跳转至

Bayesian Mediation Analysis for Individualized Treatment Rules

作者: Emmanuel M. Rockwell, Patrick J. Smith, Michael R. Kosorok, Nikki L. B. Freeman
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2607.28804

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个性化治疗规则（ITR）的因果中介分析。其根本的科学问题是：当一个ITR（一个根据患者基线协变量推荐治疗方案的决策规则）相比一个临床上有意义的参考规则（如标准治疗）能带来平均临床收益（即“价值”）的提升时，我们能否将这个价值提升分解为“直接效应”（通过治疗直接影响结局）和“间接效应”（通过治疗影响某个中介变量，再影响结局）？这旨在为“谁应该被治疗”的问题补充“为什么这个规则有效”的机制性解释。当前，ITR的估计与优化方法已相当成熟，但对其价值进行机制分解的方法几乎空白。

发展脉络（history）

  1. 奠基工作：因果中介分析与ITR的独立发展

    • 中介分析：早期工作（Baron & Kenny, 1986; MacKinnon et al., 2007）基于线性结构方程模型（LSEM）。随后，Robins & Greenland (1992) 和 Pearl (2001) 将中介分析置于反事实框架下，定义了自然直接效应（NDE）和自然间接效应（NIE），并给出了非参数识别条件。Imai et al. (2010a, 2010b) 进一步推广了识别假设（序贯可忽略性）并提供了敏感性分析方法。Tchetgen & Shpitser (2012) 则建立了半参数效率理论，推导了高效、倍稳健的估计量。留下的口子：这些工作都聚焦于分解一个固定处理（如A=1 vs A=0）的平均处理效应（ATE），而非一个依赖于协变量的规则的价值。
    • ITR：Qian & Murphy (2011) 和 Schulte et al. (2014) 等发展了估计最优ITR的方法（如Q-learning, A-learning）。Wager & Athey (2015) 和 Hahn et al. (2017) 则用随机森林和贝叶斯加性回归树（BART）来估计异质性处理效应，这是ITR的基础。留下的口子：这些方法只关注“哪个规则最优”或“谁受益”，不解释“为什么受益”的机制。

  2. 主要进展：中介分析的灵活化与贝叶斯化

    • 为了处理非线性、复杂交互和高维协变量，研究者将机器学习方法引入中介分析。Linero & Zhang (2025) 提出了贝叶斯因果中介森林（BCMF），将BART扩展到中介分析，用于灵活估计平均因果中介效应（ACME）。他们特别处理了正则化诱导混杂（RIC）问题，通过引入倾向得分和“巧妙协变量”（clever covariates）来减少偏差。留下的口子：BCMF估计的是固定处理水平下的平均效应，而非规则层面的效应。

  3. 当前Frontier与本文位置

    • 当前，ITR和中介分析两条线开始交汇。一些工作开始探索动态治疗规则下的中介分析（Ge et al., 2023），或处理多个中介、复杂结局等场景（Díaz et al., 2021; Chen et al., 2024）。然而，作者明确指出：“To our knowledge, no existing method has explored how to decompose the value of a prespecified treatment rule relative to a clinically meaningful reference rule into direct and indirect mechanistic components.” 本文正是填补这个空白：将中介分析的框架从“固定处理”推广到“规则”，定义并识别了规则层面的自然直接和间接效应，并采用BCMF进行贝叶斯估计。

子线索聚类

  1. 因果中介分析的理论与识别：Robins & Greenland (1992), Pearl (2001), Imai et al. (2010a, 2010b), Tchetgen & Shpitser (2012), VanderWeele (2010), Valeri & VanderWeele (2013), Malinsky et al. (2019)。这一簇关注如何定义和识别自然直接/间接效应，以及如何处理交叉世界反事实。
  2. ITR的估计与优化：Murphy (2003), Qian & Murphy (2011), Schulte et al. (2014), Zhao et al. (2012), Wager & Athey (2015), Hahn et al. (2017)。这一簇关注如何从数据中学习最优的、依赖于协变量的治疗规则。
  3. 贝叶斯非参数方法在因果推断中的应用：Chipman et al. (2010) (BART), Hill et al. (2020) (BART综述), Hahn et al. (2017) (贝叶斯因果森林), Linero & Zhang (2025) (BCMF)。这一簇提供灵活、带不确定性量化的建模工具，用于估计因果效应中的条件均值函数。
  4. 应用与临床试验：Blumenthal et al. (2015) (TRIUMPH试验), Smith et al. (2022a, 2022b, 2023), Avorgbedor et al. (2023)。这一簇提供了本文方法的应用场景和科学问题。

这个方向在追问的核心问题

  1. 如何定义规则层面的“直接”和“间接”效应？ 当处理分配本身是协变量的函数时，如何将经典的自然效应定义推广到规则层面？
  2. 这些规则层面的效应在什么条件下是可识别的？ 需要哪些假设（如序贯可忽略性、交叉世界可交换性）来将反事实量连接到观测数据？
  3. 如何灵活且可靠地估计这些效应？ 需要估计哪些 nuisance 函数（如中介条件分布、结局回归），以及如何避免正则化偏差（如RIC）？
  4. 如何量化估计的不确定性？ 在贝叶斯框架下，如何获得直接和间接规则效应的后验分布？

已知瓶颈：交叉世界反事实（如Y(1, M(0))）的识别需要强假设（如交叉世界可交换性），这些假设在观测研究中无法验证。此外，当规则d是从同一数据中学习得到时，评估会引入额外的变异性。

⚠️ 作者的 framing

  • 作者的缺口frame：作者将缺口frame为“ITR的价值提升缺乏机制解释”。他们声称，现有ITR方法只回答“谁受益”，而他们的方法能回答“为什么受益”。这使得他们的工作成为“显然的下一步”：将成熟的中介分析工具（BCMF）应用到ITR评估这个新场景。
  • 被淡化或回避的竞争路线：作者提到了“interventional direct and indirect effects”和“separable effects”（Robins & Richardson, 2010; Robins et al., 2022），这些方法避免了交叉世界反事实。作者选择聚焦于“natural rule-level decomposition”，理由是它“directly partitions the rule value contrast into components corresponding to the direct and indirect pathways”。但作者没有深入讨论，在ITR场景下，使用干预效应（interventional effects）是否可能更稳健或假设更弱。这是一个值得研究者去查的问题。
  • 什么明显该被引/该存在、却没出现在intro里？ 作者引用了Tchetgen & Shpitser (2012) 关于半参数效率理论的工作，但本文的估计方法完全是贝叶斯非参数的（BCMF），没有涉及任何半参数效率理论（如EIF推导、倍稳健估计）。对于一位熟悉半参数理论的研究者来说，一个自然的问题是：能否为规则层面的直接和间接效应推导出高效影响函数（EIF），并构建一个倍稳健的、渐近高效的估计量（如DML或TMLE）？ 本文完全没有触及这个方向，这可能是作者有意回避的（因为BCMF是他们的核心工具），也可能是一个真正的开放问题。

张力

未见明显对立引用。所有被引工作都在各自的子领域内被接受，没有发现彼此矛盾或在略不同条件下得相反结论的情况。

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：
    • X：基线协变量向量（随机变量）。
    • A：二元处理变量（随机变量），A ∈ {0, 1}。
    • M：处理后的中介变量（随机变量），M ∈ ℝ。
    • Y：结局变量（随机变量），Y ∈ ℝ。
    • d(X)：候选ITR（函数），d: X → {0, 1}，根据X推荐处理。
    • r(X)：参考规则（函数），r: X → {0, 1}，作为比较基准。
    • M_i(a)：个体i在处理A=a下的潜在中介值（潜在变量）。
    • Y_i(a, m)：个体i在处理A=a且中介M=m下的潜在结局（潜在变量）。
    • Y_i^{d,r}(X_i) ≡ Y_i{d(X_i), M_i(r(X_i))}：规则层面的交叉世界反事实结局（潜在变量）。即，处理按d分配，但中介按r分配下的结局。
    • V(d) ≡ E[Y^{d,d}(X)]：规则d的价值（estimand），即整个群体按d治疗时的平均结局。
    • ∆_D(d, r)：自然直接规则效应（estimand），E[Y^{d,r}(X)] - E[Y^{r,r}(X)]。
    • ∆_I(d, r)：自然间接规则效应（estimand），E[Y^{d,d}(X)] - E[Y^{d,r}(X)]。
  • 模型：
    • 数据生成机制由一个非参数结构方程模型（NPSEM）隐含定义，对应于图1的DAG。关键结构是：A影响M和Y，M影响Y，X影响所有。
    • 没有对函数形式（如线性、可加性）做任何参数假设。M和Y的条件分布由未知的回归函数m(a, x)和y(m, a, x)以及误差项决定。
    • 已知的是：处理A是随机分配的（在TRIUMPH试验中），因此A与X独立。
  • 可观测数据：
    • 研究者实际能观测到的是n个独立同分布样本{X_i, A_i, M_i, Y_i}_{i=1}^n。
    • 想要但观测不到的量：
      1. 所有反事实量：M_i(0), M_i(1), Y_i(0, m), Y_i(1, m)。
      2. 特别是规则层面的交叉世界反事实Y_i^{d,r}(X_i)，它结合了d(X_i)和r(X_i)下的处理与中介，这在现实中永远不会同时发生。
    • 识别这些反事实量需要依赖假设A1-A4（一致性、处理可交换性、交叉世界可交换性、积极性），将它们与可观测数据的分布联系起来。

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：假设只有一个二元协变量X，处理A完全随机，中介M和结局Y都是连续的，且所有条件期望都是线性的。 在这个特例下，整个论文的数学困难（非线性、RIC、贝叶斯森林）都消失了，但核心概念和分解逻辑完全保留。

  • 设定：

    • X ∈ {0, 1}，例如，X=1表示“高风险”患者。
    • A随机分配，P(A=1) = 0.5。
    • 候选规则d(X) = X（高风险者治疗，低风险者不治疗）。
    • 参考规则r(X) = 0（所有人都不治疗）。
    • 线性模型：
      • M = α_0 + α_1 A + α_2 X + ε_M
      • Y = β_0 + β_1 A + β_2 M + β_3 X + ε_Y
      • 其中ε_M, ε_Y是均值为0的独立误差。

  • 要证的核心命题：价值对比V(d) - V(r)可以分解为直接效应∆_D(d, r)和间接效应∆_I(d, r)，并且这两个分量可以通过观测数据识别和估计。

  • 证明与估计（在这个特例下）：

    1. 计算价值：
      • V(r) = E[Y | A=0] （因为r(X)=0对所有X）。在线性模型下，V(r) = β_0 + β_3 E[X]。
      • V(d) = E[Y^{d,d}(X)]。由于d(X)=X，这等于E[Y | A=X]。即，当X=1时，A=1；当X=0时，A=0。所以V(d) = E[Y | A=1, X=1] * P(X=1) + E[Y | A=0, X=0] * P(X=0)。
    2. 计算交叉世界反事实均值：
      • E[Y^{d,r}(X)]：处理按d(X)=X，中介按r(X)=0。即，对于X=1的个体，处理是A=1，但中介是M(0)；对于X=0的个体，处理是A=0，中介是M(0)。
      • 在线性模型下，E[Y^{d,r}(X) | X=x] = E[Y | A=d(x), M=M(0), X=x]。
      • 由于模型是线性的，E[Y | A=a, M=m, X=x] = β_0 + β_1 a + β_2 m + β_3 x。
      • 而M(0) = α_0 + α_2 X + ε_M，所以E[M(0) | X=x] = α_0 + α_2 x。
      • 因此，E[Y^{d,r}(X) | X=x] = β_0 + β_1 d(x) + β_2 (α_0 + α_2 x) + β_3 x。
      • 对X求期望即可得到E[Y^{d,r}(X)]。
    3. 分解：
      • ∆_D(d, r) = E[Y^{d,r}(X)] - E[Y^{r,r}(X)]。这衡量了当中介路径固定为参考规则r时，将处理从r切换到d带来的结局变化。在线性模型下，这主要捕捉了β_1项（处理对结局的直接效应）的差异。
      • ∆_I(d, r) = E[Y^{d,d}(X)] - E[Y^{d,r}(X)]。这衡量了当处理路径固定为候选规则d时，将中介从r切换到d带来的结局变化。在线性模型下，这主要捕捉了β_2（中介对结局的效应）乘以α_1（处理对中介的效应）的差异。
    4. 识别与估计：
      • 上述所有期望都可以写成可观测数据分布中参数的函数（α, β），而这些参数可以通过对观测数据{X_i, A_i, M_i, Y_i}进行线性回归来估计。
      • 例如，E[Y | A=a, M=m, X=x]可以直接从Y对A, M, X的回归中估计。E[M | A=a, X=x]可以从M对A, X的回归中估计。
      • 一旦估计出这些回归函数，就可以代入上述公式，得到∆_D和∆_I的点估计。通过贝叶斯方法（如对回归系数施加先验），还可以得到后验分布。

这个特例揭示了本文的核心数学操作：将规则d和r视为“处理分配器”，然后通过g-formula（即对中介分布和结局回归进行积分）来计算规则层面的反事实均值。一般情形下的所有复杂性（非线性、高维、RIC、贝叶斯森林）都是为了在更现实的设定下，稳健地完成这个“积分”操作。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究如何将一个候选ITR（d）相对于一个参考规则（r）的价值对比V(d) - V(r)分解为直接效应（∆_D）和间接效应（∆_I），以解释规则收益的因果机制。
  2. 核心工具/方法：作者定义了规则层面的嵌套潜在结果，并证明了在标准因果中介假设下，这些效应可由一个规则层面的中介g-formula识别。估计上，他们采用了贝叶斯因果中介森林（BCMF），这是一种基于BART的非参数贝叶斯方法，并通过引入倾向得分和巧妙协变量来处理正则化诱导混杂（RIC）。
  3. 主要结论：模拟研究表明，所提BCMF估计量在不同直接/间接效应比例的场景下，随着样本量增大，偏差和RMSE递减，且95%可信区间覆盖率达到名义水平。在TRIUMPH试验的真实数据分析中，该方法将生活方式干预规则对认知功能的收益分解为直接和间接成分，结果显示收益主要来自直接路径，而非所选的三个候选中介（脑氧合、有氧适能、睡眠质量）。

关键设定与假设

  • 设定：在第二节最小记号的基础上，完整设定包括：
    • X是p维基线协变量向量。
    • A是二元处理。
    • M是连续中介。
    • Y是连续结局。
    • d和r是预先指定的、可测的二元规则。
    • 数据来自一个随机对照试验（RCT），因此A与X独立（处理可交换性由设计保证）。
  • 假设：
    • A1 (一致性)：观测到的M和Y等于其对应的潜在结果。这是标准假设。
    • A2 (处理可交换性)：{Y_i(a', m), M_i(a)} ⊥ A_i | X_i = x。这意味着给定X，处理分配与所有潜在中介和结局独立。在RCT中，如果X是基线协变量，这个假设自动满足（因为A是随机分配的）。在观察性研究中，这要求所有处理-中介和处理的混杂因素都被测量并包含在X中。
    • A3 (交叉世界可交换性)：Y_i(a', m) ⊥ M_i(a) | X_i = x。这是最关键的、也是最强的假设。它意味着，给定X，在某个处理水平下的潜在结局与在另一个处理水平下的潜在中介是独立的。这排除了中介-结局关系中存在未测量的混杂因素（即使这些混杂因素也受处理影响）。这个假设是识别自然直接/间接效应的核心，但无法通过RCT来保证，也无法被数据验证。
    • A4 (积极性)：0 < P(A_i = a | X_i = x) < 1，且中介的支持在A=0和A=1下有足够重叠。这确保了g-formula中的积分是良定义的。
  • 相比已有文献的强化/放宽：相比经典的Imai et al. (2010a) 的序贯可忽略性假设，本文的A2和A3是等价的。本文没有引入新的假设，而是将现有假设应用于规则层面。相比Tchetgen & Shpitser (2012) 的半参数框架，本文没有追求效率或倍稳健性，而是选择了灵活的贝叶斯非参数方法。

主要结果

  • 理论结果（Lemma 1）：在假设A1-A4下，规则层面的交叉世界反事实均值E[Y^{d,r}(X)]由规则层面的中介g-formula识别： E[Y^{d,r}(X)] = ∫_X ∫_M E(Y|A=d(x), M=m, X=x) * f_{M|A,X}(m|A=r(x), X=x) dm dF_X(x)。 这个公式是本文的识别基础。它表明，要估计E[Y^{d,r}(X)]，只需要估计两个条件分布：结局回归E(Y|A, M, X)和中介条件密度f_{M|A,X}(m|A, X)。证明过程在附录中给出，核心是反复应用A1-A3来替换反事实量为可观测量。
  • 估计方法（算法1）：提出了一个蒙特卡洛g-formula算法来近似计算上述积分。关键步骤是：
    1. 用BCMF拟合两个模型：M|A, X和Y|A, M, X。
    2. 对于每个后验样本，为每个个体i生成一对共单调的潜在中介值M_i^*(d(X_i))和M_i^*(r(X_i))（通过使用同一个均匀随机数U_ik）。
    3. 利用拟合的Y模型，计算四个规则层面的反事实均值E[Y^{d,d}], E[Y^{r,r}], E[Y^{d,r}], E[Y^{r,d}]。
    4. 直接和间接效应由这些均值的差得到。
  • 模拟结果（表1，图2，图3）：
    • 在5种不同直接/间接比例的场景下，对于n=400, 800, 1200，BCMF估计量在总效应、直接效应和间接效应上都表现出：
      • 偏差：随n增大而减小，接近0。
      • RMSE：随n增大而减小。
      • 95% CI覆盖率：在所有场景和样本量下都接近名义水平（0.95）。
      • CI宽度：随n增大而减小。间接效应的CI宽度略宽于直接效应。
    • 在n=1200时，估计的直接/间接比例与真实比例非常接近，仅有约2%的衰减（attenuation）。

证明路线与技术技巧

  • 整体路线：
    1. 定义与识别：首先定义规则层面的嵌套潜在结果（Y^{d,d}, Y^{r,r}, Y^{d,r}, Y^{r,d}）。然后，在标准假设A1-A4下，通过附录中的Lemma 1证明，这些反事实量的期望可以由观测数据的g-formula识别。证明的核心是反复应用可交换性假设（A2, A3）和一致性假设（A1），将反事实条件期望替换为可观测的条件期望。
    2. 建模与估计：识别公式表明需要估计两个nuisance函数：E(Y|A, M, X)和f(M|A, X)。作者选择用BCMF来灵活地、非参数地估计这两个函数。BCMF的核心是BART，它用一组回归树的和来逼近未知函数。
    3. 处理RIC：直接使用BART进行因果推断会引入正则化诱导混杂（RIC）。作者采用Linero & Zhang (2025) 的两个策略来缓解：
      • 包含倾向得分：将估计的倾向得分π̂(X)作为预测变量加入M和Y的BART模型中，以吸收X对A的混杂影响。
      • 包含巧妙协变量：在Y的BART模型中，加入从M模型得到的预测均值m̂_0(X)和m̂_1(X)作为额外预测变量，以帮助分离X对M和Y的预后效应。
    4. 蒙特卡洛积分：有了拟合的模型后，通过算法1进行蒙特卡洛积分来近似g-formula。关键技巧是使用共单调的潜在中介抽样（comonotone draws），即对每个个体使用同一个均匀随机数来生成M^*(d(X))和M^*(r(X))。这减少了蒙特卡洛方差，因为交叉世界对比Y^{d,d} - Y^{d,r}中的噪声被抵消了。
  • 关键跳跃点：
    • 从固定处理到规则：最大的概念跳跃是将A从固定值（0或1）替换为规则d(X)或r(X)。这使得g-formula中的积分变得依赖于X，但识别逻辑保持不变。
    • 处理RIC：在非参数贝叶斯框架下，如何确保对nuisance函数的灵活估计不会引入对因果对比的偏差，这是一个关键的技术难点。引入倾向得分和巧妙协变量是解决这个问题的核心技巧。
  • 技术技巧点名：
    • BART (Bayesian Additive Regression Trees)：用于非参数、正则化的条件均值建模，并提供不确定性量化。
    • g-formula：用于从观测数据分布中识别反事实均值。
    • 正则化诱导混杂 (RIC)：一个需要被特别处理的偏差来源。
    • 倾向得分 (Propensity Score)：作为协变量加入模型以缓解RIC。
    • 巧妙协变量 (Clever Covariates)：来自TMLE的思想，用于缓解中介分析中的RIC。
    • 共单调抽样 (Comonotone Sampling)：通过共享随机数来减少蒙特卡洛方差。

真实例子与应用

  • 数据/场景：TRIUMPH随机对照试验，比较强化生活方式干预（C-LIFE）与标准化教育（SEPA）对难治性高血压患者认知功能的影响。N=140，随机化比例2:1。
  • 如何应用：
    • 定义规则：候选规则d是一个基于文献的、经验性规则：对高血管和炎症负担的患者（基于CRP、有氧适能、动态SBP的复合评分）推荐C-LIFE。参考规则r是所有人接受SEPA。
    • 选择中介：分别分析了三个候选中介：脑氧合（fNIRS）、有氧适能（VO2 max）和睡眠质量。每个中介单独分析。
    • 估计：对每个中介，用BCMF估计V(d), V(r), ∆_D, ∆_I及其后验分布。
  • 结果：
    • 候选规则d相比参考规则r，在认知执行功能上带来了约3.66-4.52分的总收益。
    • 对于所有三个中介，直接效应都占主导地位（>93%），而间接效应很小（<7%），且其95%可信区间都包含0。
  • 这个例子想说明什么：
    • 验证方法可行性：展示了该方法可以在一个真实的、样本量有限的RCT中应用。
    • 提供机制性洞见：结果表明，该特定ITR的认知收益似乎并非主要通过所选的三个单一中介路径实现，而是通过其他直接路径（可能包括其他未测量的中介或治疗的直接神经保护作用）。这为后续的机制研究提供了方向。
    • 强调解释的局限性：作者谨慎地指出，这个结果不应被解释为生活方式干预没有机制效应，因为分析是相对于特定规则和中介的。当总收益本身较小时，分解出的间接效应绝对值也会很小。

🔎 结论是否比证明窄

  • 是。论文的核心理论贡献（Lemma 1） 是在假设A1-A4下，对任何预先指定的规则对(d, r)，其规则层面的反事实均值都是可识别的。然而，模拟和真实数据应用都只考虑了一个非常简单的场景：r是“不治疗所有人”的规则，d是一个基于线性阈值的、经验性规则。论文没有展示当d和r都是复杂函数（如从数据中学习得到的最优规则）时，方法的性能如何。作者在讨论中承认了这一点：“Third, when d is learned from the same dataset used to evaluate mediation, additional variability and potential optimism may arise.” 这表明，论文的泛化性声明（“适用于任何规则”）比其实际验证的范围要宽。一个严谨的读者会问：当d本身是一个高方差、从同一数据中估计出的复杂规则时，BCMF的后验推断是否还能保持名义覆盖率？论文没有提供这方面的理论或模拟证据。

四、开放问题

  1. 半参数效率与倍稳健估计：本文完全依赖贝叶斯非参数方法（BCMF）。一个自然的问题是：能否为规则层面的直接和间接效应∆_D(d, r)和∆_I(d, r)推导出高效影响函数（EIF），并构建一个渐近高效的、倍稳健的（doubly robust）估计量（如DML或TMLE）？这扎根于论文对Tchetgen & Shpitser (2012) 的引用，但本文并未沿着这条路线发展。对于熟悉半参数理论的研究者，这是一个直接的、有理论深度的开放问题。

  2. 规则从同一数据中学习时的推断：论文假设d是预先指定的。当d是从同一数据中通过Q-learning等方法估计得到时，如何正确量化V(d)及其分解的不确定性？作者在讨论中提到了样本分割，但没有给出具体方案或理论保证。这是一个重要的实践问题，扎根于论文的“Discussion”部分。

  3. 多个中介与中介间的交互：本文只考虑了单个中介。在TRIUMPH例子中，三个中介是分开分析的，导致“直接效应”包含了其他中介的路径。如何将分解扩展到多个中介，并处理中介之间的交互和相关性？这扎根于论文的“Future work may extend the framework to ... multiple mediators”。

  4. 敏感性分析的理论基础：作者推荐对A2和A3进行敏感性分析，并引用了VanderWeele (2010) 和 Valeri & VanderWeele (2013)。然而，这些敏感性分析方法是针对固定处理效应的。对于规则层面的效应，是否存在类似的、易于解释的敏感性分析框架？例如，如何量化违反交叉世界可交换性（A3）对∆_D和∆_I估计的影响？这是一个方法论上的空白，扎根于论文的“Discussion”部分对敏感性分析的强调。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论