How should we select test-negative controls? A causal perspective in the era of multiplex respiratory testing¶

作者: Christopher B. Boyer, Kendrick Qijun Li, Xu Shi, Marc Lipsitch, Eric J. Tchetgen Tchetgen
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2607.28792

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的核心问题是：在疫苗有效性（VE）的test-negative design (TND) 中，如何选择对照（controls）。TND 是评估呼吸道病原体疫苗上市后效果的主流观察性设计：对有症状的就医者进行检测，检测阳性者为病例，检测阴性者为对照，通过比较病例与对照的疫苗接种比值比（OR）来估计 VE。该设计的根本统计问题是识别（identification）：在存在未测混杂（如就医行为、暴露风险）和选择偏倚（仅分析检测者）的情况下，TND 的 OR 何时等于因果风险比？本文的独特贡献在于，随着多重 PCR 检测（multiplex PCR）的普及，研究者现在可以识别 test-negative 患者中的具体非目标病原体（如鼻病毒、副流感病毒、季节性冠状病毒等），从而将“test-negative illness”从一个单一复合结局分解为多个病原体特异的对照结局。这引出了一个此前未被系统处理的设计问题：哪些病原体应该被选为对照？ 本文从因果推断视角，将 TND 的识别结果重新解释为两种对照选择观（抽样观 vs. 偏倚校正观），并在此基础上发展了一个多重检测指导下的对照选择框架。

发展脉络（history）¶

奠基工作：TND 的因果形式化。Sullivan et al. (2016) [2] 和 Lewnard et al. (2018) [3] 首次用 DAG 和反事实框架系统分析了 TND 的识别条件，指出 TND 的有效性依赖于“无未测混杂”和“疫苗对对照无因果效应”等强假设。Schnitzer (2022) [14] 进一步形式化了“对照可交换性”（control exchangeability）条件，将 TND 视为一种 incidence-density sampling 设计。这些工作奠定了 TND 因果推断的基础，但都将“test-negative illness”视为一个单一、同质的对照结局。
主要进展：负对照与等混杂性。Boyer et al. (2026) [4]（本文作者之一的前期工作）证明，TND 的识别条件可以放宽到等混杂性（equi-confounding）：只要未测混杂对 focal 病原体和对照病原体的影响在乘法尺度上相同，TND 的 OR 就能识别接种者中的因果风险比 RR_V(X)。这一结果将 test-negative 对照重新解释为一个负对照结局（negative control outcome, NCO），TND 本质上是一种 outcome-dependent sampling 下的双重差分（difference-in-differences）设计。这一视角是本文的理论基石。Tchetgen Tchetgen et al. (2023) [16, 17] 和 Sofer et al. (2016) [19] 发展了通用的双重差分框架，为等混杂性假设提供了更一般的理论支撑。
当前 frontier：多重检测带来的异质性与选择问题。多重 PCR 检测的普及（Huang et al., 2018 [12]）使得“test-negative illness”的异质性变得显式可观测。Feng et al. (2017, 2018) [10, 11] 等早期研究已注意到不同对照病原体可能具有不同的流行病学特征，但未系统处理其因果含义。Yu et al. (2026) [26] 和 Lipsitch & Kahn (2021) [27] 从另一个维度（检测原因异质性）分析了 TND 的偏倚，提出按检测原因分层。本文的工作是首次将对照病原体选择作为一个独立的因果设计问题来形式化。
本文的位置：本文在 Boyer et al. (2026) [4] 的等混杂性框架基础上，将“test-negative illness”分解为病原体特异的负对照结局，系统分析了多重检测信息如何用于指导对照选择。它连接了 TND 的因果理论（等混杂性、负对照）与流行病学实践（多重 PCR 数据的使用），提出了一个可操作的对照选择框架（三条原则 + 分类法 + 诊断工具）。

子线索聚类¶

线索一：TND 的因果识别理论。核心工作：Sullivan et al. (2016) [2], Lewnard et al. (2018) [3], Schnitzer (2022) [14], Boyer et al. (2026) [4]。这一簇关注 TND 的 OR 在什么条件下等于因果风险比，主要工具是 DAG、反事实、负对照和等混杂性。本文的 Section 2 是对这一线索的综述和扩展。
线索二：负对照与双重差分方法。核心工作：Lipsitch et al. (2010) [18], Sofer et al. (2016) [19], Tchetgen Tchetgen et al. (2023) [16, 17], Li et al. (2023) [29]。这一簇将负对照（negative control outcome）作为未测混杂的检测和校正工具，与 proximal causal inference [28] 紧密相连。本文的等混杂性视角直接源于此线索。
线索三：多重检测的流行病学应用。核心工作：Huang et al. (2018) [12]（多重 PCR 的 meta 分析），Feng et al. (2017, 2018) [10, 11]（不同对照病原体的比较），Chua et al. (2020) [9]（平台 TND）。这一簇提供了多重检测数据的实证背景，但缺乏因果形式化。本文填补了这一空白。
线索四：检测原因异质性与选择偏倚。核心工作：Yu et al. (2026) [26], Lipsitch & Kahn (2021) [27], Qasmieh et al. (2026) [25]。这一簇关注检测原因（症状、筛查、接触追踪等）对 TND 偏倚的影响，与本文的“testing proxy”概念互补。

这个方向在追问的核心问题¶

识别问题：在什么条件下，TND 的 OR 等于因果风险比？等混杂性假设是否比无未测混杂更现实？
对照选择问题：当存在多个候选对照病原体时，如何选择、组合或排除它们？不同选择对偏倚和方差有何影响？
诊断问题：如何利用多重检测信息来检验等混杂性假设是否成立？如何定位违规的对照病原体？
共感染与检测误差问题：如何处理 focal–control 共感染、control–control 共感染、pan-negative 样本以及检测灵敏度/特异度差异？

已知瓶颈：等混杂性假设本身很强，且难以直接检验；对照选择面临 bias–variance tradeoff；多重检测的组成和性能在不同地点和时间存在异质性。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者将缺口 frame 成：“Multiplex respiratory testing enables more purposeful TND control selection through pathogen screening, yet no formal guidance exists for it.”（Section 8 第一句）。也就是说，作者声称此前没有针对多重检测的对照选择的形式化指导，而本文提供了第一个这样的框架。

被淡化或回避的竞争路线： - View 1（抽样观） 被作者明确视为“conventional interpretation”，但作者在 Section 3 和 Box 3.2 中将其与 View 2（偏倚校正观）并列，并最终选择 View 2 作为全文基础。作者在 Appendix E 中承认两种观点在某些情况下会给出不同的实践建议（如存在未测等混杂时），但将 View 2 作为主要框架。这实际上是一种理论选择，而非实证比较。 - proximal causal inference 被作者在 Discussion 中提及（[28, 29]），但仅作为“natural next step”，未在本文中展开。作者回避了将每个对照病原体视为一个近端变量（proxy）并应用 proximal g-formula 的可能性——这可能是更一般的框架，但作者选择了更简单的等混杂性假设。

什么明显该被引/该存在、却没出现在 intro 里？ - 关于“对照选择”的已有实证文献：Feng et al. (2018) [11] 的 meta 分析比较了不同对照定义（如非流感 ILI vs. 其他呼吸道病原体）对 VE 估计的影响，但作者仅在 intro 中提及“a few influenza studies have attempted to characterize common sources of test-negative infection”，未详细讨论这些实证结果如何与本文的因果框架对接。 - 关于“多重检测”的统计方法：没有引用任何关于多重检测数据的统计建模方法（如多项 logit、复合结局分析、多标记分类）。这可能是因为本文聚焦于识别而非估计，但作为一篇方法论文，缺少对估计方法的讨论是一个值得注意的缺口。 - 关于“等混杂性”的检验：作者在 Appendix B 中提出了同质性检验和配对诊断，但未引用任何关于等混杂性假设的检验的已有文献（如负对照框架中的 falsification test）。这可能是因为该方向本身很新，但值得研究者去查。

张力¶

未见明显对立引用。所有被引工作基本一致地认为 TND 的有效性依赖于强假设，且多重检测带来了新的异质性挑战。唯一的潜在张力在于 View 1 与 View 2 的实践分歧（Appendix E），但作者将其呈现为互补而非对立。

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： - V ∈ {0, 1}：疫苗接种状态（1 = 接种，0 = 未接种）。这是处理变量（treatment）。 - X：基线协变量向量（如年龄、性别、合并症）。这是可观测的。 - U：未测混杂因子（如免疫状态、就医倾向）。这是不可观测的。 - I+ ∈ {0, 1}：因 focal 病原体（如流感）出现症状性感染。这是潜在变量（potential outcome 的一部分）。 - I− ∈ {0, 1}：因非 focal 病原体（如鼻病毒）出现症状性感染。这也是潜在变量。 - T ∈ {0, 1}：是否接受了临床检测（1 = 检测，0 = 未检测）。这是选择变量（selection variable）。 - Y ∈ {−1, 0, 1}：可观测结局。Y = 1 表示检测阳性（I+ = 1 且 T = 1），Y = −1 表示检测阴性（I− = 1 且 T = 1），Y = 0 表示未检测（T = 0）。 - Y^v：在接种状态 V = v 下的反事实结局（potential outcome）。这是不可观测的（除了实际发生的那个）。 - RR(X) = Pr(Y^1 = 1 | X) / Pr(Y^0 = 1 | X)：条件因果风险比（目标 estimand）。 - RR_V(X) = Pr(Y^1 = 1 | V = 1, X) / Pr(Y^0 = 1 | V = 1, X)：接种者中的条件因果风险比（在等混杂性下的目标 estimand）。 - OR_{T=1}(X)：可观测的 TND 比值比，定义见公式 (2)。这是估计量（estimator）的目标。

模型（以等混杂性设定为例，即本文主要采用的框架）： - 数据生成机制由 DAG（图 1b）描述。关键结构： - V 受 X 和 U 影响（存在未测混杂）。 - I+ 和 I− 都受 V、X 和 U 影响。 - T 受 I+、I−、X 和 U 影响（选择进入检测人群）。 - 等混杂性假设（公式 3）：U 对 I+ 和 I− 的乘法效应相同，且 U 对 I+ 和 I− 的检测选择效应也相同。 - 疫苗对对照无因果效应（Assumption A6）：Pr(Y^1 = −1 | V = 1, X) = Pr(Y^0 = −1 | V = 1, X)。 - 要估的对象：RR_V(X)（接种者中的因果风险比）。

可观测数据： - 研究者实际能观测到的是：检测人群（T = 1）中的 (Y, V, X)。 - Y 是三值结局（1 = 检测阳性，−1 = 检测阴性，0 = 未检测）。注意：Y = −1 是一个复合类别，在多重检测下可进一步分解为病原体特异的 Y = −k。 - 不可观测的：U（未测混杂）、I+ 和 I−（潜在感染状态）、Y^v（反事实结局）、以及未检测人群（T = 0）的任何信息。 - 关键识别挑战：我们只能观测到 T = 1 的子人群，且存在未测混杂 U。TND 的 OR 如何能识别因果风险比？答案在于等混杂性假设使得 I− 作为一个负对照结局，可以“吸收”U 带来的偏倚。

第二步：讲最小内核¶

最简特例：考虑一个极度简化的版本——没有协变量 X（即 X 为空），只有一个对照病原体（K = 1），且没有选择偏倚（即 T = 1 对所有有症状者成立，或 T 与 V 和 U 独立）。在这个特例下，等混杂性假设（公式 3）退化为：

Pr(Y^0 = 1 | V = 1) / Pr(Y^0 = 1 | V = 0) = Pr(Y^0 = −1 | V = 1) / Pr(Y^0 = −1 | V = 0).

即：未测混杂 U 对 focal 结局和对照结局的乘法效应相同。

在这个特例下，要证的命题： OR_{T=1} = [Pr(Y = 1 | V = 1) / Pr(Y = −1 | V = 1)] / [Pr(Y = 1 | V = 0) / Pr(Y = −1 | V = 0)] = RR_V = Pr(Y^1 = 1 | V = 1) / Pr(Y^0 = 1 | V = 1).

为什么成立：等混杂性保证了对照结局 I− 中的混杂结构（U 对 V 和 I− 的联合效应）与 focal 结局 I+ 中的混杂结构完全相同。因此，通过比较 focal 和对照的 OR，混杂效应被差分掉（difference-in-differences），剩下的就是疫苗的因果效应。对照在这里不是“代表源人群”，而是作为负对照结局来校正偏倚。

论文的一般情形：上述证明在有多重对照、有协变量 X、有选择偏倚（T 受 U 影响）的情况下，需要更复杂的符号和假设（如等混杂性在 X 条件下成立、等选择偏倚等），但核心数学思想完全相同：对照结局作为负对照，通过等混杂性假设来差分掉未测混杂。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在多重呼吸道病原体 PCR 检测普及的背景下，如何从因果推断视角选择 test-negative 对照，以最小化疫苗有效性估计的偏倚。
核心工具/方法：将 TND 的识别结果重新解释为两种对照选择观（抽样观 vs. 偏倚校正观），基于等混杂性假设发展了一个多重检测指导下的对照选择框架，包括对照病原体的分类法（exposure proxy vs. testing proxy）、三条实用选择原则、同质性检验和配对诊断工具，以及针对共感染和 pan-negative 样本的处理策略。
主要结论：单个对照病原体的违规（如疫苗交叉保护、其他疫苗纠缠、居家检测差异）即可显著偏倚合并 TND 估计；预先指定的病原体筛选估计量可恢复无偏性；同质性检验和配对诊断可定位违规病原体；focal–control 共感染需要双重差分估计量而非标准 OR。

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：

多重对照设定：将“test-negative illness”分解为 K 个病原体特异的对照结局 I−k（k = 1, ..., K）。可观测结局 Y 扩展为 {1, 0, −1, ..., −K}，其中 Y = −k 表示检测到病原体 k 且 focal 阴性。关键假设：在 Sections 4–6 中，假设各对照结局与 focal 结局互斥（mutually exclusive），即无共感染。共感染在 Section 4.3 和 Appendix C 中单独处理。
等混杂性假设（Equi-confounding, Assumption A5）：这是全文的核心识别假设。它要求未测混杂 U 对 focal 结局和每个对照结局的乘法效应相同（公式 3 和 B.3）。相比 Boyer et al. (2026) [4] 的原始设定，本文将其扩展到了每个对照病原体（pathogen-specific equi-confounding, 公式 B.3），并允许不同对照的等混杂性可能成立或失败。
疫苗对对照无因果效应（Assumption A6）：疫苗 V 不能影响对照结局 I−k 的概率。这是 TND 的基本要求，在多重设定下变为每个对照病原体都需要满足（公式 B.2）。
等选择偏倚（Equi-selection）：在存在选择偏倚（T 受 U 影响）的情况下，需要 U 对 focal 和对照的检测选择效应也相同（Section 2.6 的条件 B）。这是等混杂性假设在检测过程中的延伸。
完美特异度与非差异灵敏度（Assumptions D1–D2）：在讨论检测误差时（Appendix D），假设每个检测的特异度为 1（检测阳性意味着真实感染），且灵敏度非差异（不随接种状态变化）。这是为了确保检测误差不引入额外偏倚。

相比已有文献的放宽/强化： - 放宽：相比 Schnitzer (2022) [14] 的“无未测混杂”假设，本文的等混杂性假设允许存在未测混杂 U，只要它对 focal 和对照的影响相同。 - 强化：相比 Boyer et al. (2026) [4] 的单一对照设定，本文的等混杂性假设需要每个对照病原体都满足，且允许不同对照的满足程度不同。这实际上是一个更强的要求，因为需要更多病原体共享相同的混杂结构。

主要结果¶

理论结果（主要在 Appendix A–D）： - Proposition A.2：在等混杂性假设下，TND 的 OR 识别接种者中的因果风险比 RR_V(X)。这是全文的理论基础。 - Pathogen-specific identification（Appendix B.2）：每个对照病原体 k 的 OR_k(X) 在满足病原体特异的等混杂性和无效应假设下，也识别 RR_V(X)。这为病原体特异的 VE 估计提供了理论依据。 - Pooled OR 的分解（公式 B.6）：合并 OR 是各病原体特异的 OR 的凸组合，权重等于各病原体在接种者对照池中的占比。这解释了为什么单个违规病原体就能偏倚合并估计。 - Proposition D.1 & D.2：在完美特异度和非差异灵敏度下，检测误差不影响病原体特异和合并的 OR 估计（灵敏度在分子分母中抵消）。但 pan-negative 样本的加入会引入偏倚（公式 D.4）。

实证结果（Section 7 模拟）： - 基线场景：合并和筛选估计量均无偏（VE 49.5%，覆盖 95.7%），同质性检验拒绝率 4.9%（正确大小）。 - 疫苗无关性违规（场景 2）：合并估计偏倚 −3.1pp（覆盖 93.4%），排除违规病原体后恢复（偏倚 −0.7pp，覆盖 95.0%）。 - 其他疫苗纠缠（场景 3）：合并估计偏倚 −1.2pp（覆盖 95.6%），排除后恢复（偏倚 −0.2pp，覆盖 96.0%）。偏倚较小，因为纠缠只影响 5 个对照中的 1 个。 - 居家检测差异（场景 4）：合并估计偏倚 −2.6pp（覆盖 92.6%），排除后恢复（偏倚 −0.5pp，覆盖 94.4%）。 - 共感染场景（6a–6b）：control–control 共感染不影响标准估计；focal–control 共感染导致标准估计偏倚 +3.3pp（覆盖 84.6%），而 modified-Poisson 双重差分估计量恢复无偏（偏倚 −0.1pp，覆盖 94.4%）。 - 检测误差场景（7）：排除 pan-negative 的合并估计无偏（偏倚 −1.1pp，覆盖 94.7%），包含 pan-negative 的估计偏倚 −8.2pp（覆盖 89.1%）。

证明路线与技术技巧¶

整体路线（以等混杂性下的识别证明为例，Appendix A.3）： 1. 从可观测 OR 出发：利用代数恒等式（公式 A.2），将 OR_{T=1}(X) 表示为 Pr(Y = 1 | V, X) 和 Pr(Y = −1 | V, X) 的比值。 2. 用反事实替换：由一致性，Pr(Y = 1 | V = v, X) = Pr(Y^v = 1 | V = v, X)，Pr(Y = −1 | V = v, X) = Pr(Y^v = −1 | V = v, X)。 3. 应用疫苗对对照无效应（Assumption A6）：Pr(Y^1 = −1 | V = 1, X) = Pr(Y^0 = −1 | V = 1, X)，将分母中的 Pr(Y = −1 | V = 1, X) 替换为 Pr(Y^0 = −1 | V = 1, X)。 4. 应用等混杂性（Assumption A5）：Pr(Y^0 = −1 | V = 1, X) / Pr(Y^0 = −1 | V = 0, X) = Pr(Y^0 = 1 | V = 1, X) / Pr(Y^0 = 1 | V = 0, X)。将这个比例代入 OR 表达式，分子和分母中的 Pr(Y^0 = 1 | V = 0, X) 和 Pr(Y^0 = −1 | V = 0, X) 抵消。 5. 得到目标 estimand：最终 OR = Pr(Y^1 = 1 | V = 1, X) / Pr(Y^0 = 1 | V = 1, X) = RR_V(X)。

关键跳跃点： - 等混杂性假设的引入：这是整个证明的核心跳跃。它允许将对照结局作为负对照，通过差分来消除未测混杂。难点在于：为什么这个假设是合理的？作者通过 DAG（图 1b）和两个充分条件（U 对 I+ 和 I− 的乘法效应相同 + U 对检测选择的影响相同）来提供直觉。 - 代数恒等式（公式 A.2）：这个恒等式将 OR_{T=1}(X) 简化为 Pr(Y = 1 | V, X) 和 Pr(Y = −1 | V, X) 的比值，消除了 T 的依赖。这是关键的一步，因为它将选择偏倚问题转化为混杂问题。证明依赖于 T = 1 时 Y ∈ {−1, 1} 以及 Pr(Y = y | T = 1, V, X) = Pr(Y = y | V, X) / Pr(T = 1 | V, X) 这一事实，其中分母在比值中抵消。

技术技巧点名： - DAG（有向无环图）：用于直观展示变量间的因果结构，特别是选择偏倚（T 作为 collider）和等混杂性（U 对 I+ 和 I− 的对称影响）。这是因果推断的标准工具。 - 反事实框架（Potential Outcomes）：用于形式化定义因果 estimand（RR(X), RR_V(X)）和识别条件（一致性、无效应、等混杂性）。 - 代数恒等式（公式 A.2）：一个简洁的代数技巧，用于消除选择变量 T 的影响。 - 负对照（Negative Control Outcome）：将 test-negative 对照重新解释为负对照结局，这是整个偏倚校正视角的核心概念工具。 - 凸组合分解（公式 B.6）：将合并 OR 分解为病原体特异 OR 的加权平均，直观展示了违规病原体的影响如何随其流行率放大。 - Wald 同质性检验 + 聚类稳健标准误：用于检验各对照病原体的 VE 是否相同。由于病例组在多个对比中共享，使用聚类稳健标准误（clustering on individual）来校正相关性。 - 配对控制–控制诊断（公式 B.13）：通过比较两个对照病原体之间的接种比值比来定位违规病原体。在等混杂性下，该比值应为 1。 - Modified-Poisson 双重差分估计量：用于处理 focal–control 共感染。使用 log-link Poisson 回归（而非 logistic 回归）来直接估计风险比，并通过 stacked 数据和聚类稳健标准误来合并多个对照的信息。

真实例子与应用¶

本文为纯理论 + 模拟研究，无真实数据例子。所有实证结果来自 Section 7 的模拟实验。模拟设计如下： - 数据：生成 n = 10,000 个体的队列，包含协变量 X ~ N(0,1) 和未测混杂 U ~ N(0,1)。疫苗接种概率由 logit 模型生成（受 X 和 U 影响）。focal 感染和 5 个对照感染由 log-linear 模型生成（受 V、X、U 影响），其中 U 的系数在所有感染中相同（确保等混杂性）。临床检测概率由 logit 模型生成（受 X、U 和症状状态影响）。 - 场景：共 9 个场景，覆盖基线（所有假设成立）、疫苗无关性违规、其他疫苗纠缠、居家检测差异、pan-negative 样本（有效 vs. 偏倚）、共感染（control–control vs. focal–control）、检测误差。 - 结果：报告偏倚、RMSE、95% Wald CI 覆盖率和同质性检验的拒绝率。主要发现已在“主要结果”中总结。 - 这个例子想说明什么：模拟实验旨在验证理论预测——单个对照病原体的违规足以偏倚合并估计，而预先指定的排除策略可以恢复无偏性。同时，模拟也展示了同质性检验和配对诊断作为数据驱动筛选工具的潜力（尽管功效有限），以及 focal–control 共感染下双重差分估计量的必要性。

🔎 结论是否比证明窄¶

是，存在几处结论比证明窄的情况： 1. 等混杂性假设的检验：作者在 Appendix B 中提出了同质性检验和配对诊断，但明确指出“Rejection of homogeneity does not by itself identify which pathogen is responsible”（Appendix B.5），且“a failure to reject H0 does not guarantee that all assumptions hold uniformly”（同上）。这意味着诊断工具只能检测违规，不能证明无违规，且定位能力有限。这是一个重要的局限性，但作者在正文中可能未充分强调。 2. 等混杂性假设的合理性：作者在 Discussion 中承认“equi-confounding, while a tractable identification route, is a strong assumption that may be implausible in many settings”（Section 8）。但正文的大部分内容（特别是 Section 5 和 6 的实践建议）都建立在等混杂性假设之上。这意味着如果等混杂性不成立，整个框架的适用性会大打折扣。 3. focal–control 共感染的处理：作者在 Appendix C.5 中证明，在 focal–control 共感染下，标准 TND OR 有偏，而 modified-Poisson 双重差分估计量可以恢复无偏性。但该证明依赖于条件独立性假设（Y+ 和 Y−k 在给定 V, X, U 下独立），这是一个额外的强假设，在正文中未充分讨论。 4. 检测误差的结论：Proposition D.1 和 D.2 证明，在完美特异度和非差异灵敏度下，检测误差不影响 OR 估计。但作者在 Appendix D 中明确指出，pan-negative 样本的加入会引入偏倚（公式 D.4），且该偏倚在 focal 灵敏度不完美、focal 感染不罕见时有实质影响。这意味着“检测误差不影响估计”的结论仅适用于排除 pan-negative 的情况，而作者在正文中可能未充分强调这一限制。

四、开放问题¶

等混杂性假设的检验与敏感性分析：作者在 Discussion 中提出“developing multiplex-informed diagnostics for its violation is a promising direction”（Section 8）。具体来说，需要开发一个形式化的检验，能在存在多个对照病原体的情况下，检验等混杂性假设是否成立。这扎根于本文的 Appendix B（同质性检验和配对诊断），但这些工具只能检测违规，不能证明无违规。一个更严格的检验可能需要利用多重检测的时间序列或空间变异信息。
proximal causal inference 的扩展：作者在 Discussion 中提出“extending them to the multiplex setting, where each pathogen-specific control may satisfy proximal conditions to differing degrees, is a natural next step”（Section 8）。具体来说，需要将每个对照病原体视为一个近端变量（proxy），并应用 proximal g-formula 来识别因果效应，而不是依赖等混杂性假设。这扎根于本文对 Li et al. (2023) [29] 和 Tchetgen Tchetgen et al. (2024) [28] 的引用。
对照选择的 bias–variance tradeoff 的形式化：作者在 Discussion 中提出“Pathogen-specific selection introduces a bias–variance tradeoff”（Section 8），但未给出形式化的分析。具体来说，需要推导在给定对照池大小和违规程度下，最优的对照选择策略（如最小化 MSE 的排除阈值）。这扎根于本文的模拟结果（特别是 Appendix F.1 的 prevalence sweep 和 violation-strength sweep），但缺乏理论指导。
多重检测异质性的实证评估：作者在 Discussion 中提出“empirical evaluation on large multiplex surveillance databases would complement our theory and simulations”（Section 8）。具体来说，需要在真实的多重检测数据上评估不同对照选择策略的表现，特别是违规病原体的实际流行率和影响大小。这扎根于本文的模拟设计，但缺乏真实数据验证。

Maintained by 陈星宇 · Homepage · Source on GitHub