Evaluation of Combination Therapy amid Patient-Level Heterogeneity¶
作者: Lingjie Wei, Xinzhou Guo, Shuoxun Xu
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2607.08058
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：如何从统计上严谨地评估联合疗法的疗效，并将其与“患者对单一疗法反应的异质性”所驱动的疗效区分开。经典评估框架（比较联合疗法与最佳单一疗法的平均效果）无法区分“药物间真正的药理交互作用”与“患者对不同药物反应不同、联合疗法只是让每个患者受益于对其最有效的单一药物”这两种截然不同的机制。本文旨在提出一个无模型（model-free）的统计推断框架，通过定义和估计一个跨世界（cross-world）目标参数，来调整患者水平的异质性，从而更准确地判断联合疗法是否提供了超越“最佳单一疗法个体分配”的额外价值。该方向当前成熟度较低，核心挑战在于目标参数的非可识别性和非线性。
发展脉络（history）¶
-
奠基工作：药理学的“独立作用”与“最高单药”原则
- Bliss (1939)：提出了药物独立作用的经典定义（Bliss independence），为后续的协同作用评估提供了基准。
- Palmer & Sorger (2017)：通过实验室和临床数据论证，许多联合疗法的表观疗效可由患者对单一疗法反应的异质性（即“独立药物作用”或“最高单药”原则）解释，而非真正的药物交互。这直接挑战了经典评估框架，并催生了本文的研究问题。本文将其作为核心动机。
- Plana et al. (2022) & Hwangbo et al. (2023)：进一步在药理学文献中系统阐述了“独立药物作用”机制，并指出其对于精准肿瘤学的意义。本文引用它们来定义“患者水平异质性”的机制。
-
主要进展：统计方法应对“选择偏差”与“异质性”
- Guo & He (2021)：提出了一个去偏自举（debiased bootstrap）推断程序，用于评估临床试验中“被选中的最佳亚组”的效果，解决了因数据驱动选择导致的乐观偏差。本文将其作为“经典评估”的基准方法，并指出其未调整患者水平异质性。
- Chen et al. (2020)：提出了一个基于模型的框架来评估联合疗法，试图分离独立药物作用与交互作用。本文认为其是“模型依赖的”（model-based），且未在严格的潜在结果框架下定义目标参数。
- Luedtke & van der Laan (2016)：研究了最优治疗策略（optimal treatment regime）下平均结果的推断。本文指出其与自身工作都关注异质性，但目标不同：前者旨在为不同患者找到最佳治疗，而本文旨在从药理学机制角度调整异质性以评估联合疗法。
-
当前前沿：跨世界因果参数与匹配方法
- Bodik et al. (2025)：研究了跨世界相关性参数在构建个体处理效应预测区间中的作用。本文引用其来论证条件跨世界独立性假设（Assumption 1）的合理性。
- Wu et al. (2024a) & Wu & Mao (2025)：研究了二元结果的个体风险量化与跨世界因果参数的识别。本文指出其与自身工作都涉及潜在结果的联合特征，但主要关注个体水平预测或分类结果的识别。
- Abadie & Imbens (2006, 2012, 2016) & Abadie & Spiess (2022)：建立了匹配估计量的大样本理论，特别是其鞅表示和渐近分布。本文的核心方法论（匹配）建立在此之上，但指出其线性化技术不适用于本文的非线性目标参数。
- Yang & Zhang (2023)：提出了多重稳健匹配估计量，并利用Le Cam框架推导渐近性质。本文指出其依赖参数模型假设，不适用于本文的无模型设定。
-
本文的位置：本文填补了上述脉络中的一个关键缺口：在无模型（model-free）设定下，为调整患者水平异质性后的联合疗法疗效，提供一个具有严格统计推断（√N速率置信区间）的框架。它通过定义一个新的跨世界目标参数τ，并发展一种基于结果的最优匹配（outcome-based optimal matching）方法，来应对非可识别性和非线性挑战。
子线索聚类¶
- 药理学机制与临床评估：关注联合疗法疗效的生物学解释，区分“独立作用”、“协同作用”与“相加作用”。代表工作：Bliss (1939), Palmer & Sorger (2017), Plana et al. (2022), Hwangbo et al. (2023), Schmidt et al. (2020, 2023), Duarte & Vale (2022), Demidenko & Miller (2019)。本文的动机和问题定义来源于此线索。
- 因果推断中的匹配方法：关注如何通过匹配来调整混杂、估计处理效应，并建立其渐近理论。代表工作：Abadie & Imbens (2006, 2012, 2016), Abadie & Spiess (2022), Stuart (2010), Yang & Zhang (2023), Antonelli et al. (2018), Lin et al. (2023), Ferman (2021)。本文的方法论（匹配）和理论（渐近正态性）来源于此线索，但进行了创新（结果匹配、非线性目标）。
- 跨世界因果参数与个体化推断：关注涉及潜在结果联合分布（如个体处理效应、跨世界相关性）的因果参数的识别与推断。代表工作：Bodik et al. (2025), Lei & Candès (2021), Chernozhukov et al. (2023), Wu et al. (2024a), Wu & Mao (2025)。本文的目标参数τ本身就是一个跨世界参数，其识别和推断挑战与此线索紧密相关。
这个方向在追问的核心问题¶
- 如何定义和识别“调整患者水平异质性后的联合疗法效果”？ 经典参数（如平均处理效应）无法捕捉个体水平的异质性。本文提出的τ = E[Y(A+B)] - E[max{Y(A), Y(B)}]是一个候选，但其识别依赖于潜在结果的联合分布，这在观测数据中是不可识别的。
- 如何估计一个非线性的、不可识别的目标参数？ E[max{Y(A), Y(B)}]是一个非线性泛函，且其估计需要处理缺失的潜在结果。直接插补或参数化方法可能引入偏差或无法达到√N速率。
- 如何保证推断的稳健性？ 当关键的识别假设（如条件Bliss独立性）被违反时，推断结果是否仍然有效？如何量化这种敏感性？
- 如何将药理学机制（独立作用、协同作用）转化为可检验的统计假设？ 本文的假设检验H0: τ ≤ 0 vs H1: τ > 0 正是这种转化的尝试。
⚠️ 作者的 framing¶
- 作者把缺口 frame 成什么？ 作者将经典评估框架的缺口定位为：无法区分“药物交互作用”与“患者水平异质性驱动的疗效”。他们声称，经典框架的假设检验（H0: E[Y(A+B)] ≤ max{E[Y(A)], E[Y(B)]}）在存在异质性时是“不充分且过于乐观的”（inadequate and overly optimistic）。因此，本文提出的新框架（H0: τ ≤ 0）是“显然的下一步”，因为它直接针对这个缺口，旨在识别真正的药理交互作用。
- 哪些竞争路线被他淡化或回避了？
- 模型方法（model-based approaches）：作者在引言中提及Chen et al. (2020)的模型方法，但将其定性为“ad-hoc or model-based”，并强调自己的方法是“model-free”。这淡化了模型方法在特定场景下的有效性，并突出了自身方法的普适性优势。
- 最优治疗策略（optimal treatment regime）：作者明确区分了本文目标（评估联合疗法的整体机制）与OTR（为个体找到最佳治疗），从而将自身工作与一个更成熟的领域划清界限，避免了直接竞争。
- 个体处理效应（ITE）推断：作者指出ITE推断主要关注个体水平预测，而本文关注的是总体水平的机制评估，同样进行了区分。
- 什么明显该被引 / 该存在、却没出现在 intro 里？ 未见明显缺失的关键引用。intro中引用的文献覆盖了药理学、匹配方法和跨世界推断三个主要线索，且引用了最新的工作（如Bodik et al., 2025; Xu & Guo, 2025）。
张力¶
未见明显对立引用。被引工作之间在方法论上存在差异（如模型 vs. 无模型，匹配 vs. 加权），但并未出现彼此矛盾或在略不同条件下得相反结论的情况。它们共同构成了一个从“发现问题”到“提出方法”的渐进式发展脉络。
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。i：患者索引，i = 1, ..., N。Y：观测到的结果变量（标量，连续型）。T：处理分配变量，取值于集合{A, B, A+B}，分别代表单一疗法A、单一疗法B和联合疗法A+B。X：基线协变量向量（k维）。Y(A), Y(B), Y(A+B)：潜在结果（potential outcomes），分别代表患者在接受处理A、B、A+B后可能的结果。这些是反事实量，不可同时观测。f_T(X) = E[Y(T) | X]：条件期望函数，是X的函数。ϵ(T) = Y(T) - f_T(X)：误差项，满足E[ϵ(T) | X] = 0。τ = E[Y(A+B)] - E[max{Y(A), Y(B)}]：目标参数，即联合疗法的平均效果减去患者水平最佳单一疗法响应的均值。ψ = E[max{Y(A), Y(B)}]：患者水平最佳单一疗法响应的均值。µ_{A+B} = E[Y(A+B)]：联合疗法的平均效果。ψ_H：在条件Bliss独立性假设下，由边际分布乘积构造的ψ的可识别版本。τ_H = µ_{A+B} - ψ_H：在条件Bliss独立性假设下，τ的可识别版本。N_A, N_B, N_{A+B}：分别接受处理A、B、A+B的患者数量。ρ = Corr[Y(A), Y(B) | X]：跨世界相关性参数，用于敏感性分析。
-
模型：
- 数据生成机制：假设一个完全随机化的临床试验（
(Y(A), Y(B), Y(A+B), X) ⊥ T）。观测数据(Y, X, T)是独立同分布的。 - 潜在结果模型：
Y(T) = f_T(X) + ϵ(T)。这是一个非参数模型，因为f_T(·)的形式未指定。误差项ϵ(T)被假设为与X独立（同方差性），且具有绝对连续的概率密度。 - 识别假设：核心识别假设是条件Bliss独立性（Assumption 1）：
Cov[I_{Y(A)>t}, I_{Y(B)>t} | X] = 0，对所有t成立。这等价于给定X时，Y(A)和Y(B)的条件分布是独立的。
- 数据生成机制：假设一个完全随机化的临床试验（
-
可观测数据：
- 研究者能观测到：对于每个患者
i，可以观测到其基线协变量X_i、分配到的处理T_i，以及在该处理下的结果Y_i。例如，如果T_i = A，则观测到Y_i = Y_i(A)，而Y_i(B)和Y_i(A+B)是缺失的。 - 想要但观测不到的：对于每个患者，我们想要知道其所有潜在结果
(Y_i(A), Y_i(B), Y_i(A+B))，特别是max{Y_i(A), Y_i(B)}。由于每个患者只接受一种处理，这个最大值是不可观测的。这是因果推断的核心挑战。
- 研究者能观测到：对于每个患者
第二步：讲最小内核¶
本文的核心思路可以浓缩为一个最简特例：假设只有一个协变量X，且X是离散的，取值只有两种（例如，男/女）。 在这个特例下，我们可以剥离所有高维和非参数估计的复杂性，看清问题的本质。
-
设定：
- 协变量
X取值为M（男）或F（女）。 - 处理
T取值为A, B, A+B。 - 假设完全随机化，且
X的分布已知（例如，男女各半）。 - 假设条件Bliss独立性成立（即给定
X，Y(A)和Y(B)独立）。
- 协变量
-
核心问题：我们想估计
τ = E[Y(A+B)] - E[max{Y(A), Y(B)}]。E[Y(A+B)]可以直接用A+B组样本均值估计。难点在于E[max{Y(A), Y(B)}]。 -
核心思路：
-
识别：在条件Bliss独立性下，
E[max{Y(A), Y(B)}]可以被识别为：E[max{Y(A), Y(B)}] = E_X[ E[max{Y(A), Y(B)} | X] ]由于给定X时Y(A)和Y(B)独立，条件期望E[max{Y(A), Y(B)} | X]可以仅由边际条件分布F_{Y(A)|X}和F_{Y(B)|X}计算得出。例如，对于男性（X=M）：E[max{Y(A), Y(B)} | X=M] = ∫∫ max(y_A, y_B) dF_{Y(A)|X=M}(y_A) dF_{Y(B)|X=M}(y_B)这个量是可识别的，因为我们可以从接受A的男性患者中估计F_{Y(A)|X=M}，从接受B的男性患者中估计F_{Y(B)|X=M}。 -
估计：如何估计
E[max{Y(A), Y(B)} | X=M]？一个直接的方法是“匹配”：- 从接受
A的男性患者中随机抽取一个，其结果为y_A。 - 从接受
B的男性患者中随机抽取一个，其结果为y_B。 - 计算
max{y_A, y_B}。 - 重复这个过程很多次，取平均。这本质上是一个蒙特卡洛积分，估计的是
E[max{Y(A), Y(B)} | X=M]。
- 从接受
-
本文的匹配方法：上述“随机匹配”在
X是离散且低维时可行。但当X是高维连续变量时，无法找到“完全相同的X”的患者。本文的核心创新在于：不直接匹配X，而是匹配f_B(X)（即E[Y(B)|X]）。理由如下：- 在条件Bliss独立性下，给定
X，Y(A)和Y(B)独立。因此，对于X值相近的患者，其Y(B)的分布也相近。 - 匹配
f_B(X)是一种降维技巧。它将高维的X压缩到一维的“预后得分”（prognostic score），使得匹配在低维空间中进行，从而缓解“维度灾难”。 - 具体来说，对于每个接受
A的患者i（其X_i已知），我们在接受B的患者中，找到一个f_B(X_j)与f_B(X_i)最接近的患者j，然后用Y_j(B)来“近似”Y_i(B)。这样，max{Y_i(A), Y_j(B)}就近似于max{Y_i(A), Y_i(B)}的一个独立同分布副本。
- 在条件Bliss独立性下，给定
-
-
为什么这个例子是核心？ 这个特例揭示了本文方法的本质：
- 问题：估计一个涉及潜在结果联合分布的非线性参数。
- 识别策略：利用条件独立性假设，将联合分布问题转化为边际分布问题。
- 估计策略：通过匹配（在预后得分上）来“模拟”独立同分布抽样，从而近似计算非线性泛函。
- 挑战：匹配引入了依赖关系，使得经典的CLT失效。本文的理论贡献正是证明了在这种匹配方案下，估计量仍然具有√N渐近正态性。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题：在患者对单一疗法反应存在异质性的情况下，如何从统计上严谨地评估联合疗法的疗效，并将其与真正的药理交互作用区分开。
- 核心工具 / 方法：定义了一个跨世界目标参数τ = E[Y(A+B)] - E[max{Y(A), Y(B)}]；提出了一个基于结果的最优匹配（outcome-based optimal matching）算法来估计τ；并建立了一个新的理论框架来证明该匹配估计量的√N渐近正态性。
- 主要结论：在条件Bliss独立性假设下，τ是可识别的，且所提出的匹配估计量可以构造出渐近有效的置信区间。当该假设被违反时，在非负依赖条件下，τ是部分可识别的，且所提出的推断程序仍然是保守有效的。在ACTG 175试验的再分析中，该方法未发现联合疗法（齐多夫定+去羟肌苷）提供了超越患者水平异质性基准的额外益处。
关键设定与假设¶
- 设定：完全随机化的临床试验，处理组为
A, B, A+B。结果Y为连续型。协变量X为k维。 - 核心假设：
- Assumption 1 (条件Bliss独立性)：
Cov[I_{Y(A)>t}, I_{Y(B)>t} | X] = 0，对所有t。这是点识别的关键假设。它意味着给定X，Y(A)和Y(B)的条件分布是独立的。相比经典的无混杂假设（(Y(A), Y(B)) ⊥ T | X），这是一个更强的、关于潜在结果之间关系的假设。本文将其作为“工作基线”（working baseline）。 - Assumption 2 (噪声正则性)：
Y(T) = f_T(X) + ϵ(T)，其中ϵ(T)与X独立，且具有绝对连续的有界概率密度。这保证了噪声的“光滑性”，是后续匹配偏差分析的基础。 - Assumption 3 (结果模型估计的一致性)：
||\hat{f}_B - f_B||_\infty = o_P(N_A^{-1/4})。这是一个非参数速率要求，比参数模型的√N速率要慢，因此允许使用更灵活的估计方法（如级数估计器）。这体现了本文“model-free”的特点。 - Assumption 4 (匹配偏差)：
E[(\hat{f}_B(X_i) - \hat{f}_B(X_{\tilde{i}}))^4] = o_P(N_A^{-1})。这要求匹配后的预后得分差异足够小，是匹配估计量一致性的标准要求。本文指出其比经典文献（如Abadie & Spiess, 2022）的假设更弱。 - Assumption 5 (非负依赖)：
Cov[I_{Y(A)>t}, I_{Y(B)>t} | X] ≥ 0，对所有t。这是部分识别的关键假设，它比Assumption 1更弱，允许Y(A)和Y(B)之间存在正相关（如交叉耐药性）。 - Assumption 6 (高斯工作模型)：给定
X，(Y(A), Y(B))服从二元正态分布。这是用于敏感性分析的假设，允许推导出τ关于跨世界相关性ρ的闭式表达式。
- Assumption 1 (条件Bliss独立性)：
主要结果¶
- Theorem 1 (识别)：在Assumption 1下，
ψ = ψ_H，τ = τ_H，因此τ是点识别的。ψ_H是仅由边际分布F_X, F_{Y(A)|X}, F_{Y(B)|X}定义的量。 - Theorem 2 (渐近正态性)：在Assumptions 1-4下，匹配估计量
\hat{ψ}是渐近正态的：√N_A (\hat{ψ} - ψ) / \hat{σ}_m →_d N(0,1)。这是本文的核心理论贡献，它证明了即使目标参数是非线性的，且匹配引入了依赖关系，估计量仍然具有√N速率和标准正态极限分布。 - Theorem 3 (有效推断)：在Assumptions 1-4下，基于
\hat{τ}和\hat{σ}构造的Wald型置信区间和p值是渐近有效的。即，liminf P(τ ∈ CI_N) = 1-α，limsup P(p_N ≤ α | H_0) = α。 - Theorem 4 (部分识别)：在Assumption 5下，
ψ_H ≥ ψ，τ_H ≤ τ。这意味着τ_H是τ的一个下界。因此，即使Assumption 1被违反，τ也是部分可识别的。 - Theorem 5 (稳健推断)：在Assumptions 2-5下，基于
\hat{τ}的推断对于τ是保守有效的。即，liminf P(τ ∈ CI_N) ≥ 1-α，limsup P(p_N ≤ α | H_0) ≤ α。这意味着即使存在正相关，拒绝原假设H_0: τ ≤ 0的结论也是可靠的（犯第一类错误的概率被控制住了）。 - Theorem 6 (敏感性分析闭式解)：在Assumptions 2和6下，给出了
E[max{Y(A), Y(B)} | X=x]关于ρ的闭式表达式，从而可以计算τ(ρ)和∆(ρ)。这为量化跨世界相关性对结论的影响提供了工具。
证明路线与技术技巧¶
-
整体路线：
- 构造伪Oracle量：定义
Y_i^* = f_B(X_i) + \tilde{ϵ}_i(B)，其中\tilde{ϵ}_i(B)是从ϵ(B)分布中独立抽取的噪声。那么max{Y_i(A), Y_i^*}是一个“伪Oracle”量，因为它基于独立同分布的噪声，且其期望就是ψ。这个量是独立同分布的，因此其样本均值的渐近性质是平凡的。 - 分解误差：将匹配估计量
\hat{ψ} = (1/N_A) Σ_{i: T_i=A} max{Y_i, Y_{\tilde{i}}}与伪Oracle量(1/N_A) Σ_{i: T_i=A} max{Y_i(A), Y_i^*}的差分解为两部分：- 匹配偏差：由于
Y_{\tilde{i}}（匹配对象的观测结果）与Y_i^*（独立同分布噪声下的结果）不同而产生的误差。 - 估计误差：由于使用
\hat{f}_B代替真实的f_B来定义匹配得分而产生的误差。
- 匹配偏差：由于
- 控制误差：核心技巧是引入一个辅助逆概率加权因子
\tilde{π}。通过巧妙地构造\tilde{π}，可以证明匹配偏差项在期望上为零，而估计误差项在Assumptions 3和4下是o_P(N_A^{-1/2})。具体地，证明过程利用了ϵ(A) - ϵ(B)的密度有界性（Assumption 2）和匹配偏差的矩条件（Assumption 4），通过泰勒展开和条件期望论证，将匹配偏差的期望控制到o(N_A^{-1/2})。 - 应用CLT：由于伪Oracle量的渐近正态性是直接的，且匹配估计量与它的差是
o_P(N_A^{-1/2})，因此匹配估计量也具有相同的渐近分布。
- 构造伪Oracle量：定义
-
关键跳跃点：最吃功夫的引理是Lemma 6（在附录中），它证明了匹配估计量与伪Oracle量之间的差异是
o_P(N_A^{-1/2})。难点在于：- 非线性：
max函数的存在使得线性化技术（如Abadie & Imbens, 2006中使用的K(i)）失效。 - 依赖：匹配引入了复杂的依赖结构，无法直接应用标准CLT。
- 作者的解法：通过构造一个巧妙的逆概率加权因子
\tilde{π}，将匹配偏差项转化为一个条件期望为零的鞅差序列，从而绕过了直接处理依赖性的困难。
- 非线性：
-
技术技巧点名：
- 伪Oracle量构造：用于建立理想化的、独立同分布的比较基准。
- 逆概率加权（Inverse Probability Weighting）：通过
\tilde{π}因子来“解耦”匹配带来的依赖，是证明的核心技巧。 - 条件期望与鞅差：利用条件期望的性质，将复杂的匹配偏差项转化为可处理的鞅差序列。
- 泰勒展开：用于处理
max函数在匹配偏差较小时的局部行为。 - 非参数速率条件：Assumption 3 (
o_P(N_A^{-1/4})) 是一个关键的技术条件，它比参数速率更宽松，允许使用更灵活的估计器，但同时也使得证明需要更精细的偏差分析。
真实例子与应用¶
- 数据：ACTG 175试验数据，这是一个关于HIV治疗的随机对照试验。具体分析的是齐多夫定（zidovudine, A）和去羟肌苷（didanosine, B）的联合疗法（A+B）。
- 如何应用：
- 目标：评估联合疗法（A+B）是否提供了超越患者水平最佳单一疗法（max{Y(A), Y(B)}）的额外益处。
- 方法：使用Algorithm 1。
\hat{f}_B(X)通过二阶幂级数回归（second-order power series regression）在去羟肌苷组（B组）上估计得到。然后，在齐多夫定组（A组）和去羟肌苷组（B组）之间进行基于\hat{f}_B(X)的最优1:1匹配（无放回）。最后计算\hat{τ}及其置信区间。
- 结果：
- 经典评估：估计值为28.848，单侧置信下限为17.785（>0），表明联合疗法优于最佳单一疗法。
- 本文方法：估计值为-30.606，单侧置信下限为-45.357（<0），表明没有证据表明联合疗法优于患者水平最佳单一疗法。
- 这个例子想说明什么：
- 验证理论：展示了经典评估可能得出“过于乐观”的结论，而本文方法通过调整患者水平异质性，得出了更保守、更审慎的结论。
- 展示优势：直接对比了两种方法在同一数据集上的结果差异，直观地说明了本文框架的实用价值。
- 敏感性分析：进一步通过高斯敏感性分析（Figure 3）表明，只有当跨世界相关性
ρ非常大（>0.669）时，才能推翻本文的结论，从而增强了结论的稳健性。
🔎 结论是否比证明窄¶
- Theorem 2和3的证明依赖于Assumption 1（条件Bliss独立性）。这是一个很强的假设。虽然作者在Section 4中通过部分识别和敏感性分析来放松这个假设，但点识别和最优√N推断的严格结论仍然只在这个假设下成立。在Assumption 5（非负依赖）下，结论是“保守有效”的，即置信区间更宽，检验功效更低。
- Theorem 5的证明依赖于Assumption 5（非负依赖）。这个假设排除了
Y(A)和Y(B)之间存在负相关的可能性。如果存在负相关（例如，药物A和B对同一患者有相反的疗效），那么τ_H可能不再是τ的下界，本文的推断程序可能不再有效。作者在敏感性分析中提到了负相关（如“collateral sensitivity”），但并未在理论部分处理这种情况。 - Assumption 2假设噪声与X独立。这是一个常见的简化假设，但在实际中可能不成立。作者在文中提到这个假设“has been widely adopted”，但并未讨论其违反时的后果。
- Assumption 3要求
\hat{f}_B的估计误差为o_P(N_A^{-1/4})。虽然这是一个非参数速率，但并非所有非参数估计器都能达到。作者提到了Newey的级数估计器，但未给出更一般的充分条件。
四、开放问题¶
-
扩展到多种药物组合：本文只考虑了两种药物的联合。如作者在Discussion中所言，“extension of the current framework to higher-order combinations involving three or more agents bears both methodological and practical importance”。这需要定义新的目标参数（如
E[Y(A+B+C)] - E[max{Y(A), Y(B), Y(C)}]），并发展相应的匹配或其它估计策略。扎根点：Section 7 Discussion第一句。 -
处理删失或计数型结局：本文假设结局是连续型的。但许多临床试验使用无进展生存期（PFS）或总生存期（OS）等删失数据，或计数型数据。如何将本文的“最大响应”泛函和匹配理论扩展到这些结局类型，是一个重要的开放问题。扎根点：Section 7 Discussion第二句。
-
扩展到其他非线性因果泛函：本文的方法和理论是针对
max型泛函发展的。作者在Discussion中提出，“the proposed matching methods and the associated theories might be extended to other non-linear causal functionals of potential outcomes”。例如，min、median或更复杂的分位数泛函。扎根点：Section 7 Discussion第三句。 -
放松噪声独立假设：Assumption 2假设噪声与
X独立。这是一个很强的假设。未来的工作可以探索在异方差噪声（Var[ϵ(T)|X]依赖于X）下，本文的匹配估计量是否仍然具有√N渐近正态性，或者需要发展新的偏差校正方法。扎根点：Assumption 2的陈述及其后的讨论。
Maintained by 陈星宇 · Homepage · Source on GitHub