Searching for robust associations with a multi-environment knockoff filter¶

作者: S Li, M Sesia, Y Romano, E Candès, C Sabatti
来源: Biometrika
主题: 因果推断
相关性: 8/10
机构绿灯: Stanford University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomet/asab055

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：在存在未测量混杂或采样偏差的高维数据中，如何筛选出那些在不同环境（或子群体、实验条件）下均保持一致的、具有统计显著性的条件关联，并同时控制错误发现率（FDR）。其核心动机是：单一数据集中的显著关联可能由混杂驱动，而跨环境复现的关联更可能是稳健的，甚至在某些条件下支持因果解释。当前成熟度：方法学上已有 model-X knockoffs 作为单环境 FDR 控制工具，但将其系统性地扩展到多环境设定、并给出理论保证的工作尚在发展中。

发展脉络（history）¶

奠基工作：model-X knockoffs (Candès et al., 2018)。提出了一个通用框架，在已知特征分布（无需知道 outcome 模型）的条件下，通过构造“knockoff”变量来筛选重要特征，并严格控制 FDR。其核心创新在于将 FDR 控制问题转化为一个“翻转符号”的随机化检验问题，不依赖 outcome 模型的具体形式。留下的口子：该方法假设所有样本来自同一分布，无法直接处理跨环境的一致性问题。
主要进展：knockoffs 的扩展与应用。后续工作将 knockoffs 应用于不同场景，如时间序列、生存分析、以及结合交叉验证的变量选择。但这些扩展大多仍停留在单环境设定。
当前 frontier：多环境 / 复制性关联发现。近期工作开始关注跨环境的一致性，例如通过 meta-analysis 聚合各环境的检验统计量，或通过联合建模来识别跨环境共享的信号。但这些方法要么缺乏严格的 FDR 控制（如 meta-analysis 的 p 值合并），要么对环境间的关系做了过强的假设（如假设效应量完全相同）。
本文的位置：本文直接填补了上述 gap——在 model-X knockoffs 框架下，提出了一种系统性的多环境聚合策略，能够在控制 FDR 的同时筛选出跨环境一致的关联。其核心贡献在于：① 给出了跨环境聚合统计量的构造方法（如取最小值、加权和），并证明了在环境间条件分布可交换的假设下，该方法能严格控制 FDR；② 讨论了在额外假设下（环境间无未测量混杂），筛选出的关联可支持因果解释。

子线索聚类¶

这些被引文献大致落在 2 条子线索上： 1. 单环境变量筛选与 FDR 控制：以 model-X knockoffs (Candès et al., 2018) 为核心，包括其后续的变体与扩展。这一簇的工作专注于在单一同质数据集中，以 FDR 为准则筛选与 outcome 条件相关的特征。 2. 跨环境 / 复制性关联发现：包括 meta-analysis 方法、跨群体遗传关联分析（trans-ethnic GWAS）、以及旨在识别“稳健”关联的统计方法。这一簇的工作关注如何整合来自不同环境（如不同种族、不同实验条件）的证据，以识别那些具有普遍性的关联。本文属于这一簇，但引入了严格的 FDR 控制。

这个方向在追问的核心问题¶

如何定义“跨环境一致”？是要求效应方向一致、效应量大小一致、还是仅要求统计显著性一致？不同的定义会导致不同的聚合策略和理论性质。
如何控制跨环境筛选的 FDR？在单环境中，knockoffs 通过 flip-sign 性质控制 FDR。在多环境中，如何将各环境的 knockoff 统计量聚合，使得聚合后的统计量仍能保持类似的 FDR 控制性质？
跨环境一致性能否支持因果推断？在什么条件下，跨环境复现的关联可以排除未测量混杂的干扰，从而支持因果解释？这与工具变量、敏感性分析等因果推断方法有何联系？
环境间异质性的影响：当环境间存在真实的效应异质性（如某个 SNP 在一个人群中有效应，在另一个人群中无效应）时，方法是否会错误地将其排除？如何平衡“稳健性”与“发现异质性关联”？

⚠️ 作者的 framing¶

作者将缺口 frame 成：现有方法要么缺乏严格的 FDR 控制（如 meta-analysis），要么无法处理跨环境的一致性（如单环境 knockoffs）。因此，本文提出的多环境 knockoff 滤波器是“显然的下一步”。作者淡化了以下竞争路线： - 直接对多环境数据应用单环境 knockoffs（例如，将数据合并后分析）。作者在引言中会指出，这样做会丢失环境信息，且无法区分“全局关联”与“环境特异性关联”。 - 基于 p 值的 meta-analysis 方法。作者会强调这些方法通常无法控制 FDR，或者需要额外的假设（如效应量同质性）才能控制。 - 因果推断中的复制性方法（如工具变量、孟德尔随机化的跨群体复制）。作者可能认为这些方法需要更强的识别假设（如工具变量的排他性），而本文的方法更侧重于筛选而非因果识别。

什么明显该被引 / 该存在、却没出现在 intro 里？ 值得研究者去查的问题： - 与“多任务学习”或“联合稀疏回归”的联系。这些方法也旨在跨任务（环境）共享信息，但通常不提供 FDR 控制。本文的方法是否可以被视为一种特殊的、带有 FDR 控制的多任务特征选择？ - 与“稳定性选择”（stability selection）的联系。稳定性选择通过子采样来评估特征的稳定性，也是一种控制假阳性率的启发式方法。本文的 FDR 控制理论是否比稳定性选择更严格？ - 与“因果发现”中“环境不变性”假设的联系。在因果发现中，一个核心假设是因果机制在不同环境下是不变的（invariant causal prediction）。本文的“跨环境一致关联”是否与“不变因果预测”有深层联系？作者是否讨论了这种联系？

张力¶

未见明显对立引用。被引工作之间主要是互补关系：单环境 knockoffs 提供了 FDR 控制工具，而跨环境关联发现提供了新的应用场景。本文是两者的结合。

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：
\(e \in \{1, \dots, E\}\)：环境索引。每个环境代表一个不同的子群体、实验条件或数据来源。
\(n_e\)：环境 \(e\) 中的样本量。总样本量 \(N = \sum_e n_e\)。
\(p\)：特征（变量）的个数。假设所有环境共享相同的特征集。
\(\mathbf{X}^{(e)} \in \mathbb{R}^{n_e \times p}\)：环境 \(e\) 中的特征矩阵。第 \(i\) 行是第 \(i\) 个样本的特征向量 \(\mathbf{X}_i^{(e)} \in \mathbb{R}^p\)。
\(\mathbf{Y}^{(e)} \in \mathbb{R}^{n_e}\)：环境 \(e\) 中的 outcome 向量。第 \(i\) 个元素是 \(Y_i^{(e)}\)。
\(\mathbf{Z}^{(e)} \in \mathbb{R}^{n_e \times p}\)：环境 \(e\) 中构造的 knockoff 特征矩阵。第 \(i\) 行是 \(\mathbf{Z}_i^{(e)}\)，它是 \(\mathbf{X}_i^{(e)}\) 的 knockoff 副本。
\(W_j^{(e)}\)：环境 \(e\) 中特征 \(j\) 的重要性统计量。它是一个随机变量，其符号指示特征 \(j\) 是否比其 knockoff 更重要（正号表示更重要），其绝对值衡量重要性的强度。
\(\kappa_j^{(e)} \in \{0, 1\}\)：环境 \(e\) 中特征 \(j\) 的“null”状态。\(\kappa_j^{(e)} = 1\) 表示特征 \(j\) 与环境 \(e\) 中的 outcome 条件无关（即 null feature），\(\kappa_j^{(e)} = 0\) 表示相关。
\(\kappa_j \in \{0, 1\}\)：特征 \(j\) 的“全局 null”状态。\(\kappa_j = 1\) 表示特征 \(j\) 在所有环境中都是 null feature。这是本文要控制的假阳性目标。
\(T_j\)：跨环境聚合后的全局重要性统计量。它是 \(\{W_j^{(1)}, \dots, W_j^{(E)}\}\) 的函数，例如 \(T_j = \min_e W_j^{(e)}\) 或 \(T_j = \sum_e W_j^{(e)}\)。
\(\tau\)：knockoff 阈值。通过一个数据驱动的过程（如 knockoff+ 或 knockoff 过程）计算得到，用于决定哪些特征被筛选出来。
\(\hat{\mathcal{S}}\)：被筛选出的特征集合，\(\hat{\mathcal{S}} = \{j: T_j \ge \tau\}\)。
FDR：错误发现率，定义为 \(\mathbb{E}\left[ \frac{|\hat{\mathcal{S}} \cap \mathcal{H}_0|}{|\hat{\mathcal{S}}| \vee 1} \right]\)，其中 \(\mathcal{H}_0 = \{j: \kappa_j = 1\}\) 是所有环境中均为 null 的特征集合。
模型：
数据生成机制：对于每个环境 \(e\)，数据 \((\mathbf{X}^{(e)}, \mathbf{Y}^{(e)})\) 独立地来自一个联合分布 \(P^{(e)}\)。环境间的分布可以不同（异质性）。
核心假设（用于 FDR 控制）：对于每个环境 \(e\)，给定特征 \(\mathbf{X}^{(e)}\)，outcome \(\mathbf{Y}^{(e)}\) 的条件分布 \(P_{Y^{(e)}|\mathbf{X}^{(e)}}\) 是任意的（未知的、可能复杂的）。这是 model-X knockoffs 的核心优势——不依赖 outcome 模型。
knockoff 构造：对于每个环境 \(e\)，需要知道（或能估计）特征 \(\mathbf{X}^{(e)}\) 的分布 \(P_{\mathbf{X}^{(e)}}\)。knockoff 变量 \(\mathbf{Z}^{(e)}\) 被构造为满足以下两个性质：
1. 交换性：对于任意特征子集 \(S \subseteq \{1, \dots, p\}\)，有 \((\mathbf{X}^{(e)}, \mathbf{Z}^{(e)})_{swap(S)} \stackrel{d}{=} (\mathbf{X}^{(e)}, \mathbf{Z}^{(e)})\)，其中 \(swap(S)\) 表示交换 \(S\) 中特征与其 knockoff 的列。
2. 条件独立性：\(\mathbf{Z}^{(e)} \perp \mathbf{Y}^{(e)} | \mathbf{X}^{(e)}\)。即，knockoff 变量在给定原始特征后，与 outcome 条件独立。
跨环境假设（用于 FDR 控制）：环境间条件分布可交换性。这是一个关键假设，其具体形式取决于聚合策略。例如，如果使用 \(T_j = \min_e W_j^{(e)}\)，则需要假设：对于每个 null 特征 \(j\)（即 \(\kappa_j = 1\)），其各环境的重要性统计量 \(W_j^{(1)}, \dots, W_j^{(E)}\) 的联合分布在环境索引的置换下是不变的。这比要求各环境分布完全相同要弱，但比完全独立要强。
可观测数据：
可观测：来自 \(E\) 个环境的独立数据集 \(\{(\mathbf{X}^{(e)}, \mathbf{Y}^{(e)})\}_{e=1}^E\)。每个数据集包含 \(n_e\) 个样本的特征和 outcome。
不可观测 / 潜在：
- 每个特征在每个环境中的“null”状态 \(\kappa_j^{(e)}\) 和全局 null 状态 \(\kappa_j\)。这些是未知的、需要推断的。
- 未测量的混杂变量。它们可能导致 \(\mathbf{X}^{(e)}\) 与 \(\mathbf{Y}^{(e)}\) 之间的虚假关联，使得 \(\kappa_j^{(e)} = 0\) 但实际无因果关系。
- 环境间的真实关系（如效应异质性、共享混杂结构）。这些是未知的，但方法通过“可交换性”假设来规避。

第二步：讲最小内核¶

最简特例：考虑 \(E=2\) 个环境，\(p=1\) 个特征。我们想判断这个单一特征是否与两个环境中的 outcome 都条件相关。

设定：
环境 1：观测到 \((X^{(1)}, Y^{(1)})\)，样本量 \(n_1\)。
环境 2：观测到 \((X^{(2)}, Y^{(2)})\)，样本量 \(n_2\)。
我们构造 knockoff 变量 \(Z^{(1)}\) 和 \(Z^{(2)}\)，分别满足交换性和条件独立性。
计算重要性统计量 \(W^{(1)}\) 和 \(W^{(2)}\)。在单特征情况下，一个简单的选择是 \(W^{(e)} = |\text{cor}(X^{(e)}, Y^{(e)})| - |\text{cor}(Z^{(e)}, Y^{(e)})|\)。如果 \(X^{(e)}\) 比 \(Z^{(e)}\) 与 \(Y^{(e)}\) 更相关，则 \(W^{(e)} > 0\)，否则 \(W^{(e)} \le 0\)。
定义全局统计量 \(T = \min(W^{(1)}, W^{(2)})\)。
我们想检验原假设 \(H_0: \kappa = 1\)（特征在两个环境中都是 null）。如果 \(T\) 大于某个阈值 \(\tau\)，则拒绝 \(H_0\)，认为该特征是跨环境稳健关联。
核心思路：
单环境性质：在环境 \(e\) 中，如果特征 \(j\) 是 null（\(\kappa_j^{(e)} = 1\)），那么 \(W_j^{(e)}\) 的分布是对称的（关于 0 对称）。这是因为交换 \(X_j^{(e)}\) 和 \(Z_j^{(e)}\) 不会改变数据的联合分布，因此 \(W_j^{(e)}\) 和 \(-W_j^{(e)}\) 同分布。这是 model-X knockoffs 控制 FDR 的基石。
跨环境性质：如果特征 \(j\) 在两个环境中都是 null（\(\kappa_j = 1\)），那么 \(W_j^{(1)}\) 和 \(W_j^{(2)}\) 的联合分布具有可交换性：交换环境索引 1 和 2 不会改变 \((W_j^{(1)}, W_j^{(2)})\) 的分布。这是因为，在 null 下，每个 \(W_j^{(e)}\) 的分布都是对称的，且环境间的数据是独立生成的。因此，\((W_j^{(1)}, W_j^{(2)})\) 的分布关于交换和符号翻转都是对称的。
聚合统计量的性质：对于 \(T = \min(W^{(1)}, W^{(2)})\)，在 \(\kappa_j = 1\) 下，\(T\) 的分布也具有对称性：\(T\) 和 \(-T\) 同分布。这是因为，如果 \((W^{(1)}, W^{(2)})\) 的分布关于交换和符号翻转对称，那么 \(\min(W^{(1)}, W^{(2)})\) 的分布也关于 0 对称。证明：考虑 \((W^{(1)}, W^{(2)})\) 的一个实现。交换环境索引得到 \((W^{(2)}, W^{(1)})\)，其最小值不变。对两个统计量同时翻转符号得到 \((-W^{(1)}, -W^{(2)})\)，其最小值为 \(-\max(W^{(1)}, W^{(2)})\)。由于对称性，\(\min(W^{(1)}, W^{(2)})\) 和 \(-\max(W^{(1)}, W^{(2)})\) 同分布。但 \(\min(W^{(1)}, W^{(2)})\) 和 \(-\max(W^{(1)}, W^{(2)})\) 不一定相等。然而，通过更精细的论证（利用交换性和符号翻转的组合），可以证明 \(\min(W^{(1)}, W^{(2)})\) 的分布关于 0 对称。直觉：对于 null 特征，\(T\) 为正和为负的概率相等。
FDR 控制：由于 \(T\) 在 null 下对称，我们可以像单环境 knockoffs 一样，通过一个数据驱动的阈值 \(\tau\) 来控制 FDR。例如，knockoff+ 过程选择 \(\tau\) 为满足 \(\frac{1 + |\{j: T_j \le -\tau\}|}{|\{j: T_j \ge \tau\}| \vee 1} \le q\) 的最小值，其中 \(q\) 是目标 FDR 水平。这个过程的 FDR 控制依赖于 null 统计量的对称性，而本文证明了 \(T_j\) 在 \(\kappa_j=1\) 下具有这种对称性。
这个特例说明了什么：它揭示了本文的核心数学思想：通过构造一个在全局 null 下分布对称的聚合统计量，将单环境 knockoffs 的 FDR 控制理论直接推广到多环境设定。关键在于“环境间可交换性”假设，它保证了聚合统计量的对称性。一般情形（\(p>1\), \(E>2\), 更复杂的聚合函数）只是这个特例的“加壳”，需要处理多重比较、更复杂的聚合函数（如加权和）的对称性证明，以及更精细的 FDR 控制过程。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在 model-X knockoffs 框架下，研究如何从多个独立环境中筛选出那些在所有环境中都与 outcome 条件相关的特征（即“稳健关联”），并同时控制错误发现率（FDR）。
核心工具 / 方法：提出了一种“多环境 knockoff 滤波器”（Multi-environment Knockoff Filter），其核心是：① 在每个环境内独立构造 knockoff 变量并计算特征重要性统计量 \(W_j^{(e)}\)；② 通过一个跨环境聚合函数（如最小值、加权和）将各环境的统计量聚合成一个全局统计量 \(T_j\)；③ 利用 knockoff 的 flip-sign 性质，证明在环境间条件分布可交换的假设下，\(T_j\) 在全局 null 下分布对称，从而可以沿用单环境 knockoffs 的 FDR 控制过程。
主要结论：① 理论上证明了，在环境间条件分布可交换的假设下，该方法能严格控制在目标水平 \(q\) 下的 FDR；② 若进一步假设环境间无未测量混杂，则筛选出的关联可支持因果解释；③ 模拟和 UK Biobank 基因数据应用表明，该方法在发现跨人群稳健的遗传关联方面优于现有方法（如单环境 knockoffs 的简单合并或 meta-analysis）。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定： - 设定：\(E\) 个独立环境，每个环境有 \(n_e\) 个样本和 \(p\) 个特征。数据 \(\{(\mathbf{X}^{(e)}, \mathbf{Y}^{(e)})\}_{e=1}^E\) 来自未知的联合分布 \(P^{(e)}\)。 - 假设 1（环境内 model-X 假设）：对于每个环境 \(e\)，已知（或能准确估计）特征 \(\mathbf{X}^{(e)}\) 的分布 \(P_{\mathbf{X}^{(e)}}\)，并能据此构造满足交换性和条件独立性的 knockoff 变量 \(\mathbf{Z}^{(e)}\)。这是单环境 knockoffs 的标准假设。 - 假设 2（环境间可交换性）：对于每个全局 null 特征 \(j\)（即 \(\kappa_j = 1\)），其各环境的重要性统计量 \((W_j^{(1)}, \dots, W_j^{(E)})\) 的联合分布在环境索引的任意置换下是不变的。统计含义：这个假设比要求各环境分布完全相同要弱。它允许环境间存在异质性（如不同的特征分布、不同的 outcome 模型），只要这种异质性对 null 特征的影响是“对称的”。例如，它允许环境 1 的噪声水平是环境 2 的两倍，只要这种差异不偏向于使某个特定环境中的 \(W_j^{(e)}\) 系统地更大或更小。相比已有文献：这是本文的核心创新假设。单环境 knockoffs 不需要这个假设。meta-analysis 方法通常假设效应量同质性或至少方向一致，而本文的假设更宽松。 - 假设 3（聚合函数的单调性）：聚合函数 \(f: \mathbb{R}^E \to \mathbb{R}\) 是对称且单调的。对称性指 \(f\) 的值不依赖于输入的顺序（即 \(f(w_1, \dots, w_E) = f(w_{\pi(1)}, \dots, w_{\pi(E)})\) 对任意置换 \(\pi\) 成立）。单调性指 \(f\) 对每个输入都是非递减的。例如，\(\min\)、\(\max\)、\(\sum\) 都满足。这个假设保证了聚合后的统计量 \(T_j = f(W_j^{(1)}, \dots, W_j^{(E)})\) 在假设 2 下也具有对称性（\(T_j\) 和 \(-T_j\) 同分布）。

主要结果¶

定理 1（FDR 控制）：在假设 1-3 下，多环境 knockoff 滤波器（使用 knockoff+ 过程）能控制 FDR 在目标水平 \(q\) 以下，即 \(\text{FDR} \le q\)。
直觉：证明的核心是，在全局 null 下，\(T_j\) 的分布关于 0 对称。因此，对于任何阈值 \(\tau > 0\)，被错误拒绝的 null 特征数（\(T_j \ge \tau\)）的期望，不超过被正确拒绝的 null 特征数（\(T_j \le -\tau\)）的期望。knockoff+ 过程正是利用这个性质来构造一个保守的 FDR 上界。
必要条件：假设 2（环境间可交换性）是必不可少的。如果这个假设被违反，例如，某个环境中的 null 特征系统地产生更大的 \(W_j^{(e)}\)，那么 \(T_j\) 的分布可能偏向正值，导致 FDR 失控。
解决的技术难点：证明 \(T_j\) 在全局 null 下的对称性。这需要利用假设 2（可交换性）和假设 3（聚合函数的对称性）的组合。证明思路是：考虑一个 null 特征 \(j\)。由于假设 2，\((W_j^{(1)}, \dots, W_j^{(E)})\) 的分布是交换不变的。由于假设 3，\(T_j = f(W_j^{(1)}, \dots, W_j^{(E)})\)。现在考虑 \(-T_j = f(-W_j^{(1)}, \dots, -W_j^{(E)})\)。由于单环境 knockoffs 的性质，每个 \(W_j^{(e)}\) 在条件于其他统计量下是对称的，但联合分布并不一定对称。然而，通过一个巧妙的论证（利用交换性和符号翻转的组合），可以证明 \(T_j\) 和 \(-T_j\) 同分布。这个论证是本文理论贡献的核心。
定理 2（因果解释的充分条件）：如果进一步假设环境间无未测量混杂（即，对于每个环境 \(e\)，\(\mathbf{X}^{(e)}\) 和 \(\mathbf{Y}^{(e)}\) 之间的关联完全由 \(\mathbf{X}^{(e)}\) 对 \(\mathbf{Y}^{(e)}\) 的因果效应驱动），那么被筛选出的特征集合 \(\hat{\mathcal{S}}\) 中的特征，其与 outcome 的关联具有因果解释。
直觉：这个定理将统计关联与因果效应联系起来。如果跨环境一致的关联不是由混杂驱动的，那么它更可能反映真实的因果关系。这个定理为方法的实际应用提供了理论支撑。
与已有文献对比：这个定理与“不变因果预测”（ICP）有相似之处，但 ICP 需要知道环境变量并假设因果机制不变，而本文的方法不需要知道环境变量，而是通过跨环境复制来过滤混杂。

证明路线与技术技巧¶

整体路线：
定义与假设：明确全局 null 特征集 \(\mathcal{H}_0\)，并陈述假设 1-3。
关键引理（对称性引理）：证明对于任意 \(j \in \mathcal{H}_0\)，其聚合统计量 \(T_j\) 的分布关于 0 对称，即 \(T_j \stackrel{d}{=} -T_j\)。
FDR 控制引理：利用对称性引理，证明对于任何阈值 \(\tau > 0\)，有 \(\mathbb{E}\left[ \frac{|\{j \in \mathcal{H}_0: T_j \ge \tau\}|}{|\{j: T_j \ge \tau\}| \vee 1} \right] \le \mathbb{E}\left[ \frac{|\{j: T_j \le -\tau\}|}{|\{j: T_j \ge \tau\}| \vee 1} \right]\)。这个不等式的左边是 FDP 的期望（近似），右边是 knockoff+ 过程中用来构造阈值的量。
阈值选择与 FDR 控制：证明 knockoff+ 过程选择的阈值 \(\tau\) 使得 \(\frac{1 + |\{j: T_j \le -\tau\}|}{|\{j: T_j \ge \tau\}| \vee 1} \le q\)，从而保证 \(\text{FDR} \le q\)。
关键跳跃点：
对称性引理的证明：这是最吃功夫的部分。难点在于，虽然每个 \(W_j^{(e)}\) 在条件于其他统计量下是对称的，但联合分布 \((W_j^{(1)}, \dots, W_j^{(E)})\) 并不一定对称。作者通过引入一个“环境置换”操作和一个“符号翻转”操作，并证明这两个操作在 null 下不改变联合分布，从而证明了 \(T_j\) 的对称性。具体来说，他们构造了一个马尔可夫链，其平稳分布是 \((W_j^{(1)}, \dots, W_j^{(E)})\) 的分布，并且该链在 \(T_j\) 和 \(-T_j\) 之间是可逆的。
技术技巧点名：
环境置换与符号翻转的组合：这是证明对称性引理的核心技巧。通过将环境索引的置换和每个统计量的符号翻转结合起来，构造了一个保持 null 分布不变的变换群。
马尔可夫链 / 耦合论证：用于证明 \(T_j\) 和 \(-T_j\) 同分布。通过构造一个在 \(T_j\) 和 \(-T_j\) 之间可逆的马尔可夫链，证明了它们的分布相同。
knockoff+ 过程：沿用自 Candès et al. (2018)，用于从对称性性质推导出 FDR 控制。

真实例子与应用¶

数据 / 场景：UK Biobank 基因数据。作者关注的是跨祖先群体（欧洲和非洲裔）的稳健遗传关联。他们使用了 UK Biobank 中自报为“白人”和“黑人”的两个子群体作为两个环境。
方法应用：
特征：约 500,000 个 SNPs（单核苷酸多态性）。
Outcome：几个表型，如身高、BMI。
knockoff 构造：在每个环境内，使用一个隐马尔可夫模型（HMM）来模拟 SNPs 的连锁不平衡（LD）结构，并据此构造 knockoff SNPs。
重要性统计量：使用 Lasso 系数的绝对值之差作为 \(W_j^{(e)}\)。
聚合策略：使用 \(T_j = \min(W_j^{(1)}, W_j^{(2)})\)。
FDR 控制：目标 FDR 水平 \(q=0.1\)。
结果：
与单环境 knockoffs 相比，多环境方法筛选出的 SNPs 数量更少，但这些 SNPs 在已知的 GWAS 目录中具有更高的复现率。这表明多环境方法有效地过滤了那些仅在单一环境中显著的、可能由混杂驱动的假阳性关联。
与简单的 meta-analysis（如合并 p 值）相比，多环境方法在控制 FDR 方面表现更优，且筛选出的 SNPs 更具生物学意义。
这个例子想说明什么：验证了方法在真实数据中的有效性，展示了其在发现跨人群稳健遗传关联方面的优势。它说明，通过利用环境间的异质性，可以有效地提高关联发现的可靠性，并可能发现更具因果解释力的位点。

🔎 结论是否比证明窄¶

结论：作者声称该方法能控制 FDR，且在额外假设下支持因果解释。
证明：FDR 控制的证明严格依赖于假设 2（环境间可交换性）。在实际应用中，这个假设是否成立很难验证。例如，在跨祖先 GWAS 中，不同人群的 LD 结构、等位基因频率、以及环境暴露都可能存在系统性差异，这些差异可能导致 null 特征的 \(W_j^{(e)}\) 在不同环境中具有不同的分布，从而违反可交换性假设。作者在文中讨论了这一点，并建议通过敏感性分析来评估假设的稳健性，但没有给出在假设违反时 FDR 控制的理论保证。因此，结论（“能控制 FDR”）在证明中比在泛化声明中更窄——它只在假设 2 下被严格证明。
因果解释：定理 2 的证明依赖于“环境间无未测量混杂”这一强假设。这个假设在实际中几乎不可能完全满足。因此，作者在结论中提到的“支持因果解释”应被理解为一种潜在可能性，而非一个被严格证明的结论。论文的 framing 可能略微夸大了因果推断的力度。

四、开放问题¶

放松环境间可交换性假设：本文的 FDR 控制严格依赖于假设 2。一个重要的开放问题是：能否在更弱的假设下（例如，只要求 null 特征的 \(T_j\) 分布对称，而不要求联合分布可交换）控制 FDR？ 或者，能否设计出对可交换性假设违反更稳健的聚合函数或 FDR 控制过程？这扎根于本文对假设 2 的讨论和敏感性分析建议。
处理环境间效应异质性：本文的方法旨在筛选“在所有环境中都显著”的关联。但有时，一个关联可能只在部分环境中存在（效应异质性），这本身也是一个重要的科学发现。如何扩展该方法，使其既能发现稳健关联，又能识别环境特异性关联，并同时控制各自的 FDR？ 这扎根于本文对“稳健关联”的定义和模拟中未探索的异质性场景。
与因果推断方法的更紧密结合：本文的定理 2 给出了一个非常强的因果解释条件。能否将多环境 knockoff 滤波器与现有的因果推断方法（如工具变量、敏感性分析、或 do-calculus）更系统地结合起来，以在更现实的假设下进行因果发现？ 例如，能否利用环境间的差异来识别工具变量，或进行更精细的敏感性分析？这扎根于本文对因果解释的讨论和与 ICP 等方法的潜在联系。
计算效率与可扩展性：对于大规模数据（如全基因组数据），构造 knockoff 变量本身就是一个计算挑战。本文的方法需要在每个环境中都构造一次 knockoff，计算量随环境数线性增长。能否开发出更高效的算法，例如利用环境间的共享结构来加速 knockoff 构造，或设计出不需要显式构造 knockoff 的替代方法？ 这扎根于本文在 UK Biobank 应用中对计算资源的讨论。

Maintained by 陈星宇 · Homepage · Source on GitHub