跳转至

Doubly Robust Estimators of Quantile Treatment Effects With Semiparametric Cumulative Probability Models

作者: Hao Wu, Chun Li, Bryan E. Shepherd
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2607.27633

一、领域脉络与小综述

这个方向是什么

本方向关注的是分位数处理效应（QTE）的估计与推断。与传统的平均处理效应（ATE）不同，QTE 刻画的是处理组与对照组潜在结果分布的分位数之差，从而揭示处理对分布尾部（而非仅均值）的影响。这在生物医学研究中尤为重要，因为许多结局（如 HIV 研究中的 CD4 计数和病毒载量）高度偏态，且常受检测下限限制，使得基于均值的分析不稳定甚至不可行。当前子方向的成熟度较高，已有多种估计策略（IPW、OR、AIPW、TMLE），但多数方法对结局分布有较强的参数假设（如正态性），在模型误设下表现脆弱。

发展脉络

  • 奠基工作：Doksum (1974) 和 Lehmann et al. (1975) 最早定义了 QTE 作为处理组与对照组无条件分位数之差。Firpo (2007) 首次提出了 QTE 的有效半参数估计，使用基于倾向得分的 IPW 估计量，但其性能严重依赖倾向得分模型的正确设定。
  • 主要进展：Zhang et al. (2012) 提出了基于结果回归的 QTE 估计量，避免了建模倾向得分，在正确模型下比 IPW 更有效，但要求结局服从正态线性模型（或经 Box-Cox 变换后）。同一工作也提出了 AIPW 估计量，具有双重稳健性，但依然依赖正态性假设。Díaz (2017) 提出了基于 TMLE 的 QTE 估计框架，可使用条件分位数回归作为结果模型，比 AIPW 更灵活，但条件分位数回归只估计特定分位点，而非整个条件分布。
  • 当前 frontier：Liu et al. (2017) 展示了累积概率模型（CPM）——一种基于秩的半参数线性变换模型——可以有效地建模连续结局。CPM 的优势在于：它直接估计一个未知的单调变换函数，而非预设其形式；其估计仅依赖结局的排序，对任何单调变换不变；它建模整个条件分布，而非单一矩或分位数。Tian et al. (2024) 进一步将 CPM 扩展至处理多重检测下限的情形。
  • 本文的位置：本文是首次将 CPM 嵌入双重稳健框架来估计 QTE 的工作。作者声称，现有 AIPW 和 TMLE 方法“heavily relies on the assumption of normality for the outcome distribution”（Zhang et al. 2012）或“estimates specific quantile levels rather than the entire conditional outcome distribution”（Díaz 2017），而 CPM 可以同时解决这两个问题：它不假设正态性，且建模整个条件分布。

子线索聚类

  1. 基于 IPW 的 QTE 估计：Firpo (2007) 为代表，依赖倾向得分正确设定。
  2. 基于结果回归的 QTE 估计：Zhang et al. (2012) 为代表，依赖结局模型正确设定，且通常假设正态性。
  3. 双重稳健的 QTE 估计（AIPW / TMLE）：Zhang et al. (2012) 的 AIPW 和 Díaz (2017) 的 TMLE 为代表，具有双重稳健性，但结果模型部分仍依赖参数假设或仅覆盖特定分位点。
  4. 基于 CPM 的分布建模：Liu et al. (2017)、Tian et al. (2024) 为代表，提供了一种灵活的半参数条件分布建模工具，但此前未被用于 QTE 估计。

这个方向在追问的核心问题

  1. 如何在不假设结局分布形式的前提下，稳健地估计 QTE？ 现有 AIPW/TMLE 方法的结果模型部分（正态线性模型、条件分位数回归）对偏态或混合型结局不够灵活。
  2. 如何对 QTE 进行双重稳健的方差估计？ 近期工作（Shook-Sa et al. 2025）表明，EIF 基方差估计器在任一模型误设时可能不一致，需要更稳健的方差估计方法。
  3. 如何处理受检测下限影响的结局的 QTE 估计？ 均值基分析在此类数据上不可行，而 CPM 天然适合处理混合型数据。

⚠️ 作者的 framing

作者将缺口 frame 成：现有 QTE 方法要么依赖正态性假设（Zhang et al. 2012 的 AIPW），要么只估计特定分位点而非整个条件分布（Díaz 2017 的 TMLE 使用条件分位数回归）。作者声称 CPM 可以同时解决这两个问题，因此本文是“显然的下一步”。

  • 被淡化或回避的竞争路线：Díaz (2017) 的 TMLE 框架本身是通用的，理论上可以使用任何条件分布模型（包括 CPM）作为初始估计。作者在文中也提到了“CPM-based TMLE”作为备选，但将其定位为次要方法，主要强调 AIPW-CPM 和直接 EIF 求解两种策略。作者没有深入讨论：如果使用 CPM 作为 TMLE 的初始估计，是否比 AIPW-CPM 有额外的有限样本优势？此外，作者没有与基于非参数核密度估计的 QTE 方法进行比较。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 作者没有引用任何关于高维协变量下 QTE 估计的工作，也没有引用关于工具变量或近端因果推断中 QTE 识别的工作。这些是研究者可以自行去查的方向。

张力

未见明显对立引用。各被引工作之间在“是否依赖正态性假设”上存在差异，但这是渐进式的改进，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：
  • A：处理指示变量，A=1 表示处理组，A=0 表示对照组。
  • Y：可观测的结局变量（连续、有序或混合型）。
  • X：协变量向量。
  • Ya：潜在结局（potential outcome），即若 A=a 时该个体将观测到的结局。Y1 和 Y0 是不可观测的。
  • FYa(y) = Pr(Ya ≤ y)：潜在结局 Ya 的边际累积分布函数（CDF）。
  • qa,p = F^{-1}_{Ya}(p)：潜在结局 Ya 的 p 分位数。
  • Δ(p) = q1,p - q0,p：分位数处理效应（QTE）。
  • π(a|X) = Pr(A=a|X)：倾向得分。
  • FY|A=a,X(y) = Pr(Y ≤ y | A=a, X)：给定处理和协变量下的条件 CDF。
  • ξ：CPM 模型的参数向量（包括截距函数 α(y) 和回归系数 β）。
  • ψ：倾向得分模型的参数向量。
  • φ_{FYa}(Z)：FYa(y) 的有效影响函数（EIF）。

  • φ_{qa,p}(Z)：qa,p 的有效影响函数。

  • 模型：

  • 数据生成机制：观测数据 Z = (Y, A, X) 来自某个未知分布 P0。我们假设存在潜在结果 Y1, Y0，且满足一致性、无混杂性、正性和无干扰假设。
  • CPM 模型（结果模型）：G{F(y|X)} = α(y) - β^T X，其中 G = F^{-1}_ε 是已知的链接函数（如 logit、probit），α(y) 是未知的单调递增截距函数，β 是回归系数。等价于 Y = H(β^T X + ε)，其中 H 是未知的单调递增变换，ε ~ F_ε。
  • 倾向得分模型：π(1|X; ψ) = Pr(A=1|X; ψ)，通常用逻辑回归建模。

  • 要估的对象：Δ(p) = q1,p - q0,p，即处理组与对照组潜在结果分布的第 p 分位数之差。

  • 可观测数据：

  • 我们观测到 n 个独立同分布样本 {Yi, Ai, Xi}_{i=1}^n。
  • 可观测：每个个体的处理 Ai、协变量 Xi、以及在该处理下的结局 Yi。
  • 不可观测（潜在）：每个个体的反事实结局 Y_{1,i}（若 Ai=0）或 Y_{0,i}（若 Ai=1）。我们永远无法同时观测到 Y1 和 Y0。
  • 识别关键：在无混杂性假设下，FYa(y) 可以通过 E[Pr(Y ≤ y | A=a, X)] 或 E[I(A=a)I(Y≤y) / Pr(A=a|X)] 识别，从而 qa,p 和 Δ(p) 也可识别。

第二步：讲最小内核

最简特例：假设我们只关心中位数处理效应（p=0.5），且只有一个二元协变量 X ∈ {0,1}。我们想估计 Δ(0.5) = q1,0.5 - q0,0.5。

在这个特例下，本文的核心思路可以分解为两步：

  1. 估计边际 CDF FYa(y)：使用双重稳健的估计量（公式 9）： 

    F̂^{DR}_{Ya}(y) = (1/n) Σ_i [ I(Ai=a)I(Yi≤y) / π̂(a|Xi) - (I(Ai=a) - π̂(a|Xi)) / π̂(a|Xi) * F̂_{Y|A=a,Xi}(y) ]
    其中 π̂(a|Xi) 来自倾向得分模型（如逻辑回归），F̂_{Y|A=a,Xi}(y) 来自 CPM 模型。这个估计量是双重稳健的：只要 π̂ 或 F̂_{Y|A,X} 中有一个是正确设定的，F̂^{DR}_{Ya}(y) 就是 FYa(y) 的一致估计。

  2. 从边际 CDF 反演分位数：得到 F̂^{DR}_{Ya}(y) 后，通过加权分位数插值（见补充材料 S2.1）得到 q̂a,0.5，然后 Δ̂(0.5) = q̂1,0.5 - q̂0,0.5。

为什么 CPM 在这里是关键？ 在第一步中，我们需要估计 F_{Y|A=a,X}(y)。传统方法假设 Y|A,X 服从正态线性模型，这在偏态数据下会引入严重偏差。CPM 通过 G{F(y|X)} = α(y) - β^T X 建模，其中 α(y) 是非参数估计的，因此不需要预设 Y 的分布形式。在这个特例中，即使 Y 高度偏态，CPM 也能灵活地拟合其条件分布。

这个最小内核揭示了论文的核心数学困难：如何在不假设结局分布形式的前提下，构建一个双重稳健的 QTE 估计量？答案是用 CPM 作为条件分布的工作模型，然后将其嵌入标准的 AIPW 框架中。CPM 的非参数截距函数 α(y) 使得模型对结局分布具有鲁棒性，而秩基估计使其对单调变换不变。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在结局分布未知、可能偏态且受检测下限影响时，如何双重稳健地估计分位数处理效应（QTE）和概率处理效应（PTE）。
  2. 核心工具 / 方法：将累积概率模型（CPM）——一种基于秩的半参数线性变换模型——作为条件分布的工作模型，嵌入到基于有效影响函数（EIF）的双重稳健估计框架中，提出了两种 QTE 估计策略：逆 CDF 法（先估计边际 CDF，再反演分位数）和直接法（直接求解分位数的 EIF 估计方程）。
  3. 主要结论：所提估计量具有双重稳健性和渐近正态性；在模拟中，当现有 AIPW/TMLE 方法因正态性假设误设而产生严重偏差时，CPM 基估计量保持无偏，且效率与使用正确变换的 oracle 方法相当；Sandwich 方差估计器和非参数 bootstrap 提供了双重稳健的方差估计，而 EIF 基方差估计器在结果模型误设时失效。

关键设定与假设

  • 因果识别假设（标准，与 Firpo 2007 等一致）：
  • 一致性：Y = A Y1 + (1-A) Y0。
  • 无混杂性：{Y0, Y1} ⟂ A | X。
  • 正性：0 < Pr(A=1|X) < 1。
  • 无干扰：个体间处理无交互。
  • CPM 模型假设（结果模型的工作假设）：
  • G{F(y|X)} = α(y) - β^T X，其中 G 是已知链接函数（如 logit），α(y) 是未知单调递增函数。
  • 等价于存在未知单调变换 H 使得 H(Y) = β^T X + ε，ε ~ F_ε，G = F^{-1}_ε。
  • 相比已有文献的放宽：不假设 Y 服从正态分布或任何已知参数族；不预设 H 的形式（非参数估计）；仅依赖 Y 的排序，对单调变换不变。
  • 倾向得分模型假设：π(1|X; ψ) 是参数模型（如逻辑回归），但框架允许更灵活的形式。
  • 正则性条件：用于 CPM 的 NPMLE 一致性和渐近正态性（Li et al. 2023），以及 M-估计的标准正则条件（Stefanski and Boos 2002）。

主要结果

  • 定理 1（隐含）：F̂^{DR}_{Ya}(y)（公式 9）是 FYa(y) 的双重稳健估计量：若 π(a|X; ψ) 或 F_{Y|A=a,X}(y; ξ) 正确设定，则 F̂^{DR}_{Ya}(y) → FYa(y)。
  • 定理 2（隐含）：q̂a,p（来自逆 CDF 法或直接法）是 qa,p 的 √n-一致且渐近正态估计量，方差由 EIF 的方差给出。
  • 定理 3（隐含）：Δ̂(p) = q̂1,p - q̂0,p 是 Δ(p) 的 √n-一致且渐近正态估计量。
  • 模拟核心量化结论（以 QTE(0.5)，n=1000 为例）：
  • 当结果模型正确、倾向得分误设时，AIPW（Zhang et al. 2012）的偏差为 0.525，TMLE 为 0.472，而 AIPW-CPM 的偏差仅为 0.030，与使用正确变换的 oracle 方法（ct-AIPW 偏差 0.026）相当。
  • 当链接函数误设（用 logit 代替 probit）时，CPM 基估计量的偏差和方差几乎不变（AIPW-CPM-mislink 偏差 0.037 vs AIPW-CPM 偏差 0.030）。
  • 方差估计：当结果模型误设、倾向得分正确时，EIF 基方差估计量严重高估方差（SE=0.799 vs 经验 SD=0.597），覆盖率达 99.0%；而 Sandwich-I 和 bootstrap 的 SE 分别为 0.562 和 0.593，覆盖率接近 95%。

证明路线与技术技巧

  • 整体路线：
  • 推导 EIF：分别推导 FYa(y) 和 qa,p 的 EIF（公式 8 和 10）。FYa(y) 的 EIF 与 ATE 的 EIF 形式相同（Hahn 1998），qa,p 的 EIF 通过 Delta 方法从 FYa(y) 的 EIF 导出。
  • 构建双重稳健估计量：将 EIF 中的未知 nuisance 函数（π 和 F_{Y|A,X}）替换为估计值，求解 EIF 估计方程得到 F̂^{DR}_{Ya}(y)（公式 9）或 q̂a,p（公式 11）。
  • 证明双重稳健性：标准论证——若 π 正确，则 IPW 项一致；若 F_{Y|A,X} 正确，则增广项校正偏差。任一正确时，估计方程在真实参数处期望为零。
  • 渐近正态性：在 M-估计框架下，将 q̂a,p 视为联合估计方程系统（包括倾向得分和 CPM 的得分方程）的解，应用标准 M-估计理论得到 √n-一致性和渐近正态性。

  • 方差估计：提出三种策略——EIF 基（经验方差）、Sandwich（M-估计的 A^{-1} B (A^{-1})^T 公式）、非参数 bootstrap。

  • 关键跳跃点：

  • CPM 的 NPMLE 与 QTE 估计的衔接：CPM 的 NPMLE 涉及随样本量增长的参数个数（截距函数 α(y) 在每一个唯一观测值处取值），其渐近理论（Li et al. 2023）比标准参数模型更复杂。作者依赖该理论保证 ξ̂ 的 √n-一致性和渐近正态性，但未在本文中重新证明，而是引用 Li et al. (2023)。
  • Sandwich 方差估计中 A11 的计算：ϕ1,p 对 q1,p 的导数涉及 I(Y ≤ q1,p) 的导数（Dirac delta），这是不光滑的。作者提出了两种处理方式：(a) Sandwich-S：用光滑函数（logistic）近似指示函数，然后数值求导；(b) Sandwich-I：先对 ϕ1,p 取期望再求导，利用 E[ϕ1,p] = FY1(q1,p) - p 得到 A11 = -fY1(q1,p)，避免了不光滑性。Sandwich-I 更稳定，是作者推荐的方法。

  • 密度 fYa(qa,p) 的估计：Sandwich-I 需要估计 fYa(qa,p)。作者使用局部多项式回归对 F̂^{DR}_{Ya}(y) 进行光滑，然后求导，带宽选择采用 Sheather-Jones 方法。

  • 技术技巧点名：

  • 有效影响函数（EIF）：核心工具，用于构建双重稳健估计量和推导渐近方差。
  • M-估计理论：用于 Sandwich 方差估计，将 QTE 估计量视为联合估计方程系统的解。
  • 非参数最大似然估计（NPMLE）：用于估计 CPM 的参数 (α, β)。
  • 加权分位数插值：用于从阶梯函数形式的 F̂^{DR}_{Ya}(y) 得到连续的分位数估计（补充材料 S2.1）。
  • Sheather-Jones 带宽选择：用于密度估计中的光滑参数选择。

真实例子与应用

  • 数据：拉丁美洲 HIV 队列（CCASAnet），2014-2019 年启动 ART 的 2,669 名成人。结局为 6 个月 CD4 计数和 HIV RNA 病毒载量。处理为 INSTI 基 vs 非 INSTI 基方案。
  • 方法应用：
  • 对 CD4 计数：在 INSTI 和非 INSTI 组内分别拟合 CPM，包含基线 CD4、病毒载量、时间间隔的受限三次样条。倾向得分用逻辑回归，包含年龄和时间间隔的样条。
  • 对病毒载量：77% 的患者低于检测下限（≤40 copies/mL），形成混合分布。CPM 天然处理此类数据。
  • 结果：
  • CD4 计数：QTE 在大多数分位点为正，且在 75% 分位点显著（56 cells/µL, 95% CI: 5.1, 97.6），而 ATE 仅为 24.2 cells/µL，表明均值分析低估了上尾效应。PTE 在 600 cells/µL 处显著（-5.5%, 95% CI: -10.9%, -0.1%）。
  • 性别异质性：男性中 INSTI 方案有明确获益（PTE 在 350 cells/µL 处为 -3%），女性中无显著差异（PTE 为 0.6%）。
  • 病毒载量：PTE(40) = 0.11（95% CI: 0.04, 0.19），表明 INSTI 方案使病毒抑制率提高 11 个百分点。
  • 这个例子想说明什么：展示 CPM 基方法在真实偏态数据（含检测下限）上的实用性，以及其揭示均值分析无法捕捉的分布尾部效应的能力。

🔎 结论是否比证明窄

  • 结论：作者声称 CPM 基估计量“are doubly robust and asymptotically normal”。这在文中得到了证明（通过 M-估计框架和引用 CPM 的渐近理论）。
  • 窄的地方：
  • 双重稳健性仅针对点估计：作者在模拟中明确展示，EIF 基方差估计器在结果模型误设时失效（Table 2），因此方差估计不是双重稳健的。作者在正文中承认了这一点（Section 3.3：“the associated EIF-based variance estimator fails to do so under nuisance model misspecification”）。
  • CPM 的 NPMLE 渐近性依赖有界结局：Li et al. (2023) 的 CPM 渐近理论要求响应变量有界。作者在文中提到了这一条件（Section 2：“Under mild regularity conditions including boundedness of the response variable”），但在真实数据应用中，CD4 计数和病毒载量在理论上无上界。作者未讨论这一假设在实际中是否近似满足。
  • 条件 QTE 仅针对离散 V：Section 3.4 明确要求 V 是离散的且 Pr(V=v) > 0。对于连续效应修饰变量，该方法不直接适用。

四、开放问题

  1. CPM 基双重稳健框架向多值或连续处理的推广：作者在 Discussion 中提及，但未给出具体识别条件或估计方程。扎根于 Section 6：“our study focused on binary treatments, the proposed framework can be naturally generalized to multivalued or continuous exposures through modeling of the generalized propensity score”。

  2. CPM 基双重机器学习（DML）的有限样本性质：作者提到正在开发 CPM 基的机器学习方法（随机森林、Boosting、神经网络），但未给出理论保证。扎根于 Section 6：“Incorporating double machine learning procedures may further improve finite-sample performance and reduce bias due to overfitting”。

  3. EIF 基方差估计器在结果模型误设时失效的理论解释：作者在模拟中观察到这一现象，但承认“the underlying theoretical explanation remains unclear”。扎根于 Section 4.3.3：“the EIF–based variance estimator substantially overestimated the variance... although the underlying theoretical explanation remains unclear”。

  4. CPM 基框架向聚类数据或纵向设定的扩展：作者在 Discussion 中提及，但未给出具体方案。扎根于 Section 6：“extending the CPM-based doubly robust estimation framework to cluster data settings would broaden its applicability”。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论