跳转至

Causal Inference for Case Studies in Behavioral Health

作者: Shane Sparkes
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2607.06912

一、领域脉络与小综述

这个方向是什么

本文所针对的根本问题是：在观测性 N=1（个案）研究中，如何识别因果效应？ 具体而言，在行为健康领域的个体化护理过程中，研究者只能观测到单个个体在时间序列上的治疗与结局数据，缺乏随机化、实验控制和群体框架。传统因果推断方法（如基于条件交换性的调整、工具变量、前门/后门准则）通常需要测量足够多的混杂变量，或依赖群体层面的匹配/外推假设。本文试图回答：在无需测量任何混杂变量的条件下，能否识别出某种有意义的因果 estimand？ 该方向目前处于概念性框架构建阶段，尚未形成成熟的估计与推断方法论。

发展脉络（history）

  1. 奠基工作：结构因果模型（SCM）与潜在结果框架
  2. Pearl (2009, 2010a, 2010b) 与 Hernán & Robins (2010) 建立了 SCM 和 do-演算的基本语言，定义了干预分布 Pr{Y=y | do(t)} 与观测分布 Pr{Y=y | t} 的区别，并给出了通过后门/前门准则识别因果效应的条件。这些工作为本文提供了形式化基础，但本文指出它们通常要求 X 足以阻断所有后门路径，这在 N=1 护理过程中几乎不可能满足。

  3. Holland (1986) 提出了因果推断的基本难题（fundamental problem of causal inference），即同一单位无法同时观测到 Y|do(t=1) 和 Y|do(t=0)。本文引用此点来强调 N=1 设定下匹配问题的本质困难。

  4. 主要进展：N-of-1 试验设计与个体化方法

  5. Duan, Kravitz & Schmid (2013) 和 Kravitz & Duan (2022) 系统阐述了 N-of-1 试验的设计原则（如 ABAB 交叉设计、随机化序列），并讨论了其在个性化医疗中的应用。本文指出，这些设计依赖于“洗脱期”假设（treatment effects wash out），而这与大多数行为健康治疗旨在产生持久改变的临床现实相矛盾。
  6. Molenaar (2004, 2015) 和 Molenaar & Campbell (2009) 提出了“个体特异性分析”（subject-specific analysis）的范式，强调心理过程的非遍历性（non-ergodicity），即群体层面的统计规律不能直接推广到个体。本文引用此点来论证 N=1 研究的必要性，但认为其方法论（如时间序列建模）仍受限于未测量混杂。

  7. Kwasnicka et al. (2019) 和 De Carvalho et al. (2026) 综述了 N-of-1 设计在健康心理学中的挑战，包括依从性、携带效应、样本量/功效计算等。本文指出，这些文献通常采用启发式分析方法（如视觉推断），缺乏严格的因果识别基础。

  8. 当前 frontier：在弱假设下识别因果效应

  9. Sparkes, Garcia & Zhang (2024) 提出了“函数平均处理效应”（functional average treatment effect），并建立了期望-平均恒等式 Av(Y) = E(Y) + κ。该工作首次将因果 estimand 从分布对比转向支撑集函数的对比，并证明了函数平均对混杂的稳健性。本文直接继承并扩展了这一思路，将其从群体 ATE 设定推广到 N=1 设定。
  10. 本文的位置：在上述工作的基础上，本文试图证明在仅需正性（positivity）假设下，观测支撑与干预支撑一致，从而无需测量或调整混杂变量即可识别支撑集对比类的因果 estimand（Ω estimand）。这是对传统识别条件（如条件交换性、后门准则）的显著弱化，但代价是目标 estimand 从分布对比（如均值差）变为支撑集函数对比（如最大值、最小值、范围、函数平均）。

子线索聚类

  • 线索一：结构因果模型与 do-演算（Pearl 2009, 2010a, 2010b; Greenland, Pearl & Robins 1999; Hernán & Robins 2010）
  • 核心：通过 DAG 和 do-演算形式化因果效应，给出识别条件。

  • 本文的利用方式：采用 SCM 语言定义干预分布，但试图绕过其核心识别条件（后门准则）。

  • 线索二：N-of-1 试验设计与个体化方法（Duan et al. 2013, 2022; Kravitz & Duan 2022; Kwasnicka et al. 2019; De Carvalho et al. 2026; Kazdin 2020）

  • 核心：在单个个体上通过交叉设计、随机化序列来估计因果效应，依赖洗脱期和重复测量假设。

  • 本文的批评：这些设计不适用于自然护理过程（因伦理和持久改变问题），且未解决未测量混杂。

  • 线索三：函数平均与支撑集对比（Sparkes, Garcia & Zhang 2024）

  • 核心：提出函数平均 estimand 及其对混杂的稳健性，建立期望-平均恒等式。
  • 本文的扩展：将支撑集对比从群体 ATE 推广到 N=1 设定，并证明在正性假设下观测支撑与干预支撑一致。

这个方向在追问的核心问题

  1. 在 N=1 观测性研究中，能否识别出任何有意义的因果 estimand？ 当前主流方法（如 ABAB 设计、时间序列分析）要么依赖实验控制，要么依赖强参数假设。本文试图回答：在仅需正性假设下，支撑集对比类 estimand 是可识别的。
  2. 支撑集对比是否具有临床意义？ 传统观点认为，支撑集很少变化，因此支撑集对比可能对大多数治疗效应不敏感。本文回应：支撑集（作为个人不确定性的度量）与量表 co-domain 不同，有效的治疗可以消除某些极端值的可能性（如最高焦虑水平从 10 降至 8）。
  3. 如何将支撑集对比与传统的均值对比联系起来？ 通过期望-平均恒等式和“认知保持”（epistemic preservation）条件，本文试图在支撑集对比和均值对比之间建立桥梁，从而赋予均值差因果含义。
  4. 已知瓶颈：正性假设不可检验，必须通过 DAG 的合理性逐案论证；支撑集对比对仅改变概率分布而不改变支撑的治疗效应不敏感；框架目前缺乏频率保证和估计方法。

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）

  • 作者把缺口 frame 成什么：作者声称，在 N=1 护理过程中，未测量混杂是“不可避免的”（inescapable），而传统方法（如后门调整、N-of-1 交叉设计）要么要求测量混杂，要么依赖不现实的洗脱期假设。因此，“需要一条不要求关闭后门路径的因果推断路径”（"the need for a route to causal inference that does not require closing backdoor paths at all"）。本文的 Ω estimand 被呈现为这条路径。
  • 哪些竞争路线被他淡化或回避了：
  • 作者淡化了工具变量（IV）方法在 N=1 设定中的可能性。IV 可以在存在未测量混杂时识别因果效应，但需要找到有效的工具变量（与治疗相关、仅通过治疗影响结局、与混杂独立）。在行为健康护理过程中，寻找这样的工具变量可能同样困难，但作者未讨论。
  • 作者回避了敏感性分析作为替代方案。即使无法完全识别因果效应，敏感性分析可以量化未测量混杂对结论的潜在影响。本文仅在讨论 κ 的界时略微触及，但未将其作为主要框架。
  • 作者回避了纵向因果推断方法（如 g-methods、结构嵌套模型、边际结构模型），这些方法在处理随时间变化的混杂时具有优势，但同样需要测量混杂。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？
  • Proximal causal inference (Tchetgen Tchetgen et al., 2020)：该方法利用“近端变量”（proxies）在存在未测量混杂时识别因果效应，与本文的“绕过混杂”目标高度相关。作者未引用或讨论。
  • 因果发现与结构学习：如果 DAG 本身未知，如何从数据中学习？本文假设 DAG 是已知的（T→Y, U→T, U→Y），但未讨论 DAG 不确定性的影响。
  • 贝叶斯因果推断的现有工作：本文采用 de Finetti 主观概率解释，但未引用贝叶斯因果推断的经典文献（如 Heckerman, 1995; Dawid, 2000），也未讨论贝叶斯网络中的因果推断。

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 SCM vs. N-of-1 试验设计），但并未在相同条件下得出相反结论。作者将 N-of-1 试验设计定位为“不适用于自然护理过程”，这是一种批评而非矛盾。

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： - I = {1, 2, ..., m}：潜在观测时间点的索引集，m 为观测总数。 - Y：m × 1 向量，表示结局变量（通常为整数序数变量，如焦虑评分 0-10）。 - T：m × 1 向量，表示干预变量（本文默认二值：T=1 表示治疗活跃，T=0 表示未治疗）。 - X：m × p 矩阵，表示额外可观测特征（本文中通常未测量或未使用）。 - U：m × q 矩阵，表示未测量变量（混杂因素）。 - Yi | do(t)：在干预 do(T=t) 下的结局变量，其分布为 Pr{Yi=y | do(t)}。 - Yi | t：在观测到 T=t 条件下的结局变量，其分布为 Pr{Yi=y | t}。 - supp(Yi)：随机变量 Yi 的支撑集，即满足 Pr{Yi ∈ supp(Yi)} = 1 的最小闭集。对离散变量，即 {y: Pr(Yi=y) > 0}。 - Ωζ：扁平化支撑集（flattened support），即所有时间点上可能出现的结局值的集合。若某个整数 y 出现在任意 Yi 的支撑中，则 y ∈ Ωζ。 - g(Ω)：支撑集的函数，如 max(Ω)、min(Ω)、|Ω|（基数）、range(Ω) = max - min、median(Ω)、Av(Ω) = |Ω|^{-1} Σ_{y∈Ω} y（函数平均）。 - h(Ω_{Z|do(t)}, Ω_{Z|do(t')})：Ω 效应，即两个干预支撑集函数的对比。本文默认 h(Ω_{ζ|do(t=1)}, Ω_{ζ|do(t=0)})。 - κ = Av(Y) - E(Y)：函数平均与期望值的差，衡量概率分布相对于支撑的“偏移”程度。在离散整数支撑下，κ 与分布的对称性和偏度有关。 - f(·)：概率质量函数或密度函数。 - σ_{X,Y} = E(XY) - E(X)E(Y)：协方差。 - R = |Ω|（离散）或 ∫_{x∈Ω} dx（连续）：支撑的“大小”。

模型： - 数据生成机制由结构因果模型（SCM）描述，其 DAG 包含三个节点：T → Y（治疗影响结局）、U → T（未测量混杂影响治疗）、U → Y（未测量混杂影响结局）。这是最简单的混杂 DAG。 - 没有假设 X 足以阻断后门路径；实际上，U 是未测量的，因此后门路径 T ← U → Y 是开放的。 - 概率解释采用 de Finetti 主观主义：概率是个人不确定性的度量，而非客观频率。因此，所有分布和支撑集都是建模者信念的反映。

可观测数据： - 研究者实际能观测到的是：一个时间序列 (y_0, y_1, ..., y_m) 和对应的 (t_0, t_1, ..., t_m)，其中 t_0 = 0（基线未治疗），t_i = 1 对 i ≥ 1（治疗期）。 - 此外，可能有一个由客户回忆的基线摘要 Ŝ_{t=0}（如“治疗前平均焦虑水平”），作为稀疏测量基线期的替代。 - 不可观测的是：干预分布 Yi | do(t)（因为无法实际实施干预）、反事实结局（如 Yi | do(t=0) 当 t_i=1 时）、以及未测量混杂 U 的具体值。

第二步：讲最小内核

最简特例：假设只有两个时间点 I = {0, 1}，其中 t_0 = 0（基线，未治疗），t_1 = 1（治疗期）。结局变量 Y 是离散整数，取值范围为 {0, 1, ..., 10}（如焦虑评分）。我们关心的是：治疗是否消除了极端高焦虑值的可能性？ 即，max(Ω_{Y|do(t=1)}) < max(Ω_{Y|do(t=0)}) 是否成立？

在这个特例下，本文的核心命题（Proposition 1）退化成什么？

Proposition 1 声称：在 DAG T→Y, U→T, U→Y 下，若正性假设 f(t|u) > 0 对所有 t, u 成立，则 Ω_{Y|t} = Ω_{Y|do(t)}。在我们的特例中，这意味着： - 观测到的基线支撑 Ω_{Y|t=0} 等于干预基线支撑 Ω_{Y|do(t=0)}。 - 观测到的治疗期支撑 Ω_{Y|t=1} 等于干预治疗期支撑 Ω_{Y|do(t=1)}。

证明怎么走（特例版）： 1. 由全概率公式和调整公式：f(y|do(t)) = Σ_{u} f(y|t,u) f(u)。 2. 观测分布：f(y|t) = Σ_{u} f(y|t,u) f(u|t)。 3. 正性假设 f(t|u) > 0 等价于 f(u|t) > 0（因为 f(u) > 0 在支撑上）。 4. 因此，f(u|t) > 0 当且仅当 f(u) > 0。这意味着在求和 Σ_u 中，f(y|t,u) 被加权的权重 f(u|t) 和 f(u) 在相同的 u 值上为正。 5. 若存在 y* 使得 f(y*|t) > 0 但 f(y*|do(t)) = 0，则存在某个 u* 使得 f(y*|t,u*) > 0 且 f(u*|t) > 0，但 f(u*) = 0。这与 u* ∈ Ω_U 矛盾（因为 f(u*) > 0 由支撑定义）。因此 Ω_{Y|t} ⊆ Ω_{Y|do(t)}。 6. 反向包含：若存在 y* 使得 f(y*|do(t)) > 0 但 f(y*|t) = 0，则存在 u* 使得 f(y*|t,u*) > 0，但 f(u*|t) = 0。这与正性假设 f(u|t) > 0 对所有 u ∈ Ω_U 成立矛盾。因此 Ω_{Y|do(t)} ⊆ Ω_{Y|t}。 7. 综上，Ω_{Y|t} = Ω_{Y|do(t)}。

为什么成立：关键在于，正性假设保证了 f(u|t) 和 f(u) 在相同的 u 值上为正，因此 f(y|t) 和 f(y|do(t)) 的支撑集由相同的 (y, u) 对决定。由于 f(y|t,u) 是共同的因子，支撑集必然相等。注意，这个证明完全不依赖于 U 的具体值或分布形状，只依赖于正性。

这个特例的核心思路：在仅需正性假设下，观测支撑与干预支撑一致，因此我们可以用观测到的支撑集函数（如 max(Y|t=1)）来推断干预支撑集函数（如 max(Y|do(t=1))），而无需知道或测量混杂 U。这就是本文“绕过混杂”的核心机制。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在行为健康个案研究（观测性 N=1）中，在存在未测量混杂的条件下，如何识别因果效应。
  2. 核心工具/方法：提出一类新的因果 estimand——Ω estimand，定义为结局变量支撑集函数的对比（而非分布函数的对比），并证明在结构因果模型下，观测支撑与干预支撑在仅需正性假设下一致。
  3. 主要结论：Ω estimand 在正性假设下是可识别的，无需已知、测量或调整混杂变量；两个可选条件（认知保持、支撑回忆）扩展了框架，分别将支撑集对比与均值对比联系起来，并允许用客户回忆的基线作为稀疏测量基线期的替代。

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：

  • DAG 结构：T → Y, U → T, U → Y。这是最简单的混杂 DAG，没有 X 节点（或 X 被忽略）。作者声称，即使存在可观测协变量 X，结果也可扩展，但需要扩展的正性假设 f(t|x,u) > 0。
  • 正性假设（条件 I）：对所有 t ∈ Ω_T 和 u ∈ Ω_U，有 f(t|u) > 0。在主观概率解释下，这意味着：无论 U 取何值，T 的所有可能值都是可能的。等价地，Ω_{T,U} = Ω_T × Ω_U。相比已有文献：传统正性假设通常要求 f(t|x) > 0 对所有 x 成立，而本文的正性假设是关于未测量混杂 U 的，且不要求 X 被测量。这既是一个放宽（不需要测量 X），也是一个强化（需要 U 的支撑与 T 的支撑完全交叉）。
  • 认知保持（条件 II）：对 t ≠ t'，有 κ_{Y|t} = κ_{Y|t'}，其中 κ = Av(Y) - E(Y)。这意味着建模者对治疗期和基线期结局的信念具有相同的“结构模式”（如对称性、偏度）。相比已有文献：这是本文新引入的条件，用于将支撑集对比与均值对比联系起来。它比传统均值交换性假设（E(Y|t=1) = E(Y|t=0)）更弱，因为它只要求 κ 相等，而非整个分布或期望相等。
  • 支撑回忆（条件 III）：设 Ŷ 为客户回忆的基线摘要，则 Ω_{Ŷ|t=0} = Ω_{Y|t=0}。这意味着回忆的支撑集与真实（但未测量）的基线支撑集相同。相比已有文献：这比“准确回忆”更弱，只要求支撑集一致，而非具体值或分布一致。

主要结果

Proposition 1（核心识别结果）： - 陈述：在 DAG {T→Y, U→T, U→Y} 下，Ω_{Y|t} ⊆ Ω_{Y|do(t)} 对所有 t 成立。若进一步假设正性 f(t|u) > 0 对所有 t, u 成立，则 Ω_{Y|t} = Ω_{Y|do(t)}。 - 直觉：正性保证了 f(u|t) 和 f(u) 在相同的 u 上为正，因此 f(y|t) 和 f(y|do(t)) 的支撑集由相同的 (y, u) 对决定，必然相等。 - 必要条件：正性假设。解决的技术难点：传统识别需要后门准则（即 X 足以阻断所有后门路径），而本文仅需正性，无需测量或调整任何变量。代价是目标 estimand 从分布对比降级为支撑集对比。

Proposition 2（κ 的界）： - 陈述：若 Y 是离散整数随机变量，支撑集为 {M-K+1, ..., M-1, M}（M 为最大值，K 为基数），则 κ = Σ_{i=1}^{K-1} (i-1) f(M-i) - f(M) - 2^{-1}(K-3)。 - 直觉：将 κ 表示为概率质量函数的线性组合，便于在部分信息下进行有界推断。 - 必要条件：支撑集是连续的整数区间（无缺失值）。解决的技术难点：在只有部分概率信息（如只知道最大值和基数）时，仍可对 κ 进行有界推断，从而为敏感性分析提供基础。

期望-平均恒等式（来自 Sparkes et al., 2024，本文引用）： - Av(Y) = E(Y) + κ。 - 结合条件 II（κ_{Y|t=1} = κ_{Ŷ|t=0}），可得 E(Ŷ) - E(Y|t=1) = Av{Y|do(t=0)} - Av{Y|do(t=1)}。这赋予了均值差因果含义：均值差等于函数平均差（即支撑集对比），而函数平均差在正性下是可识别的。

证明路线与技术技巧

整体路线（Proposition 1）： 1. 步骤 1：写出 f(y|do(t)) 和 f(y|t) 的表达式，均涉及对 u 的求和，但权重不同（f(u) vs. f(u|t)）。 2. 步骤 2：利用正性假设 f(t|u) > 0 推导 f(u|t) > 0 当且仅当 f(u) > 0。这保证了两个求和中的权重在相同的 u 值上为正。 3. 步骤 3：证明 Ω_{Y|t} ⊆ Ω_{Y|do(t)}：若 y* 在观测支撑中，则存在 u* 使得 f(y*|t,u*) > 0 且 f(u*|t) > 0，从而 f(u*) > 0，因此 f(y*|do(t)) > 0。 4. 步骤 4：证明 Ω_{Y|do(t)} ⊆ Ω_{Y|t}：若 y* 在干预支撑中，则存在 u* 使得 f(y*|t,u*) > 0 且 f(u*) > 0，由正性得 f(u*|t) > 0，因此 f(y*|t) > 0。 5. 步骤 5：结合步骤 3 和 4，得 Ω_{Y|t} = Ω_{Y|do(t)}。

关键跳跃点： - 从 f(t|u) > 0 到 f(u|t) > 0 的推导：需要 f(u) > 0 在 Ω_U 上（由支撑定义成立）和 f(t) > 0 在 Ω_T 上（同样由支撑定义成立）。这是贝叶斯公式的直接应用，但作者未显式写出 f(u|t) = f(t|u) f(u) / f(t)，而是直接断言等价性。这个跳跃是合理的，但需要读者熟悉贝叶斯公式。 - 反向包含的证明依赖于正性假设的全局性：f(u|t) > 0 必须对所有 u ∈ Ω_U 成立，而非仅对某个子集。如果正性仅对部分 u 成立，则反向包含可能不成立。

技术技巧点名： - 调整公式（adjustment formula）：用于表达 f(y|do(t))，是 SCM 中的标准工具。 - 全概率公式：用于分解 f(y|t) 和 f(y|do(t))。 - 反证法：用于证明支撑集的包含关系。 - 贝叶斯公式：隐含地用于从 f(t|u) > 0 推导 f(u|t) > 0。

真实例子与应用

数据：来自 Tsitsas & Paschali (2014) 的个案研究，一名 23 岁希腊大学生接受 20 次认知行为疗法（CBT）治疗社交焦虑和特定恐惧症。每周使用“日常自我监控量表”（0-10 Likert）记录焦虑水平，共 19 个评分：{10,9,9,8,8,8,7,7,7,7,6,6,5,5,5,4,4,4,4}。

如何应用本文方法： 1. 定义 Ω estimand：min(Ω_{Y0|do(t=0)}) - min(Ω_{Y*|do(t=1)})，其中 Y* 是治疗期最小值的随机变量（观测值为 4）。治疗有效当且仅当 min(Ω_{Y0|do(t=0)}) > min(Ω_{Y*|do(t=1)})，记此事件为 θ。 2. 正性论证：论文未提及治疗期间的生活变化，且 CBT 有固定的日程安排，因此作者认为正性很可能满足。 3. 贝叶斯分析：设定先验 Pr(θ) = 0.35（怀疑治疗无效），似然 Pr(y0, y* | θ) = 0.8，Pr(y0, y* | θ^c) = 0.3。计算后验 Pr(θ | y0, y*) = 0.5895。 4. 稳健性：改变先验在 0.20-0.50 之间，后验在 0.40-0.73 之间，均显示向治疗有效的方向更新。

结果：后验概率 0.5895 表明“弱但正向的信念”支持治疗有效。作者强调，这个数字的精确性可能不重要，但提供了一个连贯的、可调整的信念度量。

这个例子想说明什么： - 验证理论：展示了在正性假设下，如何用观测数据（基线值 y0=10 和治疗期最小值 y*=4）来推断支撑集对比类的因果效应。 - 展示可操作性：方法简单到可以在临床中“不借助计算机”使用，适合非统计学家。 - 说明局限性：后验概率对先验和似然设定敏感，且缺乏频率保证。

🔎 结论是否比证明窄

  • Proposition 1 的证明依赖于 DAG 的特定结构（T→Y, U→T, U→Y）。作者声称“可扩展到有 X 的情况”，但未给出证明。在更复杂的 DAG（如存在中介变量、时间依赖性混杂）中，支撑集一致性是否仍然成立？这是一个未解决的问题。
  • Proposition 1 的证明假设 U 是离散的（求和符号 Σ_{u∈Ω_U}）。对于连续 U，需要将求和替换为积分，并假设 f(u|t) > 0 在 Ω_U 上几乎处处成立。作者未讨论连续情况下的技术细节。
  • 条件 II 和 III 的引入：作者声称“我们真正需要的只有条件 I”（"Of these, we truly require only the first"），但条件 II 和 III 在框架中扮演了关键角色（连接支撑集对比与均值对比、解决匹配问题）。没有它们，框架只能识别支撑集对比，无法处理均值对比或匹配问题。因此，框架的实际适用范围比“仅需正性”的宣称更窄。
  • 数据应用是“推理演示”而非“验证研究”：作者明确承认“the data application is an illustration of reasoning; it is not a validation study”。因此，论文没有提供任何实证证据表明该方法在实践中有效（如与金标准对比、模拟研究）。

四、开放问题

  1. 支撑集一致性在更复杂 DAG 下的成立条件：Proposition 1 的证明依赖于最简单的混杂 DAG。在存在中介变量、时间依赖性混杂、或多次干预的纵向设定中，Ω_{Y|t} = Ω_{Y|do(t)} 是否仍然成立？需要什么额外的假设？扎根点：Section 3 的证明仅针对 {T→Y, U→T, U→Y}，作者仅声称“可扩展到有 X 的情况”但未证明。

  2. Ω estimand 的估计与推断理论：本文仅提供了识别结果，未给出估计方法（除贝叶斯启发式例子外）。如何从有限的时间序列数据中估计支撑集函数（如 max、min、Av）？估计量的收敛速率、置信区间、假设检验如何构建？扎根点：Section 5 承认“the framework would benefit from independent development of both”（指期望-平均恒等式和 U 类变量），但未提及估计理论。

  3. 正性假设的可检验性与敏感性分析：正性假设 f(t|u) > 0 涉及未测量变量 U，因此不可检验。如何对正性假设的违反进行敏感性分析？是否存在可检验的推论（如 Ω_{Y|t} 的某些性质必须成立）？扎根点：Section 5 承认“positivity is untestable and must be argued case by case”。

  4. 支撑集对比的统计功效与临床意义：支撑集对比对仅改变概率分布而不改变支撑的治疗效应不敏感。在哪些临床场景中，支撑集变化是常见的？哪些场景中，支撑集不变但分布变化是主要的？如何量化这种“敏感性损失”？扎根点：Section 5 讨论了“the objection carries force within its proper bounds”，但未给出量化分析。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论