跳转至

Comparison of paired ordinal data with mis-classification and covariates adjustment

作者: Yuanyuan Han, Zhao-Hua Lu, Yimei Li, Wai-Yin Poon
来源: Journal of the Royal Statistical Society Series C
主题: 因果推断
相关性: 6/10
机构绿灯: Chinese University of Hong Kong（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/jrsssc/qlad105

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：在配对有序分类数据（matched-pair ordinal data）中，如何正确估计处理效应或组间差异，同时校正两个关键偏倚来源——分类错误（misclassification）和混杂因素（confounding）。当前成熟度中等：已有大量工作分别处理配对有序数据的比较、分类错误的校正、以及混杂因素的调整，但三者同时处理的工作很少，且大多依赖强参数假设。

发展脉络（history）

从 introduction 和参考文献中梳理出以下脉络：

  1. 奠基工作：配对有序数据的比较方法
  2. Agresti (1984, Analysis of Ordinal Categorical Data)：奠定了有序分类数据的分析框架，包括边际同质性检验（如 Stuart-Maxwell 检验）和累积 logit 模型。这些方法假设分类完全正确，未考虑测量误差。

  3. McCullagh (1980, JRSS-B)：提出比例优势模型（proportional odds model），成为有序回归的标准工具。同样假设响应变量被完美测量。

  4. 主要进展：处理分类错误的统计方法

  5. Tenenbein (1970, JASA)：首次提出部分验证设计（partial validation design）——对所有单元使用一种易错分类方法，对部分单元（验证子集）使用无错分类方法。利用验证子集估计错分概率，从而校正主样本的偏倚。这是本文方法的核心设计来源。
  6. Bross (1954, Biometrics)：早期研究分类错误对 2×2 表分析的影响，发现错分会导致效应估计向零衰减（attenuation bias）。
  7. Espeland & Odoroff (1985, Biometrics)：将部分验证设计扩展到多项分类数据，使用对数线性模型估计错分概率。

  8. Hochberg (1977, Biometrika)：在配对数据中处理分类错误，但未考虑混杂因素。

  9. 当前 frontier：同时处理分类错误与混杂

  10. Chen et al. (2014, Statistics in Medicine)：在配对有序数据中，使用部分验证设计校正错分，但未纳入协变量（即未调整混杂）。这是本文最直接的竞争/前驱工作。
  11. 本文位置：作者声称，现有工作要么处理了错分但未调整混杂（如 Chen et al. 2014），要么调整了混杂但假设分类完美（如 Agresti 1984）。本文首次同时处理这两个问题，通过引入潜变量模型将协变量纳入，并利用部分验证结构估计错分概率。

子线索聚类

这些被引文献大致落在 3 条子线索上：

  1. 配对有序数据的比较方法（无错分假设）：Agresti (1984), McCullagh (1980), Stuart (1955), Maxwell (1970)。核心是边际同质性检验和有序回归模型。
  2. 分类错误的校正方法：Tenenbein (1970), Bross (1954), Espeland & Odoroff (1985), Hochberg (1977)。核心是部分验证设计、错分概率的估计、以及错分对效应估计的衰减效应。
  3. 潜变量模型用于有序分类数据：Jöreskog (2005, Structural Equation Modeling with Ordinal Variables), Muthén (1984, Psychometrika)。核心是用连续潜变量（如高斯潜变量）生成有序分类观测，从而允许协变量通过潜变量影响分类。

这个方向在追问的核心问题（2-4 个）

  1. 如何同时识别处理效应、错分概率和混杂效应？——三者之间存在复杂的纠缠：错分概率可能依赖于真实类别和协变量，而处理效应又可能被错分衰减。
  2. 部分验证设计需要多大验证子集才能有效校正错分？——验证子集太小，错分概率估计不精确；太大则成本过高。
  3. 参数假设的稳健性如何？——本文假设潜变量服从二元高斯分布、错分概率为常数（不依赖于协变量）。这些假设若被违反，估计的偏倚有多大？
  4. 能否扩展到非参数或半参数设定？——当前方法高度参数化，限制了灵活性。

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）

作者把缺口 frame 成："现有方法要么处理了错分但未调整混杂（如 Chen et al. 2014），要么调整了混杂但假设分类完美（如 Agresti 1984）。本文首次提出一个统一框架，同时处理这两个问题。" 作者淡化/回避的竞争路线包括： - 逆概率加权（IPW）或双重稳健估计：这些方法可以处理测量误差，但作者未讨论为什么不用它们替代参数似然方法。 - 贝叶斯方法：部分验证设计在贝叶斯框架下很自然（错分概率作为先验），但作者完全未提及。 - 半参数方法：如用非参数估计错分概率（如核方法），作者未讨论其可行性。

什么明显该被引/该存在、却没出现在 intro 里？ - 因果推断中的测量误差文献：如 Hernán & Robins (2020, Causal Inference)、VanderWeele & Li (2019, Epidemiology)，这些工作系统讨论了错分对因果效应估计的影响及校正方法。本文未引用任何因果推断的测量误差综述。 - 负对照（negative control）方法：部分验证设计本质上是一种负对照设计（用无错分类作为对照），但作者未使用因果推断的术语来定位自己的工作。 - 半参数效率理论：如 Tsiatis (2006, Semiparametric Theory and Missing Data)，可用于推导两阶段 MLE 的效率界。本文未讨论其估计是否达到半参数效率界。

张力

未见明显对立引用。所有被引工作基本一致地认为：分类错误会导致效应估计偏倚，部分验证设计是有效的校正手段。但不同工作对错分概率的建模方式（常数 vs. 依赖于协变量）存在差异，本文选择了最简单的常数模型。

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： - \(n\)：总样本量（配对单元数）。 - \(i = 1, \dots, n\)：配对单元索引。每个单元有两个有序分类结局（如治疗前 vs. 治疗后，或处理组 vs. 对照组）。 - \((Y_{i1}, Y_{i2})\)：第 \(i\) 个单元的两个真实有序分类结局，取值 \(1, \dots, K\)（\(K\) 个有序类别）。这是潜在/不可观测的量——我们永远无法直接观测到真实类别（除非在验证子集中使用无错方法）。 - \((Y_{i1}^*, Y_{i2}^*)\)：第 \(i\) 个单元的两个观测到的有序分类结局，使用易错分类方法得到。这是可观测的量（对所有单元）。 - \(V_i\)：验证指示变量。\(V_i = 1\) 表示第 \(i\) 个单元被选入验证子集，此时我们同时观测到 \((Y_{i1}, Y_{i2})\)（通过无错方法）和 \((Y_{i1}^*, Y_{i2}^*)\)（通过易错方法）。\(V_i = 0\) 表示未选入验证子集，此时只观测到 \((Y_{i1}^*, Y_{i2}^*)\)。这是可观测的。 - \(\mathbf{x}_i\)：\(p\) 维协变量向量（混杂因素）。可观测。 - \(\boldsymbol{\theta}\)：模型参数向量，包括： - \(\boldsymbol{\beta}\)：协变量对潜变量的回归系数。 - \(\rho\)：两个潜变量之间的相关系数（反映配对结局的相关性）。 - \(\boldsymbol{\tau} = (\tau_1, \dots, \tau_{K-1})\)：阈值参数，将连续潜变量映射到有序类别。 - \(\boldsymbol{\pi}\)：错分概率矩阵，\(\pi_{jk} = P(Y^* = j \mid Y = k)\)，即真实类别为 \(k\) 时被错分为 \(j\) 的概率。本文假设错分概率不依赖于协变量和配对索引（常数错分）。

模型： 1. 潜变量模型：假设存在两个连续的潜变量 \((Z_{i1}, Z_{i2})\)，服从二元高斯分布：

\[\begin{pmatrix} Z_{i1} \\ Z_{i2} \end{pmatrix} \sim N\left( \begin{pmatrix} \mathbf{x}_i^\top \boldsymbol{\beta}_1 \\ \mathbf{x}_i^\top \boldsymbol{\beta}_2 \end{pmatrix}, \begin{pmatrix} 1 & \rho \\ \rho & 1 \end{pmatrix} \right)\]
其中 \(\boldsymbol{\beta}_1, \boldsymbol{\beta}_2\) 是协变量对两个潜变量的回归系数（可不同），方差固定为 1 以识别尺度。

  1. 真实有序分类的生成：通过阈值 \(\tau_1 < \tau_2 < \dots < \tau_{K-1}\) 将潜变量映射到有序类别：

    \[Y_{ik} = j \quad \text{if} \quad \tau_{j-1} < Z_{ik} \leq \tau_j, \quad j=1,\dots,K\]
    其中 \(\tau_0 = -\infty, \tau_K = \infty\)。

  2. 观测分类的生成（错分机制）：观测到的分类 \(Y_{ik}^*\) 由真实分类 \(Y_{ik}\) 通过错分概率矩阵 \(\boldsymbol{\pi}\) 生成：

    \[P(Y_{ik}^* = j \mid Y_{ik} = k) = \pi_{jk}, \quad \sum_{j=1}^K \pi_{jk} = 1\]
    本文假设错分概率不依赖于协变量、不依赖于配对索引、且两个结局的错分机制相同（即 \(\pi_{jk}\) 对 \(k=1,2\) 相同）。

可观测数据： - 对所有 \(n\) 个单元：观测到 \((Y_{i1}^*, Y_{i2}^*, \mathbf{x}_i, V_i)\)。 - 对验证子集（\(V_i=1\)）：额外观测到 \((Y_{i1}, Y_{i2})\)。 - 不可观测：对非验证子集（\(V_i=0\)），真实分类 \((Y_{i1}, Y_{i2})\) 完全缺失。

想要但观测不到的量： - 真实分类 \((Y_{i1}, Y_{i2})\) 对所有单元（验证子集除外）。 - 错分概率 \(\pi_{jk}\) 本身——只能通过验证子集中真实与观测分类的对比来估计。

第二步：讲最小内核

最简特例：\(K=2\)（二元结局）、无协变量（\(\mathbf{x}_i\) 为空）、配对结局独立（\(\rho=0\)）、错分概率对称（\(\pi_{12} = \pi_{21} = \epsilon\)，即对称错分率）。

在这个特例下，问题退化为：比较两个配对二元结局的比例，同时校正对称错分。

记号简化： - 真实结局：\(Y_{i1}, Y_{i2} \in \{0,1\}\)（0=阴性，1=阳性）。 - 观测结局：\(Y_{i1}^*, Y_{i2}^* \in \{0,1\}\)。 - 错分概率：\(\epsilon = P(Y^* = 1 \mid Y=0) = P(Y^* = 0 \mid Y=1)\)。 - 真实阳性率：\(p_1 = P(Y_{i1}=1), p_2 = P(Y_{i2}=1)\)。 - 观测阳性率：\(p_1^* = P(Y_{i1}^*=1), p_2^* = P(Y_{i2}^*=1)\)。

核心关系（由错分机制导出）：

\[p_1^* = p_1(1-\epsilon) + (1-p_1)\epsilon = p_1 + \epsilon(1-2p_1)\]
同理 \(p_2^* = p_2 + \epsilon(1-2p_2)\)。

要检验的假设：\(H_0: p_1 = p_2\)（两个结局的真实阳性率相等）。

问题：我们只能观测到 \(p_1^*, p_2^*\) 和 \(\epsilon\)（通过验证子集估计）。如果直接用观测数据检验 \(p_1^* = p_2^*\)，当 \(p_1 \neq p_2\) 时，错分会导致检验功效下降（衰减效应）。更严重的是，如果错分不对称（\(\epsilon\) 依赖于真实类别），甚至可能扭曲检验的方向。

本文的关键想法：利用验证子集估计 \(\epsilon\)，然后校正观测阳性率：

\[\hat{p}_1 = \frac{\hat{p}_1^* - \hat{\epsilon}}{1 - 2\hat{\epsilon}}, \quad \hat{p}_2 = \frac{\hat{p}_2^* - \hat{\epsilon}}{1 - 2\hat{\epsilon}}\]
然后用校正后的 \(\hat{p}_1, \hat{p}_2\) 进行 Wald 检验。这个校正公式直接来自上述关系式。

为什么这个特例抓住了核心：即使在这个最简设定下，也出现了三个关键挑战： 1. 分母 \(1-2\epsilon\) 可能接近零：当 \(\epsilon \approx 0.5\) 时，校正极不稳定（方差爆炸）。 2. \(\epsilon\) 的估计误差会传播：验证子集越小，\(\hat{\epsilon}\) 的方差越大，导致校正后的 \(\hat{p}_1, \hat{p}_2\) 方差增大。 3. 如果错分依赖于协变量（本文假设不依赖），上述校正公式失效。

本文的一般情形（\(K>2\)、有协变量、相关潜变量）只是这个特例的"加壳"——用潜变量模型处理有序分类和协变量，用二元高斯分布处理配对相关性，但核心思路（利用验证子集估计错分概率、然后校正主样本的估计）完全相同。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在配对有序分类数据中，同时校正分类错误和混杂因素，提出一个估计配对结局差异的检验程序。
  2. 核心工具/方法：部分验证设计 + 二元高斯潜变量模型 + 两阶段极大似然估计（two-stage MLE） + Wald 检验。
  3. 主要结论：两阶段 MLE 是相合且渐近正态的；Wald 检验在模拟中控制了 I 类错误率，且在存在错分时比忽略错分的朴素方法有更高的功效；Garki 项目数据展示了方法的实用性。

关键设定与假设

完整设定（在第二节记号基础上补充）： - 数据：\(\{(Y_{i1}^*, Y_{i2}^*, \mathbf{x}_i, V_i, (Y_{i1}, Y_{i2}) \text{ if } V_i=1)\}_{i=1}^n\)。 - 验证机制：\(V_i\) 独立于所有变量（即验证子集是随机选择的），或至少条件独立于 \((Y_{i1}, Y_{i2}, Y_{i1}^*, Y_{i2}^*)\) 给定 \(\mathbf{x}_i\)。本文隐含假设验证是完全随机的（未明确讨论验证机制）。 - 错分机制：错分概率 \(\pi_{jk}\) 不依赖于协变量、配对索引、以及配对内的另一个结局（即错分是"独立"的）。这是强假设——例如，如果错分概率随协变量变化（如不同年龄组的错分率不同），本文方法会引入偏倚。 - 潜变量模型：二元高斯分布假设。这是参数假设——如果真实分布偏离高斯，阈值估计可能偏倚。 - 阈值：\(\tau_1 < \dots < \tau_{K-1}\) 是未知参数，与协变量无关（即比例优势假设的潜变量版本）。

相比已有文献的强化/放宽： - 强化：相比 Chen et al. (2014)，本文增加了协变量，但代价是引入了高斯潜变量假设（Chen et al. 2014 使用非参数方法估计错分概率）。 - 放宽：相比 Agresti (1984)，本文放宽了完美分类假设，但增加了错分概率为常数的假设。

主要结果

理论结果（本文为应用型论文，理论结果较弱，以模拟为主）：

  1. 两阶段 MLE 的相合性与渐近正态性（Theorem 1，陈述于 Section 3.2）：
  2. 陈述：在正则条件下（参数可识别、对数似然函数二阶可导、Fisher 信息矩阵正定），两阶段 MLE \(\hat{\boldsymbol{\theta}}\) 是相合的，且 \(\sqrt{n}(\hat{\boldsymbol{\theta}} - \boldsymbol{\theta}_0) \xrightarrow{d} N(0, \mathbf{I}(\boldsymbol{\theta}_0)^{-1})\)。
  3. 直觉：第一阶段用验证子集估计错分概率 \(\boldsymbol{\pi}\)（基于真实与观测分类的对比），第二阶段将 \(\hat{\boldsymbol{\pi}}\) 代入主样本的似然函数，估计其余参数。由于验证子集和主样本独立，两阶段 MLE 等价于一个联合 MLE（如果验证子集和主样本的似然可分解）。
  4. 必要条件：验证子集大小 \(n_v \to \infty\) 且 \(n_v/n \to \lambda > 0\)（即验证比例不能趋于零）。否则错分概率的估计不一致。

  5. 解决的技术难点：两阶段估计的方差需要校正第一阶段估计的不确定性（类似 two-step GMM 的方差校正）。作者使用 delta method 推导了渐近方差。

  6. Wald 检验（Section 3.3）：

  7. 检验统计量：\(W = (\hat{p}_1 - \hat{p}_2)^2 / \widehat{\text{Var}}(\hat{p}_1 - \hat{p}_2)\)，其中 \(\hat{p}_1, \hat{p}_2\) 是校正后的边际概率（通过潜变量模型参数计算）。
  8. 渐近分布：在 \(H_0: p_1 = p_2\) 下，\(W \xrightarrow{d} \chi^2_1\)。
  9. 模拟结果：在错分率 \(\epsilon \leq 0.2\)、验证比例 \(\geq 20\%\) 时，I 类错误率接近名义水平（0.05）；当错分率 \(\epsilon = 0.3\) 时，I 类错误率略有膨胀（约 0.07-0.08）。功效随错分率增大而下降（错分导致信息损失），但始终高于忽略错分的朴素方法。

量化结论（来自模拟，Table 2-4）： - 当错分率 \(\epsilon = 0.1\)、验证比例 30% 时，Wald 检验的功效约为 0.80（效应大小 Cohen's d ≈ 0.5）。 - 当错分率 \(\epsilon = 0.2\)、验证比例 30% 时，功效降至约 0.65。 - 忽略错分的朴素方法（直接用观测数据检验）在 \(\epsilon = 0.2\) 时功效仅约 0.45，且 I 类错误率严重膨胀（约 0.15）。

证明路线与技术技巧

整体路线（两阶段 MLE 的渐近性质推导）：

  1. 第一阶段：估计错分概率（Section 3.1）
  2. 在验证子集上，用经验频率估计 \(\pi_{jk}\)：
    \[\hat{\pi}_{jk} = \frac{\sum_{i: V_i=1} \mathbb{I}(Y_{i1}^* = j, Y_{i1} = k)}{\sum_{i: V_i=1} \mathbb{I}(Y_{i1} = k)}\]
    即验证子集中真实类别为 \(k\) 的单元中被错分为 \(j\) 的比例。

  3. 由于验证子集随机选择，\(\hat{\pi}_{jk}\) 是 \(\pi_{jk}\) 的相合估计，且 \(\sqrt{n_v}(\hat{\pi}_{jk} - \pi_{jk}) \xrightarrow{d} N(0, \pi_{jk}(1-\pi_{jk})/P(Y=k))\)。

  4. 第二阶段：估计潜变量模型参数（Section 3.2）

  5. 将 \(\hat{\boldsymbol{\pi}}\) 代入主样本（包括验证子集和非验证子集）的似然函数。
  6. 主样本的似然函数基于观测数据 \((Y_{i1}^*, Y_{i2}^*, \mathbf{x}_i)\)，通过潜变量模型和错分概率计算：
    \[P(Y_{i1}^* = j_1, Y_{i2}^* = j_2 \mid \mathbf{x}_i) = \sum_{k_1=1}^K \sum_{k_2=1}^K \pi_{j_1 k_1} \pi_{j_2 k_2} P(Y_{i1}=k_1, Y_{i2}=k_2 \mid \mathbf{x}_i)\]
    其中 \(P(Y_{i1}=k_1, Y_{i2}=k_2 \mid \mathbf{x}_i)\) 由二元高斯潜变量模型给出（通过阈值和相关系数计算）。

  7. 最大化这个似然函数得到 \(\hat{\boldsymbol{\beta}}, \hat{\rho}, \hat{\boldsymbol{\tau}}\)。

  8. 渐近方差校正（Section 3.2 的方差公式）

  9. 由于第一阶段估计 \(\hat{\boldsymbol{\pi}}\) 的不确定性会传播到第二阶段，渐近方差需要校正：
    \[\text{Var}(\hat{\boldsymbol{\theta}}) = \mathbf{I}_{\theta\theta}^{-1} + \mathbf{I}_{\theta\theta}^{-1} \mathbf{I}_{\theta\pi} \text{Var}(\hat{\boldsymbol{\pi}}) \mathbf{I}_{\theta\pi}^\top \mathbf{I}_{\theta\theta}^{-1}\]
    其中 \(\mathbf{I}_{\theta\theta}\) 是第二阶段似然的 Fisher 信息矩阵（关于 \(\boldsymbol{\theta}\)），\(\mathbf{I}_{\theta\pi}\) 是交叉信息（关于 \(\boldsymbol{\theta}\) 和 \(\boldsymbol{\pi}\)）。这个公式是两阶段 MLE 的标准结果（类似 Murphy & Topel 1985 的方差校正）。

关键跳跃点： - 错分概率与潜变量模型的耦合：错分概率 \(\pi_{jk}\) 出现在主样本似然中，但第一阶段只用了验证子集估计它。如果错分概率依赖于协变量（本文假设不依赖），则第一阶段需要建模 \(\pi_{jk}(\mathbf{x})\)，这会大大增加复杂性。 - 潜变量模型的似然计算：二元高斯潜变量模型需要计算二元正态累积分布函数（CDF），涉及数值积分（如 Genz 算法）。这在大样本下计算成本较高。

技术技巧点名： - 两阶段 MLE：标准技术，用于处理部分验证数据。第一阶段估计" nuisance"参数（错分概率），第二阶段估计"structural"参数（潜变量模型）。 - Delta method：用于推导 Wald 检验统计量的渐近方差。 - Fisher 信息矩阵的逆：用于计算 MLE 的渐近方差。 - 数值积分（Genz 算法）：用于计算二元正态 CDF。

真实例子与应用

数据：Garki Project（尼日利亚，1970-1973 年），一个关于疟疾干预的纵向研究。数据包含 1,000+ 名儿童的疟疾感染状态（有序分类：阴性、低密度、高密度），在干预前后各测量一次（配对数据）。协变量包括年龄、性别、村庄等。

方法应用： 1. 分类方法：对所有样本使用显微镜检查（易错方法，可能漏检低密度感染），对部分样本（约 20%）使用 PCR（无错方法，作为验证）。 2. 分析目标：比较干预前后疟疾感染状态的分布变化，校正显微镜检查的错分（特别是低密度感染的漏检）。 3. 结果：校正错分后，干预效果比朴素分析（忽略错分）更显著——朴素分析低估了干预的降低效应（因为低密度感染被漏检，导致干预后"阴性"比例被高估）。具体数字：朴素分析估计干预后阴性比例从 30% 升至 55%，校正后升至 62%。

这个例子想说明什么： - 验证理论：错分确实会导致效应估计衰减，校正后效应更明显。 - 展示实用性：在真实流行病学数据中，部分验证设计是可行的（PCR 作为验证方法）。 - 局限性：验证比例仅 20%，导致校正后的置信区间比朴素分析宽约 30%（信息损失）。

🔎 结论是否比证明窄

是。具体表现： 1. 错分概率为常数的假设（Section 2.2）：作者假设 \(\pi_{jk}\) 不依赖于协变量，但在 Garki 例子中，显微镜检查的漏检率很可能随年龄（寄生虫密度）变化。作者未讨论这个假设被违反时的偏倚方向。 2. 验证机制随机性假设（隐含）：作者未明确讨论验证子集的选择机制。如果验证子集不是随机选择的（如只对高密度感染样本做 PCR），则错分概率的估计会有选择偏倚。 3. 潜变量高斯假设（Section 2.1）：作者假设潜变量服从二元高斯分布，但未提供任何诊断检验（如拟合优度检验）。如果真实分布偏离高斯，阈值估计可能偏倚。 4. Wald 检验的小样本性质（Section 3.3）：模拟中样本量 \(n=500\)，但真实应用中样本量可能更小（如 Garki 例子中某些村庄仅 50-100 人）。作者未讨论小样本下 Wald 检验的过度拒绝问题。

结论的泛化 claim（Section 5）："The proposed method provides a unified framework for comparing matched-pair ordinal outcomes with misclassification and covariates adjustment." 但实际证明只在常数错分、随机验证、高斯潜变量下成立。更诚实的 claim 应该是："在常数错分、随机验证、高斯潜变量假设下，本文方法提供了有效的估计和检验。"

四、开放问题（点到为止，扎根具体语句）

  1. 非参数错分概率的估计：本文假设 \(\pi_{jk}\) 为常数（Section 2.2, "the misclassification probabilities are assumed to be constant across units"）。能否用核方法或 sieve 方法估计 \(\pi_{jk}(\mathbf{x})\)，同时保持两阶段 MLE 的渐近性质？这需要处理"无穷维 nuisance 参数"的估计，属于半参数理论范畴。

  2. 验证机制非随机时的校正：本文隐含假设验证子集随机选择（Section 3.1, "the validation subsample is a random subset"）。如果验证选择依赖于协变量或观测分类（如只对高密度感染做 PCR），则错分概率的估计会有选择偏倚。能否用逆概率加权（IPW）或双重稳健估计校正？

  3. 小样本下的检验方法：Wald 检验的渐近性质在 \(n=500\) 时表现良好（模拟结果），但 Garki 例子中某些子组样本量仅 50-100（Section 4, "the village-level sample sizes range from 50 to 200"）。能否开发基于 bootstrap 或置换检验的有限样本校正方法？

  4. 半参数效率界：本文的两阶段 MLE 是否达到了半参数效率界？在部分验证设计下，错分概率和潜变量模型参数的联合估计是否存在信息损失？这需要推导 efficient influence function，属于半参数效率理论。扎根点：Section 3.2 的方差公式是两阶段 MLE 的标准结果，但未与半参数效率界比较。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论