A Bayesian framework for causal analysis of recurrent events with timing misalignment¶

作者: Arman Oganisian, Anthony Girard, Jon A Steingrimsson, Patience Moyo
来源: Biometrics
主题: 因果推断
相关性: 8/10
机构绿灯: Brown University（US News 前 50，免分进入精读）
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：在观察性研究中，当感兴趣的结果是一个能够重复发生的事件（如住院），且存在一种“终止事件”（如死亡）会永久终止该事件的记录时，如何对“治疗对复发事件率的影响”进行因果识别与估计。该方向当前成熟度的标志是：已有多个不同框架（IPW、g-computation、贝叶斯结构性模型）试图解决该问题，但“治疗时间与资格时间的错位”这一实际数据中几乎必然存在的特征，却极少被正式纳入识别框架。这篇论文正是试图填补这个缺口。

发展脉络（history）¶

用这篇论文 introduction 引用的工作串成一条线：

奠基工作：Schaubel and Zhang (2010) 提出逆概率加权（IPW）估计器，用于在存在终止事件时估计边际复发事件均值的治疗效应，这是处理该问题最早的半参数方法之一。它的识别策略依赖于边际结构模型与 IPTW，但 “假设治疗时间与资格认定时间相同”是一个隐含前提（文中主估计量基于“在 t=0 时处理是否已接受”的二元定义，但这在时间错位下会模糊）。
进展一（IPW 与稳健扩展）：Su et al. (2020) 将 Schaubel 和 Zhang 的方法扩展为双稳健估计（doubly robust），结合了 IPW 与基于模型的回归估计器。这解决了部分模型错误设定的问题，但仍然不处理时间错位：他们的方法要求每个个体的治疗状态在基线时刻是已知且固定的。
进展二（因果框架的建立）：Janvin et al. (2024) 在离散时间因果框架下形式化定义了复发事件中的因果 estimand，并区分了包含/不包含终止事件时的不同解释（总效应 vs. 受控直接效应），这是一个重要的概念清理（即作出 causal estimand ≠ statistical estimand 的区分）。但它仅处理点治疗（point-treatment）设定，治疗干预在基线时就决定了，没有处理随时间变化的治疗或错位问题。
进展三（主分层方法的贝叶斯估计）：Lyu et al. (2022) 提出贝叶斯方法估计“存活者主分层”内的因果效应——只在“无论接受哪种治疗都会活到随访终点”的患者中比较复发事件。他们使用了潜变量 (frailty) 联合模型来处理复发事件与死亡。但同样，这是点治疗设定，且主分层 estimand 的解读依赖于“被定义在存活者亚群”这一结构，不回答目标人群边际效应（population-average effect）。
当前 frontier 与本文位置：上述工作都假设“资格认定时间 = 治疗开始时间”，但这在行政健康数据中几乎不成立——患者可能在满足纳入标准（如诊断为疾病）之前或之后才开始接受治疗。本文的工作是：发现这个断裂，并将其形式化为一个时变治疗问题，再通过 g-computation 与联合贝叶斯模型实现估计。据作者称，这是第一篇正式处理复发事件因果推断中时间错位问题的工作。

子线索聚类¶

这些被引文献大致落在以下 3 条子线索：

标准复发事件因果方法（含终止事件）：Schaubel and Zhang, Su et al. (2020), Su et al. (2020b)
- 做什么：半参数估计边际因果效应（IPW、DR）、Nelson-Aalen 的加权版本。
- 共同特征：点治疗，有 r > 0 的终止事件，强假设下可识别。工具：IPW、g-computation。
因果框架的形式化建立（概念清理）：Janvin et al., Young et al. (2020)
- 做什么：在反事实框架下把统计 estimand （如 cause-specific hazard 的比值）明确对应到哪一类因果效应（总效应 vs. 受控直接效应）。
- 共同特征：强调当存在终止事件时，风险比没有因果解释，必须用存活函数或累积发生率差。前者限点治疗，后者也要求点治疗。
贝叶斯主分层方法：Lyu et al. (2022)
- 做什么：在主分层（principal stratification）内比较事件率，使用潜变量联合模型。
- 共同特征：点治疗、被定义在存活者亚群、识别依赖于强参数模型与单调性（monotonicity）假设。

另有一条弱线索是“时间错位 / 永存时间偏倚”问题，Duchesneau et al. (2022) 的实证评估展示了多种方法在解决此问题上的优劣（比较了 dichotomous、TV、landmark、clone-censor-weight）。但该工作用于生存结果（而非复发事件），且没有给出新的识别或估计理论。

⚠️ 作者的 framing（必须明确标注）¶

这是作者的说法：他们把缺口 frame 成“资格时间与治疗时间的错位在复发事件设定下从未被认真对待”。通过将这个错位问题重新建模为一个时变治疗（time-varying treatment）问题——即始终接受治疗（always treated）、尚未治疗但可以切换（not yet treated）——他们声称自己的框架是“g-computation 在该设定下的自然扩展”。竞争路线被他淡化或回避了的是： - 更复杂的倒概率加权（IPW）在这里也可行：如果调整时间错位的混杂，使用边际结构模型的扩展（比如为每次 at-risk 间隔赋予随时间变化的逆概率权重）理论上可行，作者仅一笔带过“需要估计时间相关的权重，且依赖于正确权重的模型”，认为它“不如 g-computation 直接”。 - 作者未提及 “clone-censor-weight (CCW)”方法：CCW 是 Duchesneau et al. 中使用的方法之一（为处理永存时间偏倚而设计的），它在连续时间下处理与本文类似的“grace period”结构时是有效的。这是一条在因果术语中更现代且发展迅速的路线——通过克隆患者并在不同治疗开始时间点“删失”治疗分配来估算随时间的因果效应。作者的 bibliography 中没有引用相关的工作（如 Hernán 等 2016 年的 'Causal inference under grace periods'）。这条明显该存在却没在 intro 里出现。 - 作者未提及更简单但常见的 ad-hoc 解决方案：他们仅在 Introduction 中提到，许多实证研究通过假设固定的治疗开始窗口（如“在资格诊断后的 30 天内无论何时开始治疗都视为接受”），但并没有指出大量已有研究使用了更严格的方法（如 landmark analysis）来解决这个问题，并在复习中忽略了这些方法的比较。

张力：未见明显对立引用。被引工作之间的主要结构是“不处理同一问题”：Schaubel 等的方法覆盖“终止事件”，但假设点治疗；Janvin 等给出框架来解释 estimand，但不假设时间错位。本文属于在前者基础上增加一个新维度。

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（逐个点名）：
- \(i\): 个体索引，i = 1, ..., n。
- \(t\): 时间，以资格认定时刻（eligibility）为 0 开始。
- \(\tau\): 预先固定的随访窗口长度（例如 3 年）。
- \(E_i(t)\): 个体 i 在时刻 t 是否处于可观测的复发事件发生过程中。一旦死亡（终止事件），\(E_i(t) = 0\) 并且所有后续事件都被截断；否则为 1。
- \(D_i\): 死亡时间（终止事件）。可被右删失，设 \(\tilde{D}_i = \min(D_i, C_i)\)，\(C_i\) 为独立于 \(D_i\) 的删失时间。
- \(N_i(t)\): 计数过程，记录截止 t 时刻的复发事件数。当 \(E_i(s) = 1\) 时，\(N_i(s)\) 可被观测；否则事件发生次数是潜在不可观测的（由死亡截断）。定义 \(N_i(t)\) 在死亡后即停止更新，不再产生新的事件。
- \(Y_i(t)\): at-risk 指示函数，\(Y_i(t) = I(\tilde{D}_i \ge t)\)，表示 i 在 t 时刻尚未死亡且未被删失。
- \(A_i(t)\): 时变治疗指示函数（treat = 1, control = 0）。这是论文的核心记号：治疗状态是一个随时间变化的过程。
- \(X_i\): 基线协变量向量（可含时变部分，但只在给定当前状态时被使用）。
- \(\bar{A}_i(t)\): 截止 t 时刻的治疗历史 \( [A_i(s): 0 \le s \le t] \)。
- \(\bar{E}_i(t)\), \(\bar{N}_i(t)\): 类似的截止 t 时刻的死亡状态与事件历史。
模型（数据生成机制）：
1. 治疗分配机制：\( \text{Pr}[A_i(t) = 1 \mid \bar{A}_i(t^-), \bar{E}_i(t^-), \bar{N}_i(t^-), X_i] \)。即在给定过去治疗、死亡、事件历史与基线协变量的条件下，个体在时刻 t 接受治疗的概率。作者对其不做限制（nonparametric），只要能通过观测到的协变量建模。可忽略性（ignorability / sequential conditional exchangeability）是核心假设：给定历史，潜在事件率（under treatment / no treatment）条件独立于实际的治疗分配。**
2. 复发事件过程：给定协变量与治疗历史，复发事件强度 \( \lambda(t \mid X_i, \bar{A}_i(t), \bar{E}_i(t), \bar{N}_i(t^-)) \)。另一核心假设：在给定全历史（包括全治疗历史、死亡状态等等）下，复发事件的条件性发生率可以建模，且死亡截断事件是独立的（即“在所有存活个体的可观测事件”和“在反事实情况下该个体的假设事件”之间，差异只由治疗引起）。
3. 死亡过程：\( \text{hazard of death}(t \mid \bar{A}_i(t), X_i) \)。假设在基线协变量与全治疗历史下，死亡是不可忽略的删除原因。
可观测数据：研究者能观测到： \((X_i, \tilde{D}_i, \Delta_i, N_i(\tilde{D}_i), Y_i(t), A_i(t))\)，其中 \(\Delta_i\) 是判别删失的死亡指示。什么观测不到：在死亡之后，\(N_i(t)\) 是不可能被观测的——它是截断的。另外，反事实事件（如果从未接受治疗会发生的事件）也观测不到，需要假设。

第二步：讲最小内核¶

把原文的复杂设定剥到只剩“一个复发事件、两个治疗（始终治疗 vs 从未治疗）的简单情况”。

最简特例（“双硬”设定）：有且只有两种人——在一瞬间（在 t=0？不是！为凸显时间错位，我们在资格认定时刻 t=0 时已经知道一部分人的治疗状态，即： - 组 A：在 t=0 时已经“始终治疗” - 组 B：在 t=0 时“还未治疗”，但在某个固定的“grace”点（如 τ₁ = 2 个月）后开始治疗（甚至也可能永不开始）。

用本文概念，这对应于是两个 treatment regimes：always treat (A) vs. never treat (C)。我们的目标是估计两种 regime 下的平均事件数差异：

\[\text{CE} = \mathbb{E}[\text{(在 regime A 下活到 τ 时的累积事件数)} - \text{(在 regime C 下活到 τ 时的累积事件数)}]\]

为什么这不是 trivial？ 原因在于：在 t=0 时，因为一部分人已经开始治疗（组 A），我们不能把它们拿来直接与另一部分人（组 B）比较——因为组 B 可能因为较差的身体状况才刚刚开始考虑治疗（即治疗开始时间的混杂）。这正是时间错位的本质。

最小内核的解决方案：在文章如图 1(b) 展现的策略下，我们只比较 “在相同的第一个缺失治疗时间（即 t=0）后，服从 regime A vs. regime C 导致的潜在事件计数”。用 g-computation 的思路： 1. 对每个人，基于其协变量，我们估计四个分组成的全参数模型：死亡 hazard、时间 t 处的复发事件强度。 2. 然后我们用这些模型去“外推”： - 对于组 A（t=0 时已有治疗）：我们模拟如果所有个体都遵循 regimen A（但在第一个计算间隔中，他们中的部分人必须能在 t=0 时就立即开始治疗，这是数据中实际发生的情况）。 - 对于组 C：我们模拟“如果他们在 t=0 时从未开始治疗”会怎样。 3. 平均数之差即得到因果效应。

在点治疗下，这就是简单的 g-formula。在时间错位下，需要额外两个步骤： - 识别：必须考虑到，对于在 t=0 时仍未治疗的个体，他们的整个后续治疗历史由基线协变量和时变的死亡/事件历史共同决定。 - 估计：使用一个联合模型（死亡 + 复发事件）和 g-computation 来整合这两部分的预测。

核心直觉：通过将“治疗开始时间的决策”作为一个随时间变化的协变量来建模，g-computation 流程可以基于每个患者的协变量路径（不论治疗何时开始）来“外推”如果服从不同最终 regime 会发生什么。这是本文唯一且最重要的数学贡献——在复发事件设定下为正视“时间错位”这一几乎必然的实践困难提供了可操作的识别策略。

三、这篇论文做了什么¶

三句话¶

研究问题：在观察性研究中，复发事件率比较常受到“资格时间 vs. 治疗开始时间错位”（timing misalignment）的污染。本文提出一个识别策略——通过在 g-computation 框架中将治疗视为随时间变化、并通过一个联合半参数贝叶斯模型（死亡 hazard + 复发事件强度）来完成对该方法在右删失下的扩展。
核心方法：使用一个联合模型：死亡 hazard（含基线协变量 / 时变治疗历史）和复发事件强度（含全治疗历史、死亡状态、截断），通过 MCMC（Stan）进行拟合后，再用 g-computation 程序计算边际因果效应（平均事件数差）。
主要结论：通过模拟和真实数据案例（Medicare 中阿片类药物 vs. 其他药物治疗下的住院率）展示了该方法能在合理的模型设定下纠正由时间错位引入的偏差，且对模型错误设定具有一定稳健性。

关键设定与假设¶

在第二节记号基础上，补全完整设定： - 关键定义 1：Treatment Regime。定义两个治疗策略： - \(A_{always}(t) = 1\): 始终接受治疗（from eligibility to end of follow-up）。 - \(A_{never}(t) = 0\): 从未接受治疗。 - 可能还有 \(A_{grace}(t)\): 在先设定的一段时间（如 60 天）内不要求治疗，之后才始终治疗（这在本文比较的实证部分也被使用了，即“grace period”方案）。 - 关键定义 2：潜在结果。 - \(N_i^{a}(t)\), \(D_i^{a}\): 在 regime a ∈ {always, never, grace} 下可被观测的计数与死亡时间。 - 平均因果效应（ACE）: \(\text{ACE}(\tau) = \mathbb{E}[N_i^{always}(\tau) - N_i^{never}(\tau)]\)。 - 假设: 1. 一致性：当一个个体实际接受了 \( \bar{A}_i(t) \) 的过程，\( \bar{N}_i(t) = \bar{N}_i^{a}(t) \)，其中 \(a\) 满足实际治疗路径。 2. 时序条件无混淆性（Sequential conditional exchangeability / 无未测量混杂）：给定过去观测到的协变量与已发生的治疗、死亡历史，未来（潜在）结果与当前治疗分配无关。此假设在本文的 g-computation 框架中通过完全指定全部条件均值模型来“假设”满足。 3. 预后独立性（关于截断）：在给定协变量与时变历史下，死亡是一个独立的截断过程——即死亡事件发生后的事件是不存在的，但这不会引入偏倚。 4. 正确模型设定：所有 4 个参数模型（死亡、复发事件、治疗开始概率，以及可能的删失机制）都是正确的，尽管文中主要是全模型（death + recurrence），而没有对治疗开始概率模型进行 explicit 调整（因此不是 IPW-/DR- 框架，而是严格的建模框架）。 - 相比已有文献的强化与放宽： - 相对点治疗假设（Schaubel & Zhang, Janvin et al., Lyu et al.）：本文放宽了必须假设治疗时间=资格时间的约束。 - 相对 IPW 方法（Schaubel & Zhang）：本文不需要为正分歧引入 Big Data 处理下的多重加权权重估计问题，但要求完全模型规范（包括死亡和复发事件过程的联合分布）。 - 相对现有贝叶斯主分层方法：本文直接估计边际效应，而不是子群体效应。

主要结果¶

本文是方法论文，无简洁定理语句，故理论部分以“识别”为主，实践部分为模拟与真实数据。给出核心的量化结论：

识别定理（非正式）：在假设 1-3 下，边际治疗效应 \( \text{ACE}(\tau) \) 可由 g-computation 公式识别：
\[\text{ACE}(\tau) = \int_{X} \left[ \mathbb{E}[N^{always}(\tau) \mid X] - \mathbb{E}[N^{never}(\tau) \mid X] \right] dF(X)\]
其中每个期望可以通过对死亡—复发过程的积分（显式地用 Monte Carlo 计算）得到：
\[\mathbb{E}[N^a(\tau) \mid X] = \int_0^{\tau} \mathbb{P}(D^a > t \mid X) \cdot \lambda^a(t \mid X) \, dt\]
这里 \(\lambda^a(t \mid X)\) 是给定 regime a 下的事件强度。这一段实质是作者在 Section 2.2 用文字形式给出的。 实际操作的困难与解决：λ(t) 涉及全历史，在 g-computation 里，必须在每一刻迭代式地根据当前治疗历史和协变量来模拟出后续状态变化。
模拟设置与结果：设计了一个三组比较模拟（always treat, never treat, grace period）。
数据生成中，治疗时间itself与健康状况相关（模拟患者病情越重，越可能较早上路治疗，这导致时间错位的混杂）。
结果：标准的点治疗假设方法（用 Naive regression）产生显著偏倚（差 0.72 事件，实际为 0.3），而本文的因果框架方法纠正了几乎全部偏倚（差 0.01）。这个模拟验证了文章对偏倚量级的理解。
健康数据分析结果：在 Medicare 数据中比较“使用甲基苯丙胺/哌替啶（Opioid）的患者” vs “那些服用 non-opioid 治疗慢性痛的患者”的每年住院次数。无正式置信区间或 p 值对比（仅给出后验中位数与 95% CrI）。主要陈述为：“在随访期内，始终接受 Opioid 治疗的患者平均住院次数（1.01 次，95% CrI: 0.87-1.15）略高于始终接受 non-opioid 治疗的患者（0.89 次，95% CrI: 0.76-1.03）”。该例子的主要作用是展示方法在健康数据上的适用性与可操作性。

证明路线与技术技巧（理论型须具体）¶

本文的证明路线更接近于“识别路线 + 估计算法描述”，而非形式化渐近理论的证明。核心逻辑路线：

第一步（建模）：定义两个半参数模型。
- 事件强度模型（式 2）：\( \lambda_i(t) = \lambda_0(t) \exp \{ \beta_1 A_i(t) + \beta_2 \text{(confounders)} + \gamma \cdot (\text{死亡指示/过去事件计数}) \} \)；这里使用了一个可乘强度模型，但基线 hazard \(\lambda_0(t)\) 被建模为用 I-splines 进行平滑估计。
- 死亡 hazard 模型（式 1）：类似地，使用一个 Cox 比例类型模型（但 baseline hazard 也用 I-spline 平滑建模）。
第二步（后验计算）：这两个模型通过共享随机效应（如基于主体的 frailty）联合估计。W = 共享的随机效应项，连接两个模型（即，高度相关的 frailty 会同时增加死亡风险与事件强度，用于解释不可观测的混杂）。
第三步（g-computation，最难的部分）：
- 关键跳跃点：在时间错位下，不能像点治疗那样简单地用一次蒙特卡洛 Simulation 来对所有个体统一施加单一治疗 regime。相反，必须序列性地模拟在每个时间片（片大小由指定为一个月）全体的状态：先根据经验、在给定当前协变量与治疗历史下，对“是否死亡”做二项采样；若存活，再对“在对应区间内是否发生事件？”做泊松采样（每次回归通过给定的 λ(t) 与 frailty）。这个路径方案必须完全根据协变量与治疗规则进行反复模拟。
第四步（效应估计）：
- 技巧：Stan 用于 MCMC，得到所有参数后验分布。然后，在每一次 posterior draw（共 M = 1000）上独立做出完全上述 Time-going-back 的 g-computation，从而得到完整的一维效应数组的 posetrior，再进行后验平均与区间估计。
- 加速技巧（借鉴 Linero, 2022 的 Accelerated G-Computation）：通过在 MCMC 后期使用更稀疏的样本来运行 g-computation random simulation，以降低总成本。

技术技巧点名¶

I-splines (积分样条)：用于建模基线 hazard \(\lambda_0(t)\)，这是经常在贝叶斯生存分析中使用的一种平滑先验。
共享随机效应 (Shared frailty)：用于连接死亡模型与复发事件模型，比独立建模更好地解释了主体间未观察到的异质性——如果一个人更容易死，他的住院也更频繁。
Stan - Hamiltonian Monte Carlo：提供高效的采样，尤其是在维度较高时（分担 frailty 参数），HMC 的 gradient 链大幅提高了收敛速度。
Accelerated G-Computation（引自 Linero, 2022）：只在 MCMC 的一个后验子样本上进行 g-computation 模拟，末期为频次的代价（额外的 Monte Carlo 误差）与节省的时间之间进行折中。

真实例子与应用¶

数据来源：2016-2018 年 Medicare FFS 数据，用于比较“阿片类药物治疗慢性疼痛”对住院率的影响（这是直接基于真实世界数据的观察性研究）。治疗组是使用阿片类药物（被填满处方的患者），对照组是使用 non-opioid 药物。
如何用上：识别两个治疗 regime——始终阿片 vs 始终 non-opioid，以及一个 grace 方案。患者资格时间（eligibility）是 diag 为慢性痛住院的第一天；治疗开始时间存在错位，因为第一次处方可能不是在住院时开的，而是数周后。g-computation 过程中，将每个患者的基线协变量（年龄、合并症、常驻地）代入，然后重复模拟——从而得出两个潜在重复住院的风险。
结果：如上述，always-opioid 的边际平均住院次数略高于 always-non-opioid (1.01 vs 0.89)，95% CrI 有部分重叠但中位数有差异。
例子想说明：在健康现实数据中，存在不可忽略的错位偏倚（用简单naive 回归固定时点治疗估计量会得到更大的差距，暗示这种简单的估计包含了错位带来的虚假乐观效应）。这个例子强化了论文的广告：忽视错位通过高估效果来误导政策判断。

🔎 结论是否比证明窄¶

是，有窄化标签： - 论文在声称“我们的方法适用于所有时间错位的复发事件设定”的通用性下，实际上没有提供对模型错误设定的任何形式化分析（如渐近稳健性或 IPW 式的一致性）。作者明确指出自己的模型识别依赖于所有特定模型——特别是死亡与复发事件强度的正确设定。不过，引导他们的主要竞争路线（IPW）在绝大多数实际应用中也同样面临加权模型错误设定的问题，所以这不是一个实质性的失败。但论文并未指出，当模型假设严重不满足时，方法可能失效的程度。 - 论文的模拟只在一个较为理想的死亡与事件过程模型参数下测试（事件与死亡高危患者由同一共享 frailty 导致，模型控制正确）。没有覆盖“模型完全错误设定”的情景。 - 在方法部分（Section 4.1），作者写作 “Our approach ……it can be applied……” ，应用细节只刻画了一个随访窗口与一个治疗 regime。它需要进一步的扩展（如更复杂的治疗序列多种切换）才能适应更广泛的场景，但论文没有包含这些扩展（只在 future work 暗示可以，但未给出证据）。

四、开放问题（点到为止，扎根具体语句）¶

半参数效率问题：本文的贝叶斯估计器完全是基于所有模型参数的 MCMC 后验与 g-computation。该估计量是否达到了半参数效率下界？它与通过高效影响函数（EIF）构建的双稳健半参数估计量相比，在 MSE 与覆盖上表现如何？——扎根于论文未讨论效率，且其识别路线完全等同于标准 g-formula （详见 Section 2.2），而这个 g-formula 一般在完全非参数时是最优的，但在它的参数模型假定下，它可能比基于 EIF 的估计量差。
模型错误的稳健性：本文完全依赖死亡与事件强度模型的正确设定，但该假设在 Dim 较大的协变量空间中很难保证。能否构建一个双稳健的版本？例如，将 g-computation 估计量与一个逆概率加权（IPW）估计量组合——而且这个 IPW 估计量必须处理时间错位（即，为每个时间点治疗开始这一随时间变化的二元过程定义权重）。这是论文逻辑中可推得的自然扩展（扎根于 “我们选择 g-computation 模块是因为它对更复杂的如时变治疗介导情景的简单扩展的预示性，但双稳健版本仍需研究” —论文 Section 6）。
从“两种 regime”到“多种/连续 regime”：论文只比较了“始终治疗”与“从不治疗”，这在大多数真实政策问题（如“治疗 1 个月 vs 治疗 3 个月 vs 从不”）时不够用。如何将这里的 g-computation 扩展到考虑治疗时长的剂量-响应曲线？——扎根于 “我们的方法是非参数性的，但只有有限比较（例如 always vs never）在模拟中考虑了（Section 2）”，未来还需要定义其他 regime。
计算加速的效率分析：论文使用了 Linero (2022) 的 Accelerated G-Computation，但只在 Monte Carlo 误差层面做了实际考量，没有给出对估计量渐近方差的附加项（如加速程度与 Monte Carlo 样本数的如何影响收敛的机理）的解析。如果可以导出，将节约巨大计算资源并给出更严格的标准误。

Maintained by 陈星宇 · Homepage · Source on GitHub