跳转至

Optimal Designs with Robust Inference for Binary Treatment Effects

作者: David Azriel, Abba M. Krieger, Adam Kapelner
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2607.05768

一、领域脉络与小综述

这个方向是什么

本文研究的子方向是随机实验设计中的协变量平衡与推断，具体针对二元结果变量（incidence outcome）在 Neyman 非参数模型（Setting (b)：协变量固定、潜在结果随机）下的最优设计与稳健方差估计。核心问题：给定一组固定的协变量 \(x_i\) 和二元潜在成功概率 \(p_{T,i}, p_{C,i}\)，如何选择随机分配机制 \(W\)（设计）以最小化差分估计量 \(\hat\tau\) 的方差，同时构造一个保守但渐近紧的方差估计量，从而得到有效的置信区间。该方向当前成熟度中等——已有大量关于连续结果的设计理论（如区组、匹配、重随机化），但二元结果在 Neyman 模型下的方差公式、最优设计刻画和保守推断的渐近紧性分析尚不完整。

发展脉络（history）

奠基工作：Neyman (1923/1990) 提出非参数模型，将潜在结果视为固定（Setting (a)），并给出差分估计量的方差公式。Robins (1988) 在 Setting (a) 下针对二元结果构造了保守置信区间，比 Wald 区间更短。Fisher 的完全随机化（BCRD）是基准设计。

主要进展（协变量平衡设计）： - 区组设计：Fisher 的区组随机化通过分层控制协变量。Cochran (1954) 和 Mantel-Haenszel (1959) 提出 CMH 检验，用于分层列联表的关联检验，后来被用于区组实验的推断。 - 匹配设计：Greevy et al. (2004) 提出最优非二分匹配（pairwise matching），将个体配成对后随机分配，实现协变量完美平衡。Krieger, Azriel, Kapelner (2016, 2019, 2020) 提出“近乎随机”的平衡算法（GreedyMD, BinaryMatchThenGreedyMD），在平衡性与随机性之间折中。 - 重随机化：Morgan & Rubin (2012) 理论化重随机化设计：丢弃不平衡的分配，只保留满足 Mahalanobis 距离阈值的分配。Li, Ding & Rubin (2016) 推导了重随机化下差分估计量的渐近分布。 - 优化设计：Kallus (2018) 提出核分配方法，在 minimax 方差框架下统一了多种设计，并指出近乎确定的设计（如只选一个最优分配）会导致 \(\Sigma_W\) 秩为 1、最大特征值 \(n\)，从而牺牲随机性。 - 平衡与随机性的权衡：Kapelner et al. (2021) 证明最优设计必须在完全随机化和确定优化之间，呈现 U 型性能曲线。Harshaw et al. (2024) 用 Gram–Schmidt Walk 设计形式化了这一权衡，并给出有限样本 MSE 界。

当前 frontier：在 Neyman 模型（Setting (b)）下，二元结果的方差公式和最优设计刻画。Azriel, Kapelner, Krieger 的一系列工作（2022, 2023, 2024, 2025, 2026）逐步建立了区组设计在二元结果下的最优性（MSE 准则、tail 准则、CMH 检验的局部功效）。本文的位置：在上述工作的基础上，将 CMH 方差估计量推广到任意平衡设计，证明其保守性和在局部备择下的渐近紧性，并给出区组设计渐近最优的充分条件（定理 1），从而统一了设计最优性与推断有效性。

子线索聚类

  1. 设计最优性理论：以方差或 MSE 为准则，刻画最优设计。代表：Kallus (2018) 的 minimax 框架；Kapelner et al. (2021) 的 tail 准则；Azriel et al. (2022, 2024) 在 Neyman 模型下证明完全随机化是 minimax、但区组设计在 tail 准则下更优；本文定理 1 给出区组设计渐近最优的条件。
  2. 方差估计与推断：在 Neyman 模型下构造保守方差估计。代表：Robins (1988) 的保守区间（Setting (a)）；Rigdon & Hudgens (2015)、Li et al. (2016, 2025)、Aronow et al. (2023) 的精确有限样本区间；本文的 CMH 估计量（推广到任意平衡设计）和扩展 Robins 估计量（针对区组设计）。
  3. 平衡性与随机性的权衡：形式化设计必须同时考虑协变量平衡和分配随机性。代表：Kapelner et al. (2021) 的 U 型性能；Harshaw et al. (2024) 的 Gram–Schmidt Walk 设计；本文通过 \(\lambda_{\max}(\Sigma_W)\) 和 \(\max_i \sum_j |(\Sigma_W)_{ij}|\) 刻画这一权衡，并指出 CMH 的紧性要求 \(\lambda_{\max}\) 有界。

这个方向在追问的核心问题

  1. 在 Neyman 模型下，二元结果的最优设计是什么？ 方差公式依赖于未知的 \(p_{T,i}, p_{C,i}\)，因此最优设计是“自适应”的（依赖于未知参数）。如何在不依赖参数的情况下达到渐近最优？答案：协变量平衡条件（式 7），区组设计在光滑性假设下满足。
  2. 如何构造保守但渐近紧的方差估计？ 无偏估计不存在，因此需要保守估计。CMH 估计量在局部备择下渐近紧的条件是什么？答案：\(\lambda_{\max}(\Sigma_W)\) 有界且 \(\frac{1}{n}\|\eta\|^2 \to 0\)。
  3. 平衡性与随机性的权衡如何量化？ 方差最小化要求 \(\lambda_{\max}\) 大（强平衡），但 CMH 的紧性要求 \(\lambda_{\max}\) 小（高随机性）。最优块大小 \(n_B\) 存在 U 型关系。

⚠️ 作者的 framing

作者的说法：Setting (a)（潜在结果固定）太严格，Setting (c)（超总体模型）太随机（方差与设计无关），因此 Setting (b)（Neyman 非参数模型）是“更合理的中间地带”，但“rarely studied in the statistical literature”。本文填补了这一空白：在 Setting (b) 下同时处理最优设计和稳健推断，并证明 CMH 估计量是“conservative in finite samples and asymptotically tight”。

被淡化或回避的竞争路线： - 精确有限样本置信区间（Rigdon & Hudgens 2015, Li et al. 2025, Aronow et al. 2023）被提及但未深入比较。这些方法在有限样本下 exact，但计算成本高（如 Li et al. 2025 的排列检验需要 \(O(\prod n_k^4)\)）。本文的 CMH 方法渐近有效且计算简单，但有限样本下可能更保守。 - 参数模型（如 logistic 回归）被 Freedman (2008) 批评为模型误设风险，作者引用 Freedman 后直接跳过，未讨论半参数方法（如增强逆概率加权）在二元结果下的适用性。

什么明显该被引 / 该存在、却没出现在 intro 里？ - 没有引用 Imbens & Rubin (2015) 中关于二元结果实验设计的章节（虽然引了该书作为一般参考）。 - 没有引用 Rosenbaum (2002) 关于区组设计和 CMH 检验的经典论述。 - 没有引用 Ding (2017) 关于 Neyman 模型下方差估计的综述（可能因为 Ding 的工作更侧重连续结果）。 - 没有引用 Wu & Ding (2021) 关于随机化检验与 CMH 的关系。 - 这些缺失可能不是致命 gap，但值得研究者去查：是否已有工作将 CMH 方差估计量推广到一般平衡设计？本文似乎是第一个。

张力

未见明显对立引用。各工作基本在互补的设定下推进：Kallus (2018) 的 minimax 框架与 Kapelner et al. (2021) 的 tail 准则不矛盾，只是准则不同。Harshaw et al. (2024) 的 Gram–Schmidt Walk 设计与本文的区组设计在权衡曲线上一致。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \(n\)：样本量（偶数）。 - \(x_i \in \mathbb{R}^p\)：第 \(i\) 个个体的协变量向量（固定、已知）。 - \(W_i \in \{-1, +1\}\)：分配指示变量，\(+1\) 表示处理组，\(-1\) 表示对照组。\(W = (W_1, \ldots, W_n)^\top\)。 - 设计：\(W\) 的分布由实验者选择，满足 \(\mathbb{E}[W] = \mathbf{0}_n\)（每个个体等概率分配）且 \(\sum_i W_i = 0\) 几乎必然（平衡设计）。 - \(\Sigma_W := \mathbb{E}[W W^\top]\)：分配向量的协方差矩阵（对角元为 1）。 - \(Y_{T,i}, Y_{C,i} \in \{0,1\}\)：潜在结果（处理组和对照组下的二元响应）。 - \(p_{T,i} := \mathbb{E}[Y_{T,i} \mid x_i]\)，\(p_{C,i} := \mathbb{E}[Y_{C,i} \mid x_i]\)：给定协变量下的成功概率（固定、未知）。 - 模型（Setting (b)）：\(Y_{T,i} \sim \text{Bernoulli}(p_{T,i})\)，\(Y_{C,i} \sim \text{Bernoulli}(p_{C,i})\)，且所有潜在结果独立。协变量 \(x_i\) 固定。 - 可观测响应：\(Y_i = \begin{cases} Y_{T,i} & \text{if } W_i = +1 \\ Y_{C,i} & \text{if } W_i = -1 \end{cases}\)。等价地，\(Y = \frac{Y_T + Y_C}{2} + W \odot \frac{Y_T - Y_C}{2}\)（\(\odot\) 为逐元素乘积）。 - 目标参数：平均处理效应 \(\tau := \frac{1}{n} \sum_{i=1}^n (p_{T,i} - p_{C,i})\)。 - 估计量：差分均值估计量 \(\hat\tau := \bar{Y}_T - \bar{Y}_C = \frac{2}{n} W^\top Y\)。

可观测数据：实验者实际能观测到的是 \((x_i, W_i, Y_i)\) 三元组，共 \(n\) 个。潜在结果 \(Y_{T,i}, Y_{C,i}\) 不可观测，成功概率 \(p_{T,i}, p_{C,i}\) 未知。设计 \(W\) 的分布由实验者完全控制（已知 \(\Sigma_W\) 或可近似）。

关键区分：在 Setting (b) 下，方差 \(\text{Var}(\hat\tau)\) 依赖于 \(p_{T,i}, p_{C,i}\) 和 \(\Sigma_W\)（式 5），而 Setting (c)（超总体模型）下方差简化为 \(\frac{2}{n}(p_T(1-p_T)+p_C(1-p_C))\) 与设计无关。本文的核心就是利用 Setting (b) 中方差对设计的依赖性来优化设计。

第二步：最小内核——BCRD 特例

最简特例：平衡完全随机化设计（BCRD）。此时 \(W\) 均匀分布在所有满足 \(\sum_i W_i = 0\) 的向量上。可以算出：

\[\Sigma_W = \frac{n}{n-1} \left( I_n - \frac{1}{n} \mathbf{1}_n \mathbf{1}_n^\top \right),\]
即对角元为 1，非对角元为 \(-\frac{1}{n-1}\)。

方差公式：由一般公式 (5) 代入 \(\Sigma_W\) 可得

\[\text{Var}(\hat\tau) = \frac{2}{n(n-1)} \sum_{i=1}^n (p_{T,i} + p_{C,i} - \bar{p}_T - \bar{p}_C)^2 + \frac{2}{n^2} \sum_{i=1}^n [p_{T,i}(1-p_{T,i}) + p_{C,i}(1-p_{C,i})],\]
其中 \(\bar{p}_T = \frac{1}{n}\sum p_{T,i}\)，\(\bar{p}_C\) 类似。第一项来自协变量不平衡（通过 \(p_{T,i}+p_{C,i}\) 的变异），第二项是伯努利噪声。如果所有 \(p_{T,i}+p_{C,i}\) 相等（即协变量完全平衡），则第一项为零，方差达到下界 \(\frac{2}{n^2} \sum [p_{T,i}(1-p_{T,i})+p_{C,i}(1-p_{C,i})]\)。

CMH 方差估计量：在 BCRD 下，\(\Sigma_W\) 已知，代入式 (8) 可得

\[V_{\text{CMH}} = \frac{4}{n^2} Y^\top \Sigma_W Y = \frac{4}{n(n-1)} \sum_{i=1}^n (Y_i - \bar{Y})^2 = \frac{4}{n-1} \bar{Y}(1-\bar{Y}),\]
其中 \(\bar{Y} = \frac{1}{n}\sum Y_i\)。注意 \(V_{\text{CMH}}\) 只依赖于总成功比例，不依赖于分配细节。

保守性：定理 2 给出

\[\mathbb{E}[V_{\text{CMH}}] - \text{Var}(\hat\tau) = \frac{4}{n^2} \eta^\top \Sigma_W^{\odot 2} \eta,\]
其中 \(\eta_i = (p_{T,i}-p_{C,i})/2\)。在 BCRD 下，\(\Sigma_W^{\odot 2}\) 的非对角元为 \(1/(n-1)^2\)，可以算出该差值为 \(\frac{4}{n(n-1)} \sum_i (\eta_i - \bar{\eta})^2\)，非负。当所有 \(p_{T,i}=p_{C,i}\)（即 \(\eta_i=0\)）时差值为零，估计量无偏。

渐近紧性：在局部备择假设下（\(\tau = O(1/\sqrt{n})\) 且 \(\frac{1}{n}\sum \eta_i^2 \to 0\)），定理 3 表明 \(n(\mathbb{E}[V_{\text{CMH}}] - \text{Var}(\hat\tau)) \to 0\)，且 \(n V_{\text{CMH}}\) 是 \(n\text{Var}(\hat\tau)\) 的一致估计。对于 BCRD，\(\lambda_{\max}(\Sigma_W) = n/(n-1) \to 1\) 有界，且 \(\max_i \sum_j |(\Sigma_W)_{ij}| = 2\) 有界，满足条件。

核心思路：BCRD 是最简单的平衡设计，其 CMH 估计量有闭式表达式。通过这个特例可以看清：方差由协变量平衡（通过 \(p_{T,i}+p_{C,i}\) 的变异）和伯努利噪声两部分组成；CMH 估计量是保守的，其偏差来自 \(\eta\) 的变异；当处理效应很小（局部备择）时偏差消失。一般设计（如区组设计）通过减小 \(p_{T,i}+p_{C,i}\) 的组内变异来降低方差，同时保持 \(\lambda_{\max}\) 有界以保证 CMH 的紧性。

三、这篇论文做了什么

三句话

  1. 研究问题：在 Neyman 非参数模型（Setting (b)）下，针对二元结果变量，寻找最小化差分估计量 \(\hat\tau\) 方差的随机实验设计，并构造保守且渐近紧的方差估计量以得到有效置信区间。
  2. 核心工具/方法：推导了 \(\text{Var}(\hat\tau)\) 的精确公式（式 5），提出 CMH 方差估计量 \(V_{\text{CMH}} = \frac{4}{n^2} Y^\top \Sigma_W Y\)（适用于任意平衡设计），并推广了 Robins (1988) 的方差估计量到区组设计（式 12-13）。
  3. 主要结论：任何满足协变量平衡条件（式 7）的平衡设计都是渐近最优的；区组设计在 Lipschitz 连续性和块数发散条件下满足该条件（定理 1）；\(V_{\text{CMH}}\) 是保守的（定理 2），且在局部备择假设和 \(\lambda_{\max}(\Sigma_W)\) 有界条件下渐近紧（定理 3）；模拟表明 CMH 推断在功率、覆盖和区间长度上优于 Wald 和扩展 Robins 方法。

关键设定与假设

  • 设定：Setting (b)（Neyman 非参数模型）：协变量 \(x_i\) 固定，潜在结果 \(Y_{T,i}, Y_{C,i}\) 独立服从 Bernoulli(\(p_{T,i}\)) 和 Bernoulli(\(p_{C,i}\))，其中 \(p_{T,i}, p_{C,i}\) 是 \(x_i\) 的确定性函数（未知）。设计 \(W\) 随机，满足 \(\mathbb{E}[W]=\mathbf{0}\) 且 \(\sum_i W_i = 0\)（平衡）。
  • 假设：
  • 定理 1：\(\|x_i\|\) 有界；存在 Lipschitz 连续函数 \(h_T, h_C\) 使得 \(p_{T,i}=h_T(x_i), p_{C,i}=h_C(x_i)\)；最优区组设计最小化块内方差；块数 \(B \to \infty\)。
  • 定理 2：仅需平衡设计（\(\mathbb{E}[W]=\mathbf{0}\)，\(\sum W_i=0\)）。
  • 定理 3：平衡设计；局部备择条件 \(\frac{1}{n}\|\eta\|^2 \to 0\)（式 15）；\(\lambda_{\max}(\Sigma_W)\) 有界；一致性部分还需 \(\max_i \sum_j |(\Sigma_W)_{ij}|\) 有界。
  • 相比已有文献：放宽了 Setting (a) 的固定潜在结果假设，也避免了 Setting (c) 的超总体假设。相比 Robins (1988) 仅针对 BCRD 和 Setting (a)，本文推广到任意平衡设计和 Setting (b)。相比 Azriel et al. (2026) 仅针对区组设计的 CMH 检验，本文将 CMH 方差估计推广到一般设计并给出紧性条件。

主要结果

定理 1（区组设计的渐近最优性）：在 Lipschitz 连续性和有界协变量条件下，若块数 \(B \to \infty\)，则最优区组设计满足 \(\frac{1}{n}(p_T+p_C)^\top \Sigma_W (p_T+p_C) \to 0\)，从而 \(\text{Var}(\hat\tau)\) 趋近于下界 \(\frac{2}{n^2}[p_T^\top(1-p_T)+p_C^\top(1-p_C)]\)。证明通过构造一个次优区组算法（将单位立方体划分为子立方体）给出上界 \(8p\left(\frac{1}{(B^{1/(2p)}-1)^2} + \frac{1}{\sqrt{B}}\right)\)。

定理 2（CMH 的保守性）：对任意平衡设计，\(\mathbb{E}[V_{\text{CMH}}] - \text{Var}(\hat\tau) = \frac{4}{n^2} \eta^\top \Sigma_W^{\odot 2} \eta \ge 0\)，其中 \(\Sigma_W^{\odot 2}\) 是 Schur 积。由 Schur 积定理，\(\Sigma_W^{\odot 2}\) 半正定，故保守性成立。

定理 3（CMH 的渐近紧性）：在局部备择条件（\(\frac{1}{n}\|\eta\|^2 \to 0\)）和 \(\lambda_{\max}(\Sigma_W)\) 有界下，\(n(\mathbb{E}[V_{\text{CMH}}] - \text{Var}(\hat\tau)) \to 0\)。若进一步 \(\max_i \sum_j |(\Sigma_W)_{ij}|\) 有界，则 \(\text{Var}(n V_{\text{CMH}}) \to 0\)，即 \(n V_{\text{CMH}}\) 是 \(n\text{Var}(\hat\tau)\) 的一致估计。因此，结合 \(\hat\tau\) 的渐近正态性（Azriel et al. 2026 对区组设计已证明），可构造渐近有效的置信区间。

模拟结果（以 \(p=1, n=64\) 为例，表 1）： - CMH 相比 Wald 的功率增益 54%-99%（取决于设计），置信区间长度缩减 16%-21%。 - CMH 的 size 接近名义水平 5%，而 Wald 过于保守（size < 5%），扩展 Robins 在块大小 \(n_B\) 小时过于保守、\(n_B\) 大时反保守。 - 图 3 展示了 CMH 功率随块数 \(B\) 的 U 型曲线：\(B=1\)（BCRD）功率低，\(B\) 增大功率上升，到 \(B=8\) 左右达到峰值，然后下降。这验证了平衡性与随机性的权衡。

证明路线与技术技巧

整体路线（以定理 3 为例）： 1. 偏差项：由定理 2，\(n(\mathbb{E}[V_{\text{CMH}}] - \text{Var}(\hat\tau)) = \frac{4}{n} \eta^\top \Sigma_W^{\odot 2} \eta\)。利用 Fan-Horn 不等式 \(\eta^\top \Sigma_W^{\odot 2} \eta \le \lambda_{\max}^2(\Sigma_W) \|\eta\|^2\)，结合 \(\lambda_{\max}\) 有界和 \(\frac{1}{n}\|\eta\|^2 \to 0\)，得偏差趋于 0。 2. 方差项：将 \(n V_{\text{CMH}} = \frac{4}{n} Y^\top \Sigma_W Y\) 分解为条件方差和条件期望的方差：

\[\text{Var}(n V_{\text{CMH}}) = \mathbb{E}[\text{Var}(\frac{4}{n} Y^\top \Sigma_W Y \mid W)] + \text{Var}(\mathbb{E}[\frac{4}{n} Y^\top \Sigma_W Y \mid W]).\]
3. 条件方差：给定 \(W\)，\(Y_i\) 独立，可证明 \(\text{Var}(\frac{4}{n} Y^\top \Sigma_W Y \mid W) \le C/n\)（利用 \(\frac{1}{n}\text{tr}(\Sigma_W^2) \le \lambda_{\max}^2\) 有界）。 4. 条件期望的方差：计算 \(\mathbb{E}[\frac{4}{n} Y^\top \Sigma_W Y \mid W]\) 的表达式，将其方差展开为 9 项协方差和。利用 \(\max_i \sum_j |(\Sigma_W)_{ij}|\) 有界（记为 \(M\)）和 \(\frac{1}{n}\|\eta\|^2 \to 0\)，逐项证明每项 \(\le \frac{C}{n} \cdot \frac{1}{n}\|\eta\|^2\) 或 \(\frac{C}{n} (\frac{1}{n}\|\eta\|^2)^2\)，从而整体趋于 0。

关键跳跃点： - 定理 1 的证明：构造次优区组算法（Algorithm 1）将 \(p\) 维单位立方体划分为 \(m_0^p\) 个子立方体（\(m_0 \approx B^{1/(2p)}\)），然后分析块内方差的上界。难点在于处理“溢出”个体（未匹配的个体），通过有界性控制其贡献。 - 定理 2 的证明：计算 \(\mathbb{E}[Y^\top \Sigma_W Y]\) 时，需要处理 \(Y_i\) 的二阶矩和交叉矩，利用 \(Y_i^2 = Y_i\) 和条件独立性，最终整理出 \(\eta^\top \Sigma_W^{\odot 2} \eta\) 项。 - 定理 3 的方差部分：展开 9 项协方差时，需要反复使用 Gershgorin 圆盘定理将 \(\max_i \sum_j |(\Sigma_W)_{ij}|\) 与谱范数联系起来，并利用 \(\eta\) 的 \(L_2\) 范数衰减。

技术技巧点名： - Schur 积定理（定理 2）：证明 \(\Sigma_W^{\odot 2}\) 半正定，从而保守性。 - Fan-Horn 不等式（定理 3 偏差部分）：将二次型上界与谱范数联系。 - Gershgorin 圆盘定理（定理 3 一致性部分）：用 \(\max_i \sum_j |(\Sigma_W)_{ij}|\) 控制谱范数。 - 条件方差分解（定理 3 方差部分）：将总方差分解为条件方差和条件期望的方差。 - 局部备择假设（Pitman 漂移）：使 \(\tau = O(1/\sqrt{n})\) 且 \(\frac{1}{n}\|\eta\|^2 \to 0\)，从而 CMH 的偏差可忽略。

真实例子与应用

本文包含详细的模拟实验（Section 3），无真实数据例子。模拟设定： - 数据：协变量矩阵 \(X\) 从标准多元正态分布抽取一次并固定（符合 Setting (b)）。响应由 logistic 线性模型生成：\(Y_i \mid x_i, w_i \sim \text{Bernoulli}(\text{expit}(\beta_0 + x_i^\top \beta + \beta_T w_i))\)，其中 \(\|\beta\|=3\)，\(\beta_T=0.5\)（功率）或 0（size）。 - 设计：比较 7 种设计（BCRD, Rerandomization, BinaryMatch, GreedyMD, BinaryMatchThenGreedyMD, NaiveB, OptimalB），块数 \(B\) 从 2 到 128。 - 推断方法：CMH（式 8/9），扩展 Robins（式 13），Wald（\(\sqrt{\bar{y}_T(1-\bar{y}_T)+\bar{y}_C(1-\bar{y}_C)} / \sqrt{n/2}\)）。 - 结果：CMH 在大多数设计中功率最高、区间最短、覆盖接近名义水平。U 型曲线（图 3）验证了平衡性与随机性的权衡。扩展 Robins 在块大小小时因估计不稳定而表现差。 - 该例子想说明：理论结果（最优性、紧性）在有限样本下成立；CMH 推断在实践中优于 Wald 和 Robins；块大小存在最优选择（本文推荐 \(n_B\) 适中，如 4-16）。

🔎 结论是否比证明窄

  • 定理 1 的证明依赖于 Lipschitz 连续性和有界协变量，且仅针对“最优区组设计”（最小化块内方差）。作者在证明中构造了次优算法，但声称“最优区组设计”满足条件，实际上只证明了存在一个次优算法满足上界，而最优设计的上界不会更差，因此结论成立。但“最优”的定义依赖于块内方差最小化，而块内方差最小化不一定等价于最小化 \(\frac{1}{n}(p_T+p_C)^\top \Sigma_W (p_T+p_C)\)（因为 \(p_T+p_C\) 是 Lipschitz 的，所以块内方差小意味着 \(p_T+p_C\) 的变异小）。这个推理是合理的，但严格来说需要假设 \(p_T+p_C\) 的 Lipschitz 常数与 \(x\) 的 Lipschitz 常数一致。
  • 定理 3 要求 \(\lambda_{\max}(\Sigma_W)\) 有界和 \(\max_i \sum_j |(\Sigma_W)_{ij}|\) 有界。作者在讨论中指出，对于近乎确定的设计（如 Kallus 2018 的核分配），\(\lambda_{\max}=n\) 无界，因此 CMH 不紧。但作者没有证明这些条件对区组设计是必要的——可能更弱的设计（如某些重随机化设计）也满足有界性。结论比证明窄：只证明了区组设计满足条件，但未刻画所有满足条件的设计类。
  • 局部备择条件 \(\frac{1}{n}\|\eta\|^2 \to 0\) 排除了某些模式（如 \(p_{T,i}-p_{C,i}\) 交替符号），作者承认这一点。在实际中，如果处理效应有系统性的异质性（如某些子组效应大、某些小），则 CMH 可能不紧。但模拟中 \(\beta_T=0.5\) 固定，\(\eta\) 随 \(x_i\) 变化，\(\frac{1}{n}\|\eta\|^2\) 不趋于 0，但 CMH 仍表现良好——说明紧性条件可能不是必要的，或者有限样本下偏差可接受。
  • 渐近正态性（式 16）对区组设计在 Azriel et al. (2026) 中证明，但本文未证明对一般平衡设计成立。因此，定理 3 的置信区间结论实际上只对区组设计严格成立。作者在 Section 2.4 末尾说“blocking designs satisfy Equation 16”，但未提及其他设计。这是一个窄化：CMH 的紧性对一般设计成立，但置信区间的有效性依赖于渐近正态性，后者可能不适用于所有平衡设计（如近乎确定的设计）。

四、开放问题（点到为止，扎根具体语句）

  1. 扩展到非二元结果：作者在 Discussion 中写道“extend the results beyond binary responses and develop analogous optimal design and robust inference theory for non-binary outcomes”。具体要证什么：对于连续、计数或生存结果，在 Neyman 模型下是否有类似的方差公式和 CMH 型保守估计量？扎根于 Section 4 第一段。

  2. 刻画更广泛设计类的有界性条件：作者说“it would be important to study whether similar conditions hold for broader classes of designs—specifically, to characterize when \(\lambda_{\max}\) and \(\max_i \sum_j |(\Sigma_W)_{ij}|\) remain bounded for designs other than blocking”。扎根于 Section 4 第二段。这是一个开放问题：哪些设计（如重随机化、Gram–Schmidt Walk）满足这些有界性？是否所有“足够随机”的设计都满足？

  3. 有限样本下 CMH 的紧性界：定理 3 是渐近结果，但模拟显示有限样本下 CMH 的偏差（\(\eta^\top \Sigma_W^{\odot 2} \eta\)）可能显著（如 \(n_B=2\) 时）。能否给出有限样本的偏差上界，并据此选择最优块大小？扎根于 Section 2.3.1 的式 (10) 和模拟图 3 的 U 型曲线。

  4. CMH 估计量的计算成本：对于 \(\Sigma_W\) 无闭式表达的设计（如 GreedyMD），需要蒙特卡洛估计 \(\Sigma_W\)（式 18），计算成本随模拟次数线性增长。能否设计更高效的计算方法（如利用设计结构的稀疏性）？扎根于 Section 3.1 关于“Equation 8 requires a closed form expression for \(\Sigma_W\) which we believe is unknown for the GreedyMD and BinaryMatchThenGreedyMD designs”的陈述。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论