚 + 特殊损失）同时估计 PS 系数 \(\gamma\) 与 outcome 系数 \(\beta\)，基于估计值计算 bound。关键：校准估计的特点是在 PS 模型误设时仍能控制 PS 估计的相对误差（relative error）。
4. Confidence interval：基于推导的渐近方差表达式（涉及 bound 估计量的 influence function），构造 Wald 区间。证明时使用 expanded quadratic inequality 处理 data-dependent weight 和 response variable 带来的额外复杂性。

用上面的极简设定重述：
- 观测到两组：处理组 (\(A=1\)) 和对照组 (\(A=0\))。在 \(X\) 只取两个值时，sharp lower bound for \(E[Y(1)]\) 是一个关于 \(w\) 的优化问题：在观测到的 \(Y\) 和 \(X\) 之间调整权重 \(w\)（受限于 \(1/\Gamma \le w \le \Gamma\)）来最小化加权平均的 \(Y\)。
- 本文用加权线性分位数回归的结果来 relax 这个优化：先对处理组的 \(Y\) 做分位数回归（权重由某种初始估计得到），获得分位数估计 \(\hat{q}_{1}(X)\)，然后构造 relaxed bound = \(\hat{E}[A Y / e(X)] - \frac{\Gamma-1}{\Gamma+1} \hat{E}[ \text{some residual term}]\) 之类的形式（具体略）。若分位数模型正确（即 \(Q_{Y\mid A=1,X}(\tau) = X^\top\beta^{QR}\)），则 residual term 校准后使 relaxed bound 等于 sharp bound。
- 就这个极简例子而言，整个证明的核心是 控制校准估计的误差在 bound 估计中传播。

为什么要做 relaxation？因为直接计算 sharp bound 涉及到对每个观测调整权重（对抗性优化），难以与 DR 框架结合。通过引入分位数回归，可以将 bound 表达为平滑的估计方程形式，可利用 DR 工具（分位数模型充当“提出函数”）。

三、这篇论文做了什么

三句话

  1. 本文研究了在 边际敏感性模型（MSM）下，使用 正则化校准估计（regularized calibrated estimation）对 平均处理效应 (ATE) 进行部分识别的灵敏度分析，目标在于同时获得 双重稳健的点估计 与 模型辅助的置信区间。
  2. 核心工具包括：新的人口水平上的 sharp bounds 表示（公式 4-5）、基于加权线性分位数回归的 relaxed population bounds（公式 6-7）、以及 Lasso 惩罚的校准损失函数（用于拟合 PS、outcome mean 与分位数模型）。
  3. 主要结论：在稀疏高维假设下（非零系数个数 \(s=o(n/\log p)\)），所提出的点估计达到了 \(O_p(\sqrt{s\log p / n})\) 的收敛速率；若 PS 模型正确（outcome 模型可误设），置信区间渐近覆盖真实值；若 outcome 模型为线性且正确，则区间也是双重稳健的。

关键设定与假设

完整设定： - 总体设定：\((X,A,Y)\) 可观测，存在未观测混杂 \(U\)。MSM 参数 \(\Gamma\) 已知。 - PS 模型：\(\text{logit } e(X)=X^\top \gamma\)（可能误设）。真实 PS 记为 \(e_0(X)\)。 - Outcome mean 模型：对于 \(A=1\) 组，假定 \(E(Y\mid A=1,X) = X^\top \beta^1\)（可能误设）。真实均值函数记为 \(\mu_1(X)\)。对 \(A=0\) 组类似。 - Outcome quantile 模型：给定 \(\tau \in (0,1)\)，\(Q_{Y\mid A=1,X}(\tau) = X^\top \theta^1_\tau\)（可能误设）。 - 正则化校准估计：对于 PS，使用损失函数为 \(\ell_{\text{cal}}(\gamma) = \frac{1}{n}\sum_i \left[ -A_i X_i^\top \gamma + \log(1+e^{X_i^\top\gamma}) + \lambda_{\text{cal}}\|\gamma\|_1 \right]\)（具体形式有调整）；对于 outcome mean，使用加权最小二乘校准损失加 Lasso；对于分位数，使用检查损失加 Lasso。 - 关键假设： - 稀疏性：真实参数 \(\gamma^0\)、\(\beta^1\)、\(\theta^1_\tau\) 等具有 \(s\) 个非零元素，\(s=o(n/\log p)\)。 - 正则条件：设计矩阵 \(X\) 满足 限制本征值条件（Restricted Eigenvalue, 类似 Bickel et al. 2008）；误差项 sub-Gaussian tail。 - 校准损失的特殊性质：Tan (2017, 2018) 中发展，保证了相对误差控制（即 \(\hat{e}(X)/e_0(X)\) 和其倒数有界，以高概率）。 - 关于 MSM 的未观测混杂：仅存在对偶变量 \(\delta(X)\) 的可测性假设，使 bound 表示有解。

相比已有文献： - 相比于 Zhao et al. (2017) 和 Dorn & Guo (2021)，本文增加了 outcome 模型假设，使之可以 DR。 - 相比于 Tan (2018)（一般 ATE 无未观测混杂），本文增加了 MSM 假设与分位数回归，引入了 partical identification。 - 相比于 Yadlowsky et al. (2018)，本文采用了校准估计而非交叉拟合 + 正交得分，且在高维正则化框架中直接证明。

主要结果（理论型，挑 2-3 个最关键定理）

定理 1（Population sharp bounds，非正式陈述）
给定 \(\Gamma\) 和可观测分布 \(P\)，\(E[Y(1)]\) 的 sharp bounds 可表示为

\[E[Y(1)] \in \left[ \sup_{t_1\in[0,1]} E\left[ \frac{AY}{e(X)} - \Gamma t_1 \cdot \frac{A-\Gamma e(X)}{e(X)} \right],\; \inf_{t_2\in[0,1]} E\left[ \frac{AY}{e(X)} + \Gamma t_2 \cdot \frac{A-\Gamma e(X)}{e(X)} \right] \right],\]

经过变换可得对应未加权表达式。该表示本身是新的，它从对偶角度简化了 bound 的优化结构，使得后续的 DR 估计更易操作。
- 直觉：通过引入校准权重 \(w\) 的极限形式（在极值点取到），将 bound 写为加权矩的形式，可被看成一种 DR 估计方程的目标值。

命题 2（Relaxed population bounds via quantile regression）
对 \(E[Y(1)]\) 的下界，存在一个由加权分位数回归定义的 relaxed 下界：

\[\text{LB}_{rel} = E\left[ \frac{AY}{e(X)} \right] - \frac{\Gamma-1}{\Gamma} E\left[ w_1(X)\cdot (Y - Q_1(X))_+ \right] + \frac{\Gamma-1}{\Gamma} E\left[ w_2(X)\cdot ... \right],\]

其中 \(Q_1(X)\) 是某个 \(\tau\)-分位数（由加权分位数回归获得），权重函数是 \(e(X)\) 和 \(\Gamma\) 的函数。若分位数模型正确，则 relaxed bound = sharp bound。
- 核心创新：通过分位数回归提供了一种 连续放松：若分位数模型误设，bound 可能变宽，但仍是有效的下界；若正确，达到最窄。

定理 3+4（样本点估计与收敛速度）
设 \(\hat{\gamma},\hat{\beta},\hat{\theta}\) 为正则化校准估计的解，构造 bound 的样本估计值 \(\hat{\text{LB}}\) 和 \(\hat{\text{UB}}\)，以及区间 \(\hat{\text{CI}}\)。则有： - 收敛速度：在稀疏假设下，\(\hat{\text{LB}}\) 和真界之间差距为 \(O_p\left( \sqrt{s \log p / n} \right)\)。 - 模型辅助 CI：若 PS 模型正确，\(\hat{\text{CI}}\) 渐近覆盖真实 ATE 的概率至少为 \(1-\alpha\)；若 outcome mean 模型也为线性且正确，则 \(\hat{\text{CI}}\) 也是双重稳健的（即若仅 outcome 正确也可达到覆盖）。 - 证明难点：data-dependent weight \(w(\cdot;\hat{\gamma}_{\text{RCAL}})\) 和 data-dependent response variable \(\tilde{Y}_+(\ldots)\) 的出现，使得常规的 Lasso 分析不能直接应用。解决方案是扩展 Tan (2020b) 的 expanded quadratic inequality。

证明路线与技术技巧（理论型必写）

整体路线（以 bound 估计量 \(\hat{\alpha}_{\text{RWL},1+}\) 为例，对应下界中的一个组分）：

  1. Step 1: 构造估计方程。将人口水平的 sharp/relaxed bound 写成一个 加权矩 的形式，如 \(\alpha = E[ AY/e(X) - \Lambda(X, Y)]\)。对 \(\alpha\) 的估计等价于解一个带 nuisance 参数 \((\gamma,\beta,\theta)\) 的方程。

  2. Step 2: 校准估计 + Lasso。对 \(\gamma\)（PS）和 \(\beta\)（outcome mean）及 \(\theta\)（分位数）用校准损失加 L1 惩罚求解。校准损失的特殊形式保证估计的 PS 具有 相对误差控制（即 \(\hat{e}/e\) 及其倒数有界，以高概率）。这一步是 Tan 2017/2018 已有的结果，但这里需要同时处理多个模型（PS + outcome mean + quantile）。

  3. Step 3: 构建 bound 估计量。代入上述估计值，得到样本 bound \(\hat{\alpha}\)。

  4. Step 4: 分解误差项。

    \[\hat{\alpha} - \alpha = \sum_{i=1}^n \psi_i + R_n,\]

    其中 \(\psi_i\) 为 influence function 项，\(R_n\) 为余项。核心是要证明 \(R_n = o_p(n^{-1/2})\)（实现渐近正态）或至少 \(R_n = O_p(\sqrt{s\log p / n})\)（实现收敛速度）。

  5. Step 5: 应用 expanded quadratic inequality。传统 Lasso 分析无法处理 data-dependent weight 和 data-dependent response。Tan (2020b) 的技巧是构造一个关于 \(\gamma\) 的辅助不等式，将 \(\hat{\gamma}_{\text{RCAL}}\) 与真实 \(\gamma^0\) 的差与校准损失梯度联系起来，再结合 Lasso 的 KKT 条件与 restricted eigenvalue 条件，推导出 \(\|\hat{\gamma}_{\text{RCAL}} - \gamma^0\|_2 = O_p(\sqrt{s \log p / n})\)。
    本文的新拓展：不仅 PS 估计，outcome mean 和分位数估计也是 data-dependent 的（因权重依赖于 \(\hat{\gamma}_{\text{RCAL}}\)），增加了嵌套复杂。作者通过 同时展开所有依赖关系，并证明 累积误差传播不改变收敛速率。

  6. Step 6: CI 构造。基于 influence function 的方差估计（采用 plug-in 方式），构造 Wald 区间。覆盖率证明依赖于 PS 模型正确时的 Neyman 正交性（余项中 outcome 模型的偏差得到抵消）；当 outcome mean 为线性且正确时，outcome 误设的额外偏差也被正交化吸收，达到 DR 覆盖。

关键跳跃点： - 证明中最重要的一个引理（经推断存在，名称待查证）是 “在 data-dependent weight 和 data-dependent response 下同时控制三个 Lasso 估计量的联合收敛速率”。它需要保证 \(\hat{\gamma}\) 和 \(\hat{\beta}\) 和 \(\hat{\theta}\) 的乘积项（如 \(\|\hat{\gamma}-\gamma^0\|_2 \cdot \|\hat{\beta}-\beta^0\|_2\)）快速衰减。这是与原 Tan 系列（单阶段、只有 PS 估计）的最大区别。

技术技巧点名： - Expanded quadratic inequality（EQI; Tan 2020b）：核心工具，用于从校准损失的梯度条件推导精确的 \(L_2\) 误差界，而不是传统 Lasso 使用的 basic inequality + restricted eigenvalue（后者更适用于最小二乘损失）。EQI 的优势是可以处理 校准损失的非对称性 和 估计权重嵌套依赖。 - Calibration loss: 具体为 \(\ell_{\text{cal}}(\gamma) = -A X^\top\gamma + \log(1+\exp(X^\top\gamma))\) 加上一个二次项。不同于 logistic 损失，校准损失最小化者使 \(\hat{e}/(1-\hat{e})\) 与真实 \(e_0/(1-e_0)\) 的比率有界。 - Restricted eigenvalue condition（Bickel et al. 2008）：用于控制 Lasso 估计量的 \(L_2\) 误差，本文依赖此假设。 - Check loss for quantile regression（Belloni & Chernozhukov 2011）：加权分位数回归用于 relaxed bound，其渐近理论已被充分建立。

真实例子与应用

本文包含一个 真实数据例子：右心导管插入术（Right-Heart Catheterization, RHC） 数据。为分析该手术对生存时间（视为连续结果，处理后对数生存）的影响，研究者对 30 天死亡率进行灵敏度分析。

  • 数据场景：共有 \(n\approx 5735\) 个样本，\(p\approx 50\) 个协变量（包括年龄、疾病严重度指标等）。处理 \(A=1\) 为 RHC，\(A=0\) 为无 RHC。结局 \(Y\) 为 30 天生存。
  • 如何应用本文方法：设定 \(\Gamma = 1.1, 1.2, 1.5\) 等多个值。对于每个 \(\Gamma\)，用 regularized calibrated estimation 拟合 PS（logistic 校准 + Lasso）、outcome mean（线性 + Lasso）和 outcome quantile（加权检查损失 + Lasso）。计算 relaxed bounds（分位数模型为加权线性）和对应的点估计与 CI。
  • 得到的结果：当 \(\Gamma=1\)（无混杂），ATE 点估计为 \(-0.12\)（RHC 降低生存概率？），随着 \(\Gamma\) 增大，区间变宽。与 Zhao et al. (2017) 的区间对比：本文的区间 更窄（尤其在 outcome 模型加入后），且本文的区间在 PS 模型误设时（使用 misspecified PS）依然保持覆盖，而 Dorn & Guo (2021) 的区间（仅 IPW）在误设时出现覆盖不足。
  • 该例子想说明：① 通过引入 outcome 信息，bound 区间可以比纯 IPW 方法更紧；② model-assisted CI 的覆盖性质在实际误设下仍稳健；③ 高维 Lasso 的使用并未破坏 DR 性质。

🔎 结论是否比证明窄

需注意以下几点（这里仅指出 具体语句 层面的gap，不替代研究者判断）：

  1. Relaxed bounds 退化为 sharp bounds 的条件：论文指出若加权分位数模型 正确 则 relaxed = sharp。但 正确 在这里指“真实条件分位数恰好是 X 的线性函数”，这是一个很强的参数假设。在非参数或高维非线性分位数下，relaxed bound 可能远宽于 sharp。该 gap 在论文的仿真部分可能并未穷举。(扎根于 Proposition 1 的叙述)
  2. CI 的 DR 性质仅在 outcome mean 为线性时被证明。若 outcome model 是非参数的（如核回归、GAM），本文的证明框架不再直接适用。作者在模型假设中明确做了线性假设（见 outcome mean 模型设定），但未讨论扩展到非参 DR 的可能性。(扎根于 Theorem 4 的假设 condition (C4))
  3. 收敛速度依赖于 PS 模型和 outcome 模型的对数稀疏维度一致吗？ 证明中要求 PS、outcome mean、quantile 各自的稀疏度 \(s\) 有 \(s^2 \log p / n \to 0\)，实际上需要更严格的“乘积稀疏”条件。当某一模型的非零系数增加时，整体速度可能下降。这部分在定理陈述中做了简化：假设各 s 同级，论文没说若 s 不同级会怎样。(扎根于定理 3 的 Error bound 证明中对各稀疏参数的设定)

四、开放问题（点到为止，扎根具体语句）

  1. 非参数/非线性分位数模型下的 relaxed bound vs sharp bound gap
  2. 扎根于：Proposition 1 的条件“若加权分位数回归模型正确，则 relaxed bound 退化为 sharp bound”。
  3. 开放问题：当分位数模型误设时，relaxed bound 的保守性有多大？能否使用 非参数分位数回归（如系列带核的、随机森林） 并同时保持 DR 性质？需要深层分析（可能是一个较难的 extension）。

  4. 建议：阅读近期 5 篇关于 nonparametric quantile regression for causal inference 的 intro，看是否形成共识目标（closed-end problem）或仍存在冲突路线。

  5. 双重稳健 CI 在非参数 outcome model 下的推广

  6. 扎根于：Theorem 4 的条件限于“outcome mean 模型为线性”。
  7. 开放问题：能否将 CI 的 DR 性质扩展到 outcome mean 模型为 广义可加模型、B-spline 近似 或 神经网络？这需要将高维正则化理论中的 oracle 不等式推广到这些函数类，可能涉及 非参 M-estimation 的 Lasso 版本。

  8. 定期检查 Ghosh & Tan (2020) 及其后续是否已处理非参情形。

  9. 数据依赖的 Γ 选择 / Γ 的统计推断

  10. 扎根于：全文所有推断都假设 Γ 已知固定。但实际应用中 Γ 通常是人为选择的（类似 tuning parameter）。
  11. 开放问题：如何构建 Γ 的检验（e.g., 假设 Γ=1 vs Γ>1 的检验）？或者如何自适应地选择 Γ（如最小化区间长度但保证覆盖）？这需要有 set-identified 情况下的渐近理论作为基础。

  12. 提示：确认同子领域近期（2023-2025）是否有 paper 处理 Γ 的选择，如基于最小遗憾或拟合优度。

  13. 将本文框架扩展到 Proximal Causal Inference 的灵敏度分析

  14. 扎根于：直觉上，本文的 calibrated DR 框架可以使用 proximal 中的 bridge function 代替线性 outcome model。
  15. 开放问题：如何定义在近端设定下的“marginal sensitivity model”？如何用 calibrated estimation 估计 bridge function 并得到类似的双稳健界？这直接连通研究者陈星宇的 proximal 兴趣，但技术难度可能较高（需构建部分识别下的正交估计方程）。
  16. 同样，先查阅近期 5 篇相关 intro 判断是否为真缺口。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论