Win-Ratio Regression for Prioritized Composite Outcomes in Observational Studies: Doubly Robust and Efficient Estimation with Future-Score Correction¶

作者: Zhuochao Huang, Lucy Shao, Yi Guo, Xin M. Tu, Changyong Feng et al.
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.10728

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：在临床研究中，当多个结局事件（如死亡、住院）存在临床重要性上的自然优先级时，如何利用“赢比”（win ratio）及其回归扩展来量化处理效应，并处理观察性研究中特有的混杂和删失问题。当前成熟度：方法学上已有大量工作，但主要集中在随机试验的简单两样本比较或固定删失调整；将赢比回归扩展到观察性研究、同时处理混杂和删失、并达到半参有效，是当前的前沿。

发展脉络（history）¶

奠基工作：赢比的提出与推断
- Pocock et al. (2012)：提出了赢比（win ratio）的概念，用于分析优先复合结局。核心思想是将处理组和对照组的患者配对，按临床优先级比较结局（如先比死亡，再比住院），计算赢比。这是整个领域的起点。
- Finkelstein and Schoenfeld (1999); Buyse (2010)：提供了配对比较的框架，赢比方法建立在此之上。
- Luo et al. (2015); Bebu and Lachin (2016)：为赢比统计量建立了大样本推断理论（置信区间、假设检验）。
- Oakes (2016); Mao (2024)：指出赢比的估计量依赖于比较的时间窗口和删失分布，如果不明确指定，其解释会模糊不清。Mao (2024) 明确呼吁将“估计量”（estimand）的定义作为赢比分析的第一步，并提出了两种解决思路（非参数固定时间窗、半参数恒定赢比）。
主要进展：删失调整与赢统计量族
- Dong et al. (2020, 2021); Cui et al. (2025)：提出了逆删失概率加权（IPCW）调整的赢比统计量，以处理独立删失或协变量依赖删失下的偏差。这是处理删失问题的标准方法。
- Brunner et al. (2021); Dong et al. (2023)：将赢比推广到赢统计量族，包括净收益（net benefit）和赢赔率（win odds），后者考虑了平局（ties）的情况。
- Liu et al. (2026a,b); Li et al. (2026); Fang and Li (2026)：针对缺失或部分观测的层级结局，提出了利用条件概率或增广加权来从未解决的配对中恢复信息的方法。这是本文“未来评分校正”的直接竞争路线。
当前 Frontier：赢比回归与观察性研究
- Mao and Wang (2021); Wang and Mao (2022)：提出了比例赢分数（proportional win-fractions, PW）回归模型，将赢比从两样本比较扩展到回归框架，允许协变量调整。这是本文回归框架的直接基础。
- Song et al. (2023); Wang et al. (2026); Cao et al. (2026)：进一步提出了赢赔率回归和广义赢分数回归模型，扩展了回归框架的适用性。
- Dong et al. (2026)：研究了赢统计量的不可压缩性（noncollapsibility），指出协变量调整会改变其解释，这对观察性研究中的因果推断至关重要。
本文的位置：本文定位在“将赢比回归从随机试验推广到观察性研究”这一前沿。它指出，现有方法（如IPCW）在处理删失时，只恢复了“最终”的赢/输状态，但忽略了删失发生前已经观测到的配对历史信息。本文的核心贡献是提出“未来评分校正”（future-score correction, FC），利用观测历史来预测删失后未观测到的配对比较贡献，从而恢复更多信息。同时，它结合了倾向性评分加权和基线结局增强，构建了双重稳健的AIPW-FC估计量，并证明了其半参有效性。

子线索聚类¶

赢统计量的定义与推断：Pocock et al. (2012), Luo et al. (2015), Bebu and Lachin (2016), Brunner et al. (2021), Dong et al. (2023)。这一簇主要关注两样本比较下赢比、赢赔率等统计量的定义、推断和性质（如不可压缩性）。
删失与缺失数据处理：Dong et al. (2020, 2021), Cui et al. (2025), Liu et al. (2026a,b), Li et al. (2026), Fang and Li (2026)。这一簇专注于在删失或缺失数据下，如何无偏地估计赢统计量，主要工具是IPCW、多重插补或条件概率方法。
赢比回归：Mao and Wang (2021), Wang and Mao (2022), Song et al. (2023), Cao et al. (2026)。这一簇将赢比从两样本比较扩展到回归框架，允许通过协变量来建模赢的概率，主要模型是比例赢分数模型及其变体。

这个方向在追问的核心问题¶

如何定义和识别一个不依赖于删失分布的、有因果解释的赢比估计量？ (Mao, 2024; Oakes, 2016)
在观察性研究中，如何同时调整基线混杂和删失，以获得对赢比回归系数的无偏和有效估计？
当删失阻止了部分配对比较时，如何利用所有观测到的信息（包括删失前的历史）来恢复效率，而不仅仅是依赖IPCW？
赢比回归系数的半参有效界是什么？能否构造出达到该界的估计量？

⚠️ 作者的 framing¶

作者把缺口 frame 成什么？ 作者将现有方法的缺口 frame 为：现有IPCW方法虽然能恢复无偏的赢概率，但“does not use the pair history observed before censoring, which can inform that unobserved future portion”（引言第2页）。作者声称，他们的未来评分校正（FC）方法通过条件期望填补了删失后的未来评分，从而“recovers pairwise information beyond that provided by inverse censoring weights alone”（摘要）。这使得本文成为“显然的下一步”：在IPCW的基础上，利用观测历史进一步提高效率。
哪些竞争路线被他淡化或回避了？ 作者在引言中提到了Liu et al. (2026a,b) 和 Li et al. (2026) 等使用条件概率或增广加权的方法，但将其描述为“primarily framed around fixed-horizon win summaries or endpoint-level missingness”（引言第2页），暗示它们不适用于本文关注的“随时间累积的配对比较”这一目标。作者淡化了这些方法在概念上的相似性（都是利用条件期望恢复信息），并强调自己的方法针对的是一个不同的、更复杂的完整数据目标（积分残差过程）。
什么明显该被引 / 该存在、却没出现在 intro 里？ 未见明显缺失的关键引用。该领域的核心工作（Pocock, Mao, Dong等）都已覆盖。

张力¶

未见明显对立引用。各工作之间是互补和递进的关系，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, j: 个体下标。
- A_i ∈ {0, 1}: 个体 i 的处理分配（1=处理，0=对照）。
- X_i ∈ R^p: 个体 i 的基线协变量向量。
- t_ℓ, ℓ = 0, ..., M: 分析时间网格点，t_0 = 0, t_M = τ。
- W_ij^∘(t) ∈ {0, 1}: 在时间 t，有序对 (i, j) 的“完整数据”赢过程。若 i 赢则=1，否则=0。
- R_ij^∘(t) ∈ {0, 1}: 在时间 t，有序对 (i, j) 的“完整数据”确定过程。若根据优先级规则能确定赢家则=1，否则=0。
- β ∈ R^{p+1}: 回归系数向量（包含截距 α 和斜率 γ）。
- ˜X_ij = (1, X_i - X_j)^T: 有序对的协变量差异。
- expit(x) = 1/(1+e^{-x}): logistic函数。
- e_0(X) = P(A=1|X): 倾向性评分。
- C_i: 个体 i 的删失时间。
- G_ij,ℓ: 有序对 (i, j) 在时间 t_ℓ 之前都未被删失的概率。
- Φ_ij,ℓ(β): 未来评分投影，即给定观测历史后，删失发生前未观测到的未来配对分数的条件期望。
- m_0(x_1, x_0; β): 基线结局回归，即给定协变量和处理后，完整数据配对分数的条件期望。
模型：
- 数据生成机制：个体独立同分布。每个个体有潜在结局时间 T_iv(a)（第 v 个优先级结局）和潜在删失时间 C_i(a)。观测到的结局和删失时间由实际处理 A_i 决定。
- 统计模型：核心模型是比例赢分数模型的变体。它假设，在给定协变量差异 ˜X_ij 且配对比较有结果（R_ij^∘(t)=1）的条件下，个体 i 赢的概率由logistic模型给出： P{W_ij^∘(t) = 1 | R_ij^∘(t) = 1, X_i, X_j} = expit{β^T ˜X_ij}。这个模型的关键是系数 β 不随时间 t 变化，即“时间恒定logit”假设。
- 已知/未知：β 是待估参数。e_0, G_0, Φ_0, m_0 是未知的 nuisance 函数，需要估计。
可观测数据：
- 可观测：每个个体的 A_i, X_i，以及在删失前观测到的各时间点的结局事件指示（是否死亡、是否住院）和删失事件指示。
- 不可观测：删失后发生的结局事件（即潜在结局 T_iv(a) 中发生在删失之后的部分）。W_ij^∘(t) 和 R_ij^∘(t) 在删失后无法完全观测。

第二步：讲最小内核¶

最简特例：删失只发生在最后一个时间区间，且只有一个协变量（无截距）。

设定：假设只有两个时间点 t_0=0 和 t_1=τ（即 M=1）。删失只可能发生在 t_1 时刻，且只影响区间 (t_0, t_1] 的结局观测。协变量 X 是一维的，模型为 P(i赢|有结果, X_i, X_j) = expit{β (X_i - X_j)}（无截距）。
完整数据目标：完整数据配对分数为 φ_ij^∘(β) = ω_{ij}^{1,0} (X_i - X_j) * τ * [W_ij^∘(τ) - R_ij^∘(τ) * expit{β (X_i - X_j)}]。目标 β_0 满足 E[φ_12^∘(β_0)] = 0。
删失问题：如果一对 (i, j) 中至少有一人在 t_1 前被删失，则 W_ij^∘(τ) 和 R_ij^∘(τ) 无法观测，φ_ij^∘(β) 无法计算。
IPCW方法：IPCW 的做法是，只使用那些在 t_1 时都未被删失的配对，并用 1/G_ij,1 加权，以恢复无偏性。这丢弃了那些在 t_1 前被删失的配对的所有信息。
未来评分校正（FC）的核心思路：对于在 t_1 前被删失的配对，我们虽然不知道 W_ij^∘(τ) 和 R_ij^∘(τ)，但我们知道它们在 t_0 到删失时刻 C 之间的历史。FC 方法用这个历史来“预测”删失后的配对分数。具体来说，它用 Φ_ij,0(β) = E[τ * (X_i - X_j) * {W_ij^∘(τ) - R_ij^∘(τ) * expit(β (X_i - X_j))} | H_ij^+] 来替代缺失的 φ_ij^∘(β)。这里 H_ij^+ 是删失发生前的观测历史。
为什么这能恢复信息？ 假设一个配对在 t_1 前被删失，但根据其历史（例如，i 在删失前已经死亡，而 j 还活着），我们可以很有把握地推断，如果观测到 t_1，i 会赢。FC 方法通过 Φ 捕捉到了这种确定性，从而为这个被删失的配对贡献了一个非零的分数，而 IPCW 则完全忽略了它。如果历史信息不足以确定未来，Φ 会给出一个介于0和1之间的概率加权分数，这仍然比完全丢弃要好。
结论：在这个最简例子中，本文的核心思想是：当删失阻止了最终比较时，不要丢弃这个配对，而是用其观测历史来“最佳猜测”删失后的比较结果，从而恢复信息。 这个“最佳猜测”就是未来评分投影 Φ。整个论文的复杂之处在于将这个思想推广到多个时间点、多个协变量、并同时处理混杂。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在观察性研究中，针对优先复合结局的赢比回归问题，提出了一种新的估计框架，以同时处理基线混杂和右删失，并提高效率。
核心工具/方法：核心工具是“未来评分校正”（FC），即用删失前观测历史的条件期望来替代删失后未观测到的配对比较分数。结合倾向性评分加权和基线结局增强，构建了双重稳健的增广逆概率加权（AIPW-FC）估计方程。
主要结论：AIPW-FC 估计量在标准正则条件下是渐近正态且半参有效的。模拟显示，未来评分校正带来的效率增益随删失率增加而增大（65%删失时相对效率达1.50），且覆盖接近名义水平。

关键设定与假设¶

完整数据目标：定义了一个时间恒定的logit估计量 β_0，它是完整数据配对分数 φ_ij^∘(β) 的根。这个分数是对配对残差过程 M_ij^∘(t; β) 在时间上的积分。如果比例赢分数假设成立，β_0 就是该模型的系数；否则，它是对整个随访期间配对赢优势的一个加权平均总结。
关键假设：
- Assumption B.1 (Consistency and No Interference)：一致性（观测结局等于潜在结局）和无干扰（SUTVA）。
- Assumption B.3 (Sequentially Independent Censoring)：序贯独立删失。给定观测历史，删失与未来的完整结局路径独立。这是未来评分校正可识别的基础。
- Assumption B.4 (Censoring Positivity)：删失正性。在观测历史支撑上，删失生存概率有正下界。
- Assumption B.6 (Treatment Exchangeability and Positivity)：处理可交换性（无未测量混杂）和正性。给定 X，处理分配与潜在结局和删失独立。
相比已有文献的放宽/强化：相比IPCW方法（Dong et al., 2020），本文的FC方法在序贯独立删失假设下，能利用更多信息（观测历史），从而在理论上更高效。相比Liu et al. (2026a,b) 等针对固定时间窗或端点级缺失的方法，本文的目标是一个随时间累积的配对比较过程，设定更一般。

主要结果¶

Theorem 3.1 (Censoring Double Robustness)：未来评分校正后的分数 S_ij^FC 的期望等于完整数据分数 S_ij^∘ 的期望，只要要么删失生存模型 G 正确，要么未来评分投影 Φ 正确。这保证了在删失处理上的双重稳健性。
Theorem 3.2 (Double Robustness)：AIPW-FC 的核函数 K_ij 的期望在真实参数 β_0 处为零，只要要么倾向性评分 e 正确且（G 或 Φ 正确），要么基线结局回归 m 正确且（G 或 Φ 正确）。这保证了在处理分配和删失机制上的双重稳健性。Neyman 正交性成立，nuisance 估计的误差是二阶的。
Theorem 4.3 (Asymptotic Linearity and Normality)：在交叉拟合和 nuisance 估计满足乘积率条件（∥ˆe-e_0∥∥ˆm-m_0∥ = o_p(n^{-1/2}), ∥ˆG-G_0∥∥ˆΦ-Φ_0∥ = o_p(n^{-1/2})）下，√n(ˆβ-β_0) 是渐近线性的，其影响函数是有效影响函数 D_β^eff，因此渐近正态。
Corollary 4.5 (Semiparametric Efficiency)：AIPW-FC 估计量是正则且渐近线性的，其渐近方差达到半参有效界 Σ_β^eff。这意味着在给定的非参数观测数据模型下，没有其他正则估计量能有更小的渐近方差。

证明路线与技术技巧¶

整体路线：
1. 定义完整数据目标：首先定义一个基于积分残差过程的完整数据估计量 β_0。
2. 构造观测数据分数：通过未来评分校正（FC）处理删失，通过增广逆概率加权（AIPW）处理混杂，构造出观测数据核函数 K_ij，使其期望与完整数据目标一致。
3. 建立双重稳健性：证明 K_ij 的期望在 β_0 处为零，只要处理或删失的 nuisance 模型之一正确。这是通过条件期望和鞅理论实现的。
4. U-统计量推断：由于 K_ij 是配对比较的，估计方程 ˆU_n(β) 是一个二阶U-统计量。利用U-统计量理论（Hoeffding分解）和交叉拟合技术，建立估计量的渐近性质。
5. 推导有效影响函数：在非参数模型下，计算 β_0 作为矩泛函根的有效影响函数，并证明所提估计量的影响函数与之相等，从而证明半参有效性。
关键跳跃点：
- 未来评分校正的构造（式3.1）：这是最核心的跳跃。作者巧妙地利用逆删失的“望远镜恒等式”（telescoping identity），将未来评分投影 Φ 与删失鞅 dM_ij,ℓ^C 结合起来，构造出一个期望等于完整数据分数的观测数据分数。这个构造是证明删失双重稳健性的关键。
- 双重稳健性的证明（Theorem 3.1 & 3.2）：证明过程需要精细地处理条件期望和鞅。特别是 Theorem 3.1 的第二部分（Φ 正确时），作者通过一个巧妙的递归论证，展示了即使 G 错误，期望也能被正确恢复。Theorem 3.2 的证明则依赖于将 K_ij 的条件期望分解为倾向性评分比和条件均值差，然后分别处理。
- U-统计量渐近理论（Theorem 4.3）：将交叉拟合的U-统计量估计方程与“神谕”（oracle）U-统计量联系起来，并证明两者之差是 o_p(n^{-1/2})。这需要处理交叉拟合带来的依赖性和 nuisance 估计误差的乘积率条件。
技术技巧点名：
- U-过程理论：用于建立U-统计量估计方程的一致性和渐近正态性。
- 交叉拟合（Cross-fitting）：用于打破 nuisance 估计与主估计之间的依赖，使得U-统计量的渐近理论可以应用。
- Hoeffding分解：用于将U-统计量分解为独立和项（一阶投影）和退化U-统计量，从而得到渐近线性表示。
- 鞅理论：用于处理删失过程，构造未来评分校正项，并证明其期望性质。
- 有效影响函数（Efficient Influence Function）：用于推导半参有效界，并证明所提估计量达到该界。
- Neyman正交性：用于证明 nuisance 估计误差对目标参数估计的影响是二阶的，从而允许使用灵活的机器学习方法估计 nuisance 函数。

真实例子与应用¶

数据：OneFlorida 电子健康记录（EHR）数据，来自乳腺癌患者队列（Yang et al., 2025）。
场景：比较在乳腺癌手术后90天内启动辅助化疗（A=1）与未启动（A=0）的患者，在优先复合结局（死亡优先于住院）上的表现。
方法应用：将本文提出的四种估计量（IPW, IPW-FC, AIPW, AIPW-FC）应用于该数据，随访1年、2年、3年。nuisance 模型（倾向性评分、删失、状态转移）通过交叉拟合进行估计。
结果：
- 处理效应（化疗 vs. 对照）的系数估计值在所有方法中相似，且所有置信区间都包含零，表明没有明确的处理效应。
- 虚弱指数（frailty）越高，在优先比较中被“偏爱”的几率越低（系数为负，置信区间不包含零）。
- 核心发现：未来评分校正（FC）显著提高了效率。在3年随访时，AIPW-FC 相对于 AIPW 的相对效率（RE）达到1.48，标准误从0.21降至0.18。这表明FC方法成功地从被删失的配对中恢复了信息。
这个例子想说明什么：验证了方法在真实世界EHR数据中的可行性，并实证展示了未来评分校正带来的效率增益，尤其是在高删失率（3年时723/1262≈57%被删失）的情况下。

🔎 结论是否比证明窄¶

窄结论：Theorem 4.3 的渐近正态性依赖于 nuisance 估计的乘积率条件（∥ˆe-e_0∥∥ˆm-m_0∥ = o_p(n^{-1/2}) 等）。作者在附录中讨论了这些条件可以通过参数模型或特定非参数方法满足，但并未给出一个通用的、适用于所有机器学习方法的充分条件。因此，“AIPW-FC估计量是半参有效的”这一结论，严格来说，是在这些乘积率条件成立的前提下才被证明的。作者在正文中（第11页）写道：“These rate requirements are met, for example, when ˆe and ˆG are root-n consistent while ˆm and ˆΦ are consistent.” 这暗示了证明的严格性依赖于特定的收敛速度，而非任意一致的估计量。
泛化 claim：作者在摘要和引言中声称该方法适用于“观察性研究”，但模拟和真实例子都只处理了基线混杂（通过倾向性评分）。对于更复杂的时变混杂（time-varying confounding）或工具变量场景，该方法是否直接适用，论文并未证明或讨论。这是一个隐含的、比证明更宽的 claim。

四、开放问题¶

未来评分投影 Φ 的识别条件：本文假设序贯独立删失（Assumption B.3）来识别 Φ。如果删失依赖于未观测的预后因素（即信息删失），Φ 的识别将失败。扎根于：Assumption B.3 和 Theorem 3.1 的证明。一个开放问题是：在更弱的删失假设下（如工具变量删失），如何识别和估计 Φ？
计算复杂度：未来评分投影 Φ 的计算（式3.5）需要对每个配对和每个时间点进行状态空间上的递归求和。当状态空间很大或随访时间很长时，计算量可能非常大。扎根于：Section 3.3 中 ˆΦ_det 的定义。一个开放问题是：能否利用您熟悉的 U-统计量计算（treewidth / einsum）技术，来高效地计算或近似这个投影，特别是当状态转移模型具有某种图结构时？
时变处理：本文只考虑了基线处理（A_i 不随时间变化）。在观察性研究中，处理可能随时间变化（如用药依从性）。扎根于：全文设定，特别是 A_i 的定义。一个开放问题是：如何将未来评分校正的思想推广到时变处理场景，以估计动态处理效应？
更一般的纵向因果推断：本文的完整数据目标是一个积分残差过程，这本质上是一个随时间累积的“赢优势”。这个框架能否被推广到更一般的纵向因果推断问题，例如，估计一个随时间变化的处理对某个纵向标记的“平均效应”，其中“效应”的定义可以像赢比一样具有优先级？扎根于：Section 2.2 中完整数据分数 φ_ij^∘(β) 的定义。这是一个概念上的推广问题，需要重新定义“配对比较”和“赢”在一般纵向数据中的含义。

Maintained by 陈星宇 · Homepage · Source on GitHub