跳转至

Generalized propensity score weighting for functional causal inference framework

作者: Simone Ciardulli, Nicole Fontana, Simone Vantini, Francesca Ieva
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.03200

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：在观测研究中，当暴露/处理变量是定义在连续域上的函数（如一条轨迹、一条曲线）时，如何识别和估计其因果效应。传统倾向得分方法要求处理变量是标量或低维向量，无法直接处理函数型暴露。该方向的核心挑战在于：(1) 函数型数据是无限维的，不存在定义良好的概率密度函数（Delaigle and Hall, 2010），因此无法直接定义广义倾向得分；(2) 协变量平衡需要在无限维空间中实现，但实际只能通过有限维近似操作。当前该方向处于早期应用扩展阶段——核心方法框架（函数型倾向得分）刚被提出不久（Zhang, Xue and Wang, 2021），但尚未建立系统的渐近理论，也缺乏对函数型协变量和函数型结局的统一处理。

发展脉络（history）

奠基工作：因果推断的倾向得分方法始于 Rosenbaum and Rubin (1983) 和 Rubin (1974) 的经典框架，其核心思想是通过倾向得分（处理分配的条件概率）实现协变量平衡，从而在观测研究中模拟随机化。Austin (2011) 系统总结了四种倾向得分方法（匹配、分层、逆概率加权、协变量调整），成为应用标准。对于连续处理变量，Hirano and Imbens (2004) 提出了广义倾向得分（GPS）及其加权形式，将倾向得分方法从二元处理扩展到连续处理。

主要进展：Fong, Hazlett and Imai (2018) 将协变量平衡思想扩展到连续处理，提出通过经验似然（Owen, 2001）构造权重，使处理与协变量在加权样本中不相关，避免了GPS的密度估计。Zhang, Xue and Wang (2021) 首次将这一框架扩展到函数型处理，提出函数型倾向得分（FPS），通过Karhunen–Loève展开将函数型处理降维为有限个FPC得分，然后对FPC得分施加协变量平衡约束。这是该方向的直接前驱工作。

当前frontier：Miao, Xue and Zhang (2020) 研究了函数型协变量下的平均处理效应估计（但处理是标量）；Ecker, de Luna and Schelin (2024) 和 Fontana et al. (2025) 研究了函数型结局下的因果推断（但处理是二元标量）。这些工作各自处理了函数型数据因果推断的一个侧面，但缺乏一个统一框架同时容纳函数型处理、函数型协变量和函数型结局。

本文的位置：本文声称填补上述缺口——在Zhang, Xue and Wang (2021) 的FPS框架基础上，(1) 将对偶优化引入权重估计，解决原方法的计算瓶颈；(2) 将框架扩展到函数型协变量和函数型结局，提出函数对函数边际结构模型。本文定位为方法学扩展与应用示范，而非理论突破。

子线索聚类

这些被引文献大致落在三条子线索上：

  1. 经典倾向得分与协变量平衡（Rosenbaum and Rubin, 1983; Rubin, 1974; Austin, 2011; Hirano and Imbens, 2004; Fong, Hazlett and Imai, 2018; Owen, 2001）：建立标量/连续处理下因果推断的加权方法基础。核心工具是经验似然和协变量平衡约束。

  2. 函数型数据因果推断（Zhang, Xue and Wang, 2021; Miao, Xue and Zhang, 2020; Ecker, de Luna and Schelin, 2024; Fontana et al., 2025）：将因果推断方法扩展到函数型数据的不同侧面——函数型处理（Zhang）、函数型协变量（Miao）、函数型结局（Ecker, Fontana）。本文试图统一这些侧面。

  3. 函数型数据分析工具（Ramsay and Silverman, 2005; Yao, Müller and Wang, 2005; Delaigle and Hall, 2010; Centofanti et al., 2022; Malfait and Ramsay, 2003）：提供函数型数据的表示、降维和建模工具，包括FPCA、稀疏FPCA（PACE）、函数型线性回归、历史函数型线性模型等。这些是本文方法的技术基础。

这个方向在追问的核心问题

  1. 如何定义函数型处理的倾向得分？ 由于函数型数据不存在概率密度（Delaigle and Hall, 2010），GPS无法直接扩展。当前主流方法是通过FPCA降维后在有限维空间定义条件密度（Zhang et al., 2021），或通过协变量平衡约束绕过密度估计（本文）。瓶颈：降维截断L的选择对结果敏感，且缺乏理论指导。

  2. 如何实现函数型处理与协变量之间的平衡？ 在无限维空间中，平衡条件需要定义在FPC得分上，但FPC得分的选择（截断水平）直接影响平衡效果。瓶颈：当前方法依赖经验选择（PVE阈值），缺乏渐近理论保证。

  3. 如何估计函数型处理对函数型结局的因果效应？ 这需要定义函数对函数边际结构模型，并处理效应曲面的识别与估计。瓶颈：当处理与结局域重叠时，需要施加非预期性约束（Granger因果），但该约束的统计实现（三角基展开）与FPCA基展开不兼容。

  4. 计算可扩展性如何保证？ 原FPS方法（Zhang et al., 2021）的权重估计涉及约束优化，维度随p和L增长，计算负担大。瓶颈：在大样本（n>1000）和高维协变量（p>10）下，原方法几乎不可行。

⚠️ 作者的framing

作者把缺口frame成：现有FPS方法（Zhang, Xue and Wang, 2021）有两个限制——(1) 权重估计依赖约束优化，需要顺序调参，计算负担大；(2) 只适用于标量协变量和标量结局。因此，本文的贡献是：(a) 提出对偶优化，将权重估计转化为光滑无约束凸优化，消除顺序调参；(b) 扩展到函数型协变量和函数型结局，提出统一框架。

被淡化/回避的竞争路线： - 稀疏/不规则函数型数据：作者在Discussion中承认FPCA实现依赖密集规则观测，但将稀疏FPCA（PACE, Yao et al., 2005）列为未来工作，而非本文方法的一部分。这意味着本文方法对真实世界稀疏数据（如许多纵向健康数据）的适用性存疑。 - 小概率球方法（Ferraty and Vieu, 2006）：作者在Discussion中提及可作为替代方案，但未与本文方法进行任何比较。这可能是作者有意回避的竞争路线——小概率球方法不需要FPCA降维，可能在某些设定下更稳健。 - 非线性效应模型：本文假设线性函数对函数关系，但未讨论或比较任何非线性扩展（如核方法、非参数回归）。作者在Discussion中承认这是局限。

什么明显该被引/该存在、却没出现在intro里？ - Granger (1969) 被引用在非预期性约束部分，但未出现在intro中。这是合理的，因为它是技术细节而非领域背景。 - 没有引用任何关于函数型数据因果推断的渐近理论工作——这可能是因为该方向确实缺乏此类工作，但也可能意味着本文的理论基础薄弱。 - 没有引用任何关于高维协变量下倾向得分估计的文献——尽管本文方法涉及p维协变量，但未讨论高维设定下的挑战（如变量选择、正则化）。

张力

未见明显对立引用。所有被引工作基本沿同一方向推进：从标量处理→连续处理→函数型处理，从标量协变量→函数型协变量，从标量结局→函数型结局。Zhang, Xue and Wang (2021) 和本文之间是直接的改进关系，而非对立。Miao, Xue and Zhang (2020) 和 Ecker, de Luna and Schelin (2024) 处理的是不同侧面，互补而非竞争。

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： - \(X_i(t)\)：第 \(i\) 个个体的函数型处理（暴露），定义在紧致域 \(\mathcal{T} \subset \mathbb{R}\) 上，零均值、平方可积。这是随机函数。 - \(Y_i\)：第 \(i\) 个个体的标量结局（在扩展中为函数型结局 \(Y_i(t)\)）。这是可观测随机变量。 - \(C_i \in \mathbb{R}^p\)：第 \(i\) 个个体的标量协变量向量（观测混杂）。这是可观测随机向量。 - \(Y_i(x)\)：在函数型处理 \(x \in L^2(\mathcal{T})\) 下的潜在结局。这是潜在（反事实）量，不可观测。 - \(\mu(t)\)：因果效应函数，定义在 \(\mathcal{T}\) 上，满足边际结构模型 \(E[Y(x)] = \mu_0 + \int_{\mathcal{T}} \mu(t) x(t) dt\)。这是目标参数（estimand）。 - \(\{\phi_k(t)\}_{k=1}^\infty\)：\(X(t)\) 的协方差算子的正交特征函数（FPCA基）。这是已知的（从数据估计）。 - \(A_{ik} = \int_{\mathcal{T}} X_i(t) \phi_k(t) dt\)：第 \(i\) 个个体的第 \(k\) 个FPC得分。这是可观测的（从数据计算）。 - \(L\)：FPC截断水平，由PVE阈值决定。这是调参选择。 - \(n\)：样本量。\(p\)：协变量维数。 - \(w_i\)：第 \(i\) 个个体的倾向得分权重。这是要估计的。 - \(\theta \in \mathbb{R}^{L + p + Lp}\)：对偶优化中的自由参数向量。这是优化变量。

模型： - 数据生成机制：\((Y_i, X_i(t), C_i)\) 是 \(n\) 个独立同分布样本。 - 因果模型：边际结构模型 \(E[Y(x)] = \mu_0 + \int_{\mathcal{T}} \mu(t) x(t) dt\)，假设线性函数对效应。 - 识别假设：强可忽略性 \(X \perp\!\!\!\perp Y(x) \mid C\) 和积极性 \(f_{A^*|C^*}(a^*|c^*) > 0\)。 - 处理表示模型：\(X(t) \approx \sum_{k=1}^L A_k \phi_k(t)\)，通过FPCA降维。

可观测数据： - 实际能观测到：\(\{Y_i, X_i(t), C_i\}_{i=1}^n\)，其中 \(X_i(t)\) 是在密集网格上观测的函数（假设足够密以可靠估计FPC得分）。 - 想要但观测不到：潜在结局 \(Y_i(x)\) 对于所有 \(x \neq X_i\)。识别依赖于通过权重构造伪总体，使 \(X\) 与 \(C\) 独立。

第二步：讲最小内核

最简特例：标量结局 \(Y\)、标量协变量 \(C \in \mathbb{R}^p\)、函数型处理 \(X(t)\) 通过FPCA降维到 \(L\) 个FPC得分 \(A = (A_1, \ldots, A_L)^\top\)。

在这个特例下，整篇论文的核心思路是：

  1. 目标：估计效应函数 \(\mu(t)\)，使得 \(E[Y(x)] = \mu_0 + \int \mu(t) x(t) dt\)。

  2. 关键想法：如果能构造权重 \(\{w_i\}\) 使得在加权样本中，FPC得分 \(A\) 与协变量 \(C\) 独立（即 \(E_w[A C^\top] = 0, E_w[A] = 0, E_w[C] = 0\)），那么加权后的样本就模拟了一个随机化实验，其中 \(A\) 的分布与 \(C\) 无关。此时，对 \(Y\) 关于 \(A\) 的加权线性回归就估计了因果效应，而非混杂关联。

  3. 权重构造：权重通过求解以下约束优化问题得到：

    \[\min_w \sum_{i=1}^n \log(w_i) \quad \text{s.t.} \quad \sum_i w_i g_i = 0, \quad \sum_i w_i = 1, \quad w_i \geq 0,\]
    其中 \(g_i = (A_i^\top, C_i^\top, \text{vec}(A_i C_i^\top)^\top)^\top\) 是平衡矩向量。这是经验似然框架（Owen, 2001）。

  4. 本文的核心贡献（对偶优化）：直接求解上述约束优化很困难（维度 \(O(Lp)\)，需要顺序调参）。本文的关键技巧是将对偶问题转化为光滑无约束凸优化：

    \[\min_{\theta} \log\left( \sum_{i=1}^n e^{-\theta^\top g_i} \right),\]
    其中 \(\theta \in \mathbb{R}^{L+p+Lp}\) 是自由参数。这个优化可以用BFGS高效求解。权重由softmax变换恢复：
    \[w_i = \frac{e^{-\theta^\top g_i}}{\sum_{j=1}^n e^{-\theta^\top g_j}}.\]

  5. 效应估计：得到权重后，将 \(\mu(t)\) 在FPCA基 \(\{\phi_k(t)\}\) 上展开，系数通过加权最小二乘估计：

    \[\hat{\mu} = (A^\top W A)^{-1} A^\top W y,\]
    其中 \(W = \text{diag}(w_1, \ldots, w_n)\)，\(A\) 是包含截距的FPC得分设计矩阵。

为什么这个特例是内核：论文的一般情形（函数型协变量、函数型结局）只是在这个内核上做加法——函数型协变量通过其FPC得分并入 \(C\) 矩阵，函数型结局通过将效应函数扩展为效应曲面 \(\mu(s,t)\) 并在每个输出FPC分量上独立做加权最小二乘。核心数学困难——如何构造权重使函数型处理与协变量独立——完全体现在这个特例中。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在函数型处理、函数型协变量和函数型结局同时存在的观测研究中，如何通过倾向得分加权估计边际因果效应。
  2. 核心工具/方法：提出函数型倾向得分（FPS）权重的对偶优化公式，将权重估计转化为光滑无约束凸优化；通过FPCA降维和加权最小二乘估计函数对函数边际结构模型。
  3. 主要结论：模拟表明，相比现有方法（Zhang, Xue and Wang, 2021），本文方法在协变量平衡、估计精度和计算效率上均有改进；应用于UK Biobank数据，发现中年早期BMI轨迹对2型糖尿病风险和后续HbA1c轨迹有正向因果效应，且效应在暴露窗口早期最强。

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：

  • 强可忽略性（Assumption 1）：\(X \perp\!\!\!\perp Y(x) \mid C\)，对所有 \(x \in L^2(\mathcal{T})\)。这是标准假设，但在函数型处理下更强——它要求给定有限维协变量 \(C\) 后，整个函数型处理轨迹与所有潜在结局独立。相比标量处理，这个假设更难满足，因为函数型处理可能包含未被 \(C\) 捕捉的时变混杂。
  • 积极性（Assumption 2）：\(f_{A^*|C^*}(a^*|c^*) > 0\)，对所有 \(a^*\) 在 \(A^*\) 的支持中、\(c^*\) 在 \(C^*\) 的支持中。这是标准假设，但在函数型处理下通过FPC得分间接定义，其合理性依赖于FPCA截断 \(L\) 的选择。
  • 线性函数对效应：边际结构模型 \(E[Y(x)] = \mu_0 + \int \mu(t) x(t) dt\) 假设效应是线性的。相比已有文献：Zhang, Xue and Wang (2021) 使用相同的线性模型；本文在函数型结局下扩展为函数对函数线性模型 \(E[Y(t)|X] = \mu_0(t) + \int \mu(s,t) X(s) ds\)。
  • FPCA降维：处理 \(X(t)\) 和协变量 \(D(t)\)（若为函数型）通过FPCA降维到有限个FPC得分，截断水平由PVE阈值决定。相比已有文献：Zhang, Xue and Wang (2021) 使用相同的策略；本文的扩展（函数型协变量、函数型结局）也依赖此策略。
  • 非预期性约束（仅当处理与结局域重叠时）：\(\mu(s,t) = 0\) 对所有 \(s > t\)。这是Granger因果概念的函数型版本，通过三角基展开实现。

相比已有文献放宽或强化了哪些： - 放宽：本文方法不要求处理与结局域相同（如UK Biobank应用中BMI域[50,60]与HbA1c域[60,70]不重叠），因此非预期性约束在应用中可能不必要。 - 强化：本文方法假设FPCA得分可可靠估计，这要求密集规则观测——相比稀疏FPCA方法（Yao et al., 2005），这是一个更强的数据要求。

主要结果

理论型结果：本文没有渐近理论结果（无定理、无收敛率、无效率界）。所有"结果"来自模拟和真实数据应用。这是本文的一个重要特征——它完全是方法学与应用导向的。

模拟结果（Section 3）： - 标量结局设定（Section 3.1）：在4种设定（线性/非线性处理-协变量关系 × 线性/非线性协变量-结局关系）下，加权估计器的集成平方偏差（ISB）相比未加权估计器降低约99%（Table 1）。当PVE正确指定（0.95）时，MISE降低47-68%；当PVE过指定（0.99）时，MISE在某些设定下恶化（增加-44%至-74%），但ISB仍降低97%。 - 计算效率（Figure 1）：在 \(n=3000, p=20\) 时，本文方法比Zhang, Xue and Wang (2021) 快约1890倍。计算时间随 \(p\) 增长稳定，而原方法呈指数增长。 - 协变量平衡（Figure 2）：在 \(n=3000\) 时，本文方法在所有 \(p\) 值下保持约100%的混杂-FPC对平衡（绝对Pearson相关<0.1），而原方法波动剧烈（20-100%）。 - 函数型协变量与结局设定（Section 3.2）：在4种设定下，加权估计器ISB降低7-20%（Table 2）。当PVE正确指定时，MISE降低1-21%；当PVE过指定时，MISE在某些设定下恶化。

真实数据结果（Section 4）： - Analysis 1（BMI轨迹 → 2型糖尿病风险）：加权后所有混杂与FPC得分的绝对Pearson相关降至接近0（Figure 3）。估计效应函数 \(\hat{\mu}(t)\) 在50-57岁为正且显著，之后衰减至不显著（Figure 4）。未加权估计器给出更大且全程显著的效应，表明存在正混杂。 - Analysis 2（BMI轨迹 → HbA1c轨迹）：加权后达到类似平衡（Figure 5）。估计效应曲面 \(\hat{\mu}(s,t)\) 均匀为正，在暴露早期（s接近50）最强，随暴露年龄增加而衰减（Figure 6, 7）。效应在晚期暴露年龄（s接近60）和晚期结局年龄（t接近70）变得不显著。

证明路线与技术技巧

整体路线：本文没有证明——没有定理、引理或渐近分析。方法推导（Section 2）是算法层面的，而非理论层面的。因此，"证明路线"应理解为方法推导路线：

  1. 从原始约束优化到对偶无约束优化：从经验似然约束优化（4）出发，构造Lagrangian，推导对偶函数（6），通过softmax参数化消除约束，得到光滑无约束凸优化（9）。
  2. 从标量协变量到函数型协变量：将函数型协变量通过FPCA降维，其FPC得分并入协变量矩阵，不改变优化结构。
  3. 从标量结局到函数型结局：将效应函数扩展为效应曲面，在FPCA基上展开，利用基的正交性将函数对函数回归解耦为 \(L_T^*\) 个独立的加权线性回归。
  4. 非预期性约束的实现：当处理与结局域重叠时，用三角基替换FPCA张量积基，通过基的支撑约束自动满足 \(\mu(s,t)=0\) 对 \(s>t\)。

关键跳跃点： - 从约束优化到无约束优化的跳跃：通过softmax参数化 \(n - \gamma^\top g_i = K e^{\theta^\top g_i}\)，将权重表示为 \(w_i = e^{-\theta^\top g_i} / \sum_j e^{-\theta^\top g_j}\)，消除了非负约束和归一化约束。这是本文最核心的技术技巧。 - 从标量结局到函数型结局的跳跃：利用FPCA基的正交性，将函数对函数回归的积分项简化为FPC得分的线性组合，从而将高维函数回归解耦为一系列低维线性回归。

技术技巧点名： - 对偶优化：将原始约束优化转化为对偶无约束优化，核心工具是Lagrangian对偶和softmax参数化。 - BFGS拟牛顿算法：用于求解对偶问题（9），利用梯度解析形式 \(\nabla_\theta f(\theta) = -\sum_i w_i(\theta) g_i\)。 - log-sum-exp技巧：用于数值稳定计算 \(\log(\sum_i e^{-\theta^\top g_i})\)，避免溢出。 - FPCA降维：将无限维函数型数据投影到有限维FPC空间，是处理函数型数据的标准工具。 - 加权最小二乘：在FPC基上估计效应函数/曲面系数。 - 三角基展开：用于实现非预期性约束，是历史函数型线性模型（Malfait and Ramsay, 2003）的标准方法。

真实例子与应用

数据：UK Biobank（Sudlow et al., 2015），约500,000名40-69岁参与者。本文使用子集：Analysis 1有596人，Analysis 2有1713人。

Analysis 1： - 场景：BMI轨迹（50-65岁）对2型糖尿病风险的因果效应。 - 方法应用：BMI轨迹通过FPCA降维到2个FPC（解释99.3%变异）。权重通过本文对偶优化估计，平衡11个基线协变量。效应函数通过加权逻辑回归估计（但论文写的是"functional marginal structural logistic model"，实际估计细节未完全展开）。 - 结果：效应在50-57岁为正且显著，之后衰减。未加权分析给出更大效应。 - 想说明什么：验证方法在真实数据中的可行性，展示加权效果（Figure 3的平衡诊断），以及效应的时间变化模式。

Analysis 2： - 场景：BMI轨迹（50-60岁）对HbA1c轨迹（60-70岁）的因果效应曲面。 - 方法应用：BMI和HbA1c各通过FPCA降维到2个FPC。权重估计同Analysis 1（排除基线HbA1c）。效应曲面通过函数对函数边际结构模型估计，使用FPCA张量积基（因为域不重叠，无需非预期性约束）。 - 结果：效应曲面均匀为正，在暴露早期最强，随暴露年龄增加而衰减。 - 想说明什么：展示方法扩展到函数型结局的能力，以及效应曲面的解释价值（识别关键暴露窗口）。

🔎 结论是否比证明窄

是。本文的结论（"improves covariate balance, estimation accuracy, and computational efficiency"）基于模拟和实证，但没有渐近理论保证。具体来说：

  • "improves covariate balance"：在模拟中验证（Figure 2），但未证明加权后FPC得分与协变量的相关性在概率上收敛到0。这是一个有限样本性质，而非渐近性质。
  • "improves estimation accuracy"：在模拟中MISE降低（Table 1），但未证明估计量的一致性或收敛率。当PVE过指定时，MISE反而恶化，说明方法对调参敏感。
  • "improves computational efficiency"：在模拟中验证（Figure 1），这是算法层面的结论，相对可靠。
  • "retains these properties when extended to functional covariates and outcomes"：在模拟中验证（Table 2），但同样缺乏理论保证。

论文没有声称任何渐近性质（如一致性、渐近正态性、半参数效率），这是诚实的。但读者应注意：本文的所有"改进"都是有限样本模拟结果，而非理论保证。在真实数据应用中，这些性质可能不成立，特别是当FPCA截断选择不当或模型假设（线性、强可忽略性）违反时。

四、开放问题

  1. 渐近理论：本文方法的估计量（加权最小二乘系数 \(\hat{\mu}\)）是否一致？收敛率是多少？当 \(L\) 和 \(p\) 随 \(n\) 增长时，渐近性质如何？——扎根于本文完全没有渐近分析这一事实。

  2. 稀疏/不规则函数型数据的扩展：本文FPCA实现依赖密集规则观测。如何将方法扩展到稀疏或纵向数据（如许多真实健康数据）？——扎根于Discussion中"extensions could incorporate sparse FPCA methods, such as PACE"（Yao, Müller and Wang, 2005）。

  3. 非线性效应模型：本文假设线性函数对函数关系。如何扩展到非线性效应（如通过核方法或非参数回归）？——扎根于Discussion中"Nonlinear extensions, for example, through kernel-based or nonparametric functional regression"。

  4. 敏感性分析：强可忽略性假设不可检验。如何开发适用于函数型处理的敏感性分析方法？——扎根于Discussion中"Developing sensitivity analysis procedures adapted to functional treatments would be a valuable complement"。

  5. 调参选择的理论指导：PVE阈值（0.95 vs 0.99）对结果影响显著（Table 1, 2）。如何从理论上指导 \(L\) 和 \(L^*\) 的选择？——扎根于模拟中PVE过指定导致MISE恶化的发现。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论