跳转至

Inferring Comprehensive Cohort Causal Effects in the Presence of Unmeasured Confounding and Missing Outcomes

作者: Shiyao Xu, Razieh Nabi, Martin Underwood, Daniel Scharfstein
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2606.28741

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问题是：如何利用混合设计临床研究（综合队列研究，CCS）的数据，在同时存在未测量混杂（在观察性研究臂中）和结局随机缺失（在两臂中）的情况下，对整个队列（RCT + OBS）的因果效应进行可靠的推断和敏感性分析。其核心挑战在于，既要利用RCT的内部有效性，又要借助OBS的更大样本量和代表性，同时必须正视OBS中因患者偏好选择治疗而产生的未测量混杂，以及两臂中常见的结局缺失问题。当前该方向正处于从“假设无未测量混杂”向“允许并量化未测量混杂”过渡的阶段，本文是这一过渡中的具体推进。

发展脉络（history）

  1. 奠基工作：综合队列研究（CCS）设计的提出与早期分析

    • Olschewski & Scheurlen (1985)：首次提出CCS设计，即患者可选择进入RCT或平行OBS，旨在提高试验的代表性。
    • 早期分析（1990s-2000s）：如Schmoor et al. (1996, 2008)、Brooks et al. (2000) 等，主要关注分别估计RCT和OBS内部的效应，或进行简单的合并，但通常假设OBS中无未测量混杂（即条件可忽略性）。

  2. 主要进展：从“分别估计”到“估计综合队列因果效应（CCCE）”

    • Lu et al. (2019)：首次系统定义了CCCE，并提出了在两种假设下（可解释的RCT选择 vs. OBS中无未测量混杂）的识别与半参数有效估计方法。这是本文的直接前驱。
    • Dahabreh et al. (2019, 2021)：系统发展了将RCT结果推广（generalize/transport）到目标人群的框架，包括嵌套和非嵌套设计。其核心假设是条件交换性（R ⊥ Y(t) | X），即RCT和OBS参与者在给定协变量后是可交换的。
    • Parikh et al. (2025)：提出双重机器学习方法，结合RCT和OBS数据，并提供了一个可检验外部有效性和可忽略性假设的证伪检验。

  3. 当前Frontier：引入敏感性分析以应对未测量混杂

    • Dahabreh et al. (2026)：在推广RCT结果的框架下，首次引入了全局敏感性分析，通过参数化偏离条件交换性假设（R ⊥ Y(t) | X）的程度来评估结论的稳健性。这是本文在敏感性分析方面的主要对标工作。
    • Nabi et al. (2024)：在纯观察性研究中，利用半参数理论推导了平均因果效应（ACE）的有效影响函数，并将其参数化为敏感性参数，提出了一个基于一步偏差校正的估计量。本文直接借鉴了其技术路线。

  4. 本文的位置：本文是上述两条线索的交汇与扩展。它继承了Lu et al. (2019) 对CCCE的聚焦，但放弃了“OBS中无未测量混杂”的强假设，转而采用Nabi et al. (2024) 的敏感性分析框架来建模OBS中的未测量混杂。同时，它扩展了Dahabreh et al. (2026) 的敏感性分析框架，使其能处理结局随机缺失（MAR）的问题。因此，本文填补了“在CCS设计中，同时处理OBS未测量混杂和结局缺失”这一方法论空白。

子线索聚类

  1. CCCE的识别与估计（无/有未测量混杂）：

    • 代表工作：Lu et al. (2019), Dahabreh et al. (2019, 2021), Parikh et al. (2025), 本文。
    • 核心问题：如何定义和识别整个队列的平均因果效应？需要哪些假设（如条件交换性、无未测量混杂）？如何构造高效或稳健的估计量？
    • 本文贡献：在OBS中引入敏感性参数γ_t来放松“无未测量混杂”假设，并推导了相应的识别公式和有效影响函数。

  2. RCT结果推广/运输的敏感性分析：

    • 代表工作：Dahabreh et al. (2026), Lesko et al. (2017), Degtiar & Rose (2021)。
    • 核心问题：当RCT参与者与目标人群不可交换时，如何量化这种偏差对结论的影响？
    • 本文贡献：将Dahabreh et al. (2026) 的敏感性分析框架（基于R ⊥ Y(t) | X）扩展到了CCS设定，并证明了其与本文主框架（基于T ⊥ Y(t) | X, R=0）之间的对偶关系。

  3. 观察性研究中未测量混杂的半参数敏感性分析：

    • 代表工作：Nabi et al. (2024), Scharfstein et al. (2021)。
    • 核心问题：在纯观察性研究中，如何利用影响函数构造一个参数化未测量混杂的估计量，并建立其渐近性质？
    • 本文贡献：将Nabi et al. (2024) 的技术（EIF推导、一步估计、Huber截断）从纯OBS设定移植到CCS设定，并处理了RCT和OBS两臂的结局缺失问题。

这个方向在追问的核心问题

  1. CCCE的识别：在CCS设计中，识别CCCE所需的最小假设集是什么？能否在同时存在未测量混杂和结局缺失的情况下实现非参数识别？
  2. 高效估计：在给定识别假设下，CCCE的半参数效率界是什么？如何构造达到该效率界的估计量？
  3. 敏感性分析的统一框架：能否建立一个统一的敏感性分析框架，同时处理OBS中的未测量混杂和RCT与OBS之间的选择偏差，并允许研究者探索不同偏差来源的联合影响？
  4. 缺失数据的处理：当结局缺失机制复杂（如非随机缺失）时，如何将敏感性分析框架扩展到缺失数据机制本身？

⚠️ 作者的framing

  • 作者的缺口frame：作者将缺口frame为“现有方法要么假设OBS中无未测量混杂（如Lu et al. 2019），要么在推广RCT结果时假设RCT与OBS可交换（如Dahabreh et al. 2026），但没有一个方法能同时处理OBS中的未测量混杂和两臂中的结局缺失，并估计CCCE”。因此，本文被定位为“显然的下一步”：将Nabi et al. (2024) 的OBS敏感性分析技术嫁接到Lu et al. (2019) 的CCCE框架中，并处理MAR缺失。
  • 被淡化/回避的竞争路线：
    • 工具变量（IV）方法：如果存在有效的工具变量，可以识别OBS中的因果效应而无需依赖敏感性参数。作者在introduction中完全没有提及IV方法作为替代方案。这可能是因为在TOIB研究中难以找到有效的IV，但作为方法论论文，回避这一重要竞争路线是一个值得注意的点。
    • 近端因果推断（Proximal Causal Inference）：该方法利用负对照（negative controls）来校正未测量混杂，是另一种不依赖敏感性参数的方法。作者同样未提及。
    • 对缺失数据机制的敏感性分析：作者在讨论中提到了可以扩展到非随机缺失（MNAR），但本文仅处理了MAR。对于MAR假设本身是否合理，没有进行敏感性分析。
  • 什么明显该被引/该存在、却没出现在intro里？
    • Proximal Causal Inference：如Tchetgen Tchetgen et al. (2020) 等。这是处理未测量混杂的另一个主流半参数框架，与本文的敏感性分析框架形成鲜明对比。作者未引用，可能是一个值得研究者去查的“缺失环节”。
    • 工具变量方法在数据融合中的应用：例如，利用RCT中的随机化作为OBS中未测量混杂的工具变量。这类方法在计量经济学中很常见，但在因果推断文献中也有讨论。作者未提及。

张力

未见明显对立引用。所有被引工作基本在同一个共识框架下（潜在结果、半参数理论）进行，只是假设的强弱和关注点不同。一个潜在的“张力”是：Dahabreh et al. (2026) 的敏感性分析框架（基于R ⊥ Y(t) | X）与本文的主框架（基于T ⊥ Y(t) | X, R=0）在概念上是正交的，但作者在Section 4中证明了它们之间存在对偶关系，并利用这种关系进行了分析。这更像是一种互补而非对立。

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：

    • X：基线协变量向量（可观测）。
    • R：研究类型指示符，R=1表示进入RCT，R=0表示进入OBS（可观测）。
    • T：处理指示符，T=1表示新药（如外用布洛芬），T=0表示对照（如口服布洛芬）（可观测）。
    • Y：结局变量（如WOMAC疼痛评分）（部分可观测）。
    • M：结局缺失指示符，M=1表示Y被观测到，M=0表示Y缺失（可观测）。
    • Y(t)：潜在结局，即如果（可能反事实地）接受处理T=t时的结局（不可观测）。
    • ψ_t = E[Y(t)]：目标estimand，即整个队列在T=t下的平均潜在结局。CCCE = ψ_1 - ψ_0。
    • γ_t：敏感性参数，量化OBS中未测量混杂的程度（非识别参数，由研究者设定）。
    • s_t(Y)：预先指定的Y的函数，用于定义混杂的方向（如递增函数）。
    • F_{t,r}(y|x) = P(Y ≤ y | T=t, R=r, X=x)：给定T, R, X下Y的条件分布（不可直接观测，因为Y有缺失）。
    • \tilde{F}_{t,r}(y|x) = P(Y ≤ y | T=t, R=r, X=x, M=1)：给定T, R, X且Y被观测到时Y的条件分布（可直接从数据估计）。
    • \mu_{t,r}(h(Y); x) = E[h(Y) | T=t, R=r, X=x]：Y的函数的条件期望。
    • \tilde{\mu}_{t,r}(h(Y); x) = E[h(Y) | T=t, R=r, X=x, M=1]：Y的函数的条件期望（仅基于观测到的Y）。
    • \pi_{t,r}(x) = P(T=t | R=r, X=x)：处理倾向性得分。
    • \eta_1(x, r, t) = P(M=1 | X=x, R=r, T=t)：结局缺失倾向性得分（即Y被观测到的概率）。
    • g_r(x) = P(R=r | X=x)：研究类型选择倾向性得分。

  • 模型：

    • 数据生成机制：一个综合队列研究，患者先根据协变量X选择进入RCT或OBS。在RCT中，T被随机分配（与X和潜在结果独立）。在OBS中，T由患者偏好决定，可能受X和未测量混杂U的影响。结局Y在T和R下生成，但可能随机缺失。
    • 关键假设：
      1. 一致性：观测到的T和Y等于相应的潜在变量。
      2. 正性：所有处理/研究类型组合都有正概率。
      3. RCT中的随机化：T ⊥ {Y(t), X} | R=1。
      4. OBS中的混杂由γ_t控制：这是核心假设。它假设OBS中处理组和对照组的潜在结果分布差异，完全由一个参数γ_t和一个函数s_t(Y)来刻画。当γ_t=0时，OBS中无未测量混杂。
      5. 结局随机缺失（MAR）：M ⊥ Y | T, X, R。即给定T, X, R后，Y是否缺失与Y本身无关。

  • 可观测数据：

    • 研究者实际能观测到的是\tilde{O} = (X, R, T, M, Y:M=1)。
    • 即：每个患者的X, R, T, M都能观测到。只有当M=1时，Y才能被观测到。
    • 想要但观测不到的量：Y(t)（潜在结局），以及当M=0时的Y。识别ψ_t需要依靠上述假设，将ψ_t表示为可观测数据分布的泛函。

第二步：讲最小内核

本文的核心思路是：将OBS中的未测量混杂问题，通过一个敏感性参数γ_t，转化为一个可处理的、关于可观测数据分布的泛函估计问题。

最简特例：假设我们只关心ψ_t = E[Y(t)]，且假设没有结局缺失（即M=1对所有个体成立），并且RCT中的处理是完全随机的（π_{t,1}(x) = π_{t,1}，一个常数）。同时，假设OBS中只有两个处理组（T=0或1）。

在这个特例下，识别公式（3）退化为：

ψ_t = ψ_{t,1} * P(R=1) + ψ_{t,0}(γ_t) * P(R=0)

其中： - ψ_{t,1} = E[Y | T=t, R=1]。由于RCT中处理随机化，E[Y(t)|R=1]可以直接用RCT中T=t组的样本均值估计。 - ψ_{t,0}(γ_t) = E[ Y | T=t, R=0] * P(T=t|R=0) + E[ Y * exp(γ_t * s_t(Y)) / E[exp(γ_t * s_t(Y)) | T=t, R=0] | T=1-t, R=0] * P(T=1-t|R=0)。

核心思路： 1. 问题：在OBS中，我们无法直接估计E[Y(t)|R=0]，因为T和Y(t)可能因未测量混杂而相关。例如，病情更重的患者可能更倾向于选择某种治疗，导致E[Y|T=1, R=0]不能代表E[Y(1)|R=0]。 2. 关键想法：作者不试图“消除”混杂，而是用一个参数γ_t来量化混杂的方向和强度。这个参数通过一个指数倾斜（exponential tilting）模型（公式1）将T=1-t组的潜在结果分布与T=t组的观测结果分布联系起来。 3. 如何工作：公式（1）说：OBS中，T=1-t组患者的潜在结果Y(t)的分布，等于T=t组患者观测结果Y的分布，再乘以一个权重exp(γ_t * s_t(Y))。如果s_t(Y)是递增函数，那么γ_t > 0意味着T=1-t组的患者倾向于有更高的Y(t)值（即更差的结局），这正好对应了“病情更重的患者选择另一种治疗”的混杂模式。 4. 结果：通过这个倾斜模型，E[Y(t)|R=0]就可以表示为OBS中可观测数据的加权平均，权重依赖于γ_t。因此，对于任意给定的γ_t，ψ_t就变成了一个可识别的、关于可观测数据分布的泛函。研究者可以变化γ_t的值，观察ψ_t的估计值如何变化，从而评估结论对未测量混杂的敏感程度。

一句话总结：本文的核心数学贡献是，在MAR缺失数据的设定下，推导出这个依赖于γ_t的泛函ψ_t(\tilde{P}; γ_t)的非参数有效影响函数（EIF），并基于此构造了一个√n-一致、渐近正态的估计量。

三、这篇论文做了什么

三句话

  1. 研究问题：在综合队列研究（CCS）中，如何估计整个队列的平均因果效应（CCCE），同时处理观察性研究（OBS）臂中的未测量混杂和两臂中的结局随机缺失（MAR）？
  2. 核心工具/方法：基于半参数理论的敏感性分析框架。推导了CCCE的非参数有效影响函数（EIF），并将其参数化为一个敏感性参数γ_t。提出了一个基于样本分割（sample-splitting）和Huber截断的一步偏差校正估计量。
  3. 主要结论：在正确的模型设定下，该估计量是√n-一致的、渐近正态的，并且是半参数有效的。当处理倾向性得分和缺失倾向性得分被错误指定时，只要结局模型正确，该估计量仍然一致（双稳健性的一种形式）。在TOIB研究和模拟研究中验证了方法的性能。

关键设定与假设

  • 设定：n个独立同分布的观测\tilde{O}_i = (X_i, R_i, T_i, M_i, Y_i:M_i=1)。目标estimand是ψ_t = E[Y(t)]，CCCE = ψ_1 - ψ_0。
  • 假设：
    • A1 (一致性)：标准假设。
    • A2 (正性)：标准假设，确保所有条件概率非零。
    • A3 (RCT随机化)：T ⊥ {Y(t), X} | R=1。这是RCT的核心优势，本文将其放宽到条件随机化（A3'），但最终估计量在A3下是有效的。
    • A4 (OBS混杂由γ_t控制)：这是本文最关键的假设。它通过一个指数倾斜模型（公式1）参数化了OBS中T和Y(t)之间的依赖关系。相比“无未测量混杂”（γ_t=0），这是一个更弱的假设，因为它允许混杂存在，但假设其结构是已知的（由s_t(Y)和γ_t刻画）。相比Dahabreh et al. (2026) 的假设（R ⊥ Y(t) | X），这是一个不同的假设，它关注的是OBS内部的处理选择，而非RCT与OBS之间的选择。
    • A5 (结局MAR)：M ⊥ Y | T, X, R。这是一个标准但不可检验的假设。本文在讨论中提到了可以将其扩展到MNAR。

主要结果

  • 定理1 (影响函数)：推导了ψ_t(\tilde{P}; γ_t)的非参数影响函数ϕ_t(\tilde{P}; γ_t)(\tilde{O})（公式4-6）。这个EIF是构造一步估计量的基础，其结构揭示了估计量对各个 nuisance 参数的依赖关系。
  • 定理2 (渐近正态性)：在正确的模型设定（Section 3.2中的GAM、单指标模型）和正则条件下，一步截断估计量\hat{ψ}^†_t(γ_t)是√n-一致的、渐近正态的，且渐近方差等于EIF的方差，因此是半参数有效的。
    • 必要条件：|Y|和|exp(γ_t s_t(Y))|有界；π_{t,r}(X), η_1(X,r,t), μ_{t,0}(exp(γ_t s_t(Y)); X)远离0。
    • 解决的技术难点：证明中需要处理样本分割、Huber截断带来的偏差，以及多个 nuisance 参数（\tilde{F}_{t,r}, π_{t,r}, η_1）的估计误差。关键是通过二阶余项（remainder term） 的分析（Lemma 3），证明只要每个 nuisance 参数的估计误差达到n^{-2/5}，它们的乘积项就是o_p(n^{-1/2})，从而不影响√n收敛速度。
  • Lemma 5 (双稳健性)：当处理倾向性得分π_{t,r}(X)和缺失倾向性得分η_1(X,r,t)被错误指定时，只要结局模型\tilde{F}_{t,r}(y|X)被正确指定且以o_p(n^{-1/2})的速率估计，估计量仍然是√n-一致的。这提供了一种重要的稳健性保证。
  • Lemma 10 (γ_t与γ'_t的对偶性)：证明了本文的敏感性参数γ_t（控制OBS内混杂）与Dahabreh et al. (2026) 的敏感性参数γ'_t（控制RCT-OBS选择偏差）之间存在一一对应关系。这意味着，对其中一个参数的信念会约束另一个参数的可能取值，为敏感性分析提供了交叉验证。

证明路线与技术技巧

  • 整体路线：
    1. 识别：在假设A1-A5下，将ψ_t表示为可观测数据分布的泛函（公式3）。
    2. EIF推导：在非参数模型下，通过计算目标泛函对各个 nuisance 参数的路径导数（pathwise derivative），找到其非参数有效影响函数ϕ_t。这一步是半参数理论的标准技术，但计算量很大，需要处理多个 nuisance 参数和缺失数据机制。
    3. 一步估计量构造：基于EIF，构造一个“plug-in”估计量加上一个“偏差校正项”的形式：\hat{ψ}_t = 1/K Σ_k [1/n_k Σ_{i in fold k} υ_t(\hat{\tilde{P}}^{(-k)}; γ_t)(\tilde{O}_i)]。其中υ_t是EIF中与ψ_t无关的部分。
    4. Huber截断：为了处理极端υ_t值带来的方差问题，对υ_t进行Huber截断，得到\hat{ψ}^†_t。截断阈值通过一个数据自适应的方法（公式8-9）选择。
    5. 渐近分析：将√n(\hat{ψ}^†_t - ψ_t)分解为三部分：截断偏差、EIF的样本均值、以及剩余项。证明截断偏差和剩余项都是o_p(1)，从而收敛到EIF样本均值的正态分布。
  • 关键跳跃点：
    • 二阶余项分析（Lemma 3）：这是证明的核心。它展示了ψ_t的估计误差可以表示为多个 nuisance 参数估计误差的乘积之和。这个结构使得只要每个 nuisance 参数估计得“足够好”（n^{-2/5}），它们的乘积就是o_p(n^{-1/2})，从而允许使用灵活的机器学习方法估计 nuisance 参数。
    • Huber截断的渐近可忽略性：证明截断过程不会引入额外的渐近偏差，这依赖于截断阈值的巧妙选择（与log(n)/n相关）。
  • 技术技巧点名：
    • 有效影响函数（EIF）：核心工具，用于构造高效估计量和进行渐近分析。
    • 样本分割（Sample-splitting / Cross-fitting）：用于打破 nuisance 参数估计与主估计之间的依赖关系，简化渐近理论。
    • Huber截断（Huberization）：用于处理影响函数中可能出现的极端值，保证有限样本下的稳健性，同时不破坏渐近性质。
    • 二阶余项展开：用于分析估计误差的结构，是证明双稳健性和n^{-1/4}速率的理论基础。
    • 单指标模型（Single Index Model）：用于对条件分布\tilde{F}_{t,r}(y|X)进行降维建模，使其能以n^{-2/5}的速率被估计。

真实例子与应用

  • 数据/场景：TOIB研究，一个比较外用 vs. 口服布洛芬治疗老年人慢性膝痛的CCS。数据包含RCT（273人）和OBS（290人），结局是12个月后的WOMAC疼痛评分，有约20%的缺失。
  • 方法应用：
    1. 模型设定：使用GAM估计π_{t,r}(X)和η_1(X,r,t)；使用单指标模型估计\tilde{F}_{t,r}(y|X)。选择s_t(Y) = Φ((Y-60)/25)，一个递增函数，意味着γ_t>0表示选择另一种治疗的患者倾向于有更差的结局。
    2. 敏感性分析：让γ_1和γ_0在[-2, 2]范围内变化，估计CCCE、RTCE和PPCE。
    3. 结果：
      • 当γ_1 = γ_0 = 0（无未测量混杂）时，CCCE的估计值为-0.24（95% CI: -4.28, 3.81），表明两种治疗无显著差异。
      • 敏感性分析（图4）显示，在γ_1, γ_0 ∈ [-2, 2]的几乎所有组合下，CCCE的95%置信区间都落在预设的等效界值[-10, 10]内。结论对未测量混杂是稳健的。
      • 通过对比γ_t和γ'_t（图5），发现如果假设RCT和OBS可交换（γ'_t=0），则对应的γ_t不为0，暗示OBS中存在未测量混杂，反之亦然。这展示了两种敏感性分析框架的对偶性。
  • 例子想说明什么：该例子旨在验证所提出方法的实用性，并展示如何通过敏感性分析来评估因果结论对未测量混杂的稳健性。它说明了即使在存在缺失数据的情况下，该方法也能给出有意义的推断，并且其结论在合理的混杂范围内是稳健的。

🔎 结论是否比证明窄

  • 窄结论1：定理2的√n一致性和渐近正态性是在正确的模型设定（Section 3.2中的GAM和单指标模型）下证明的。作者在introduction和讨论中有时会泛泛地声称该方法“允许灵活建模（如机器学习）”，但严格证明中要求nuisance参数的估计速率达到n^{-2/5}。虽然这个速率对很多非参数/机器学习方法来说是合理的，但定理2本身并未直接证明使用任意黑箱机器学习方法时的渐近性质。这是一个值得注意的“证明窄于claim”的点。
  • 窄结论2：Lemma 5（双稳健性）的证明依赖于结局模型\tilde{F}_{t,r}(y|X)被正确指定且以o_p(n^{-1/2})的速率估计。这是一个非常强的条件。在实际应用中，很难保证一个非参数模型能以n^{-1/2}的速率被估计。因此，这种“双稳健性”更多是一种理论上的保证，而非实践中可以轻易依赖的性质。作者在正文中对此的表述“robust to mis-specification of π_{1,r}(X) and η_1(X, r, t)”是准确的，但读者可能高估其实际稳健性。

四、开放问题

  1. 非随机缺失（MNAR）的扩展：本文仅处理了MAR缺失。作者在讨论中提到了“可以沿着Scharfstein and Irizarry [2003]的思路扩展到偏离MAR假设的情况”。这是一个明确的开放问题：如何为CCS设计中的缺失数据机制本身引入敏感性参数，并与OBS中未测量混杂的敏感性分析相结合？扎根点：Section 7, 第一段。

  2. RCT中非依从性的处理：本文假设RCT中完全依从。作者在讨论中承认，当存在非依从时，“需要额外的假设”，并提出了一个可能的解决方案（假设RCT中实际接受的处理在给定X后是随机的）。但并未给出完整的理论。这是一个开放问题：如何在一个统一的敏感性分析框架下，同时处理RCT中的非依从性和OBS中的未测量混杂？扎根点：Section 7, 第三段。

  3. 敏感性参数选择的指导：本文的敏感性分析依赖于研究者指定γ_t的范围。虽然提供了诱导估计（图3b）来帮助专家判断，但缺乏一个系统的、数据驱动的或基于贝叶斯的方法来整合关于γ_t的先验知识。如何为γ_t的选择提供更严谨的统计指导（例如，基于专家 elicitation 或历史数据）是一个开放问题。扎根点：Section 5, 关于“Subject matter experts could utilize this information to determine plausible range”的讨论。

  4. 与Proximal Causal Inference的联系：如前所述，本文完全回避了近端因果推断（PCI）这一竞争框架。一个有趣的开放问题是：本文的敏感性分析框架与PCI框架之间是否存在理论上的联系？能否将PCI中的负对照（negative controls）视为一种特殊的、数据驱动的敏感性参数选择方式？扎根点：第一节的“⚠️ 作者的framing”中提到的“缺失环节”。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论