跳转至

Theoretical Properties of Covariate-Adaptive Randomization with a Diverging Number of Covariates

作者: Yuhang Tao, Li-Xin Zhang
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2608.13442

一、领域脉络与小综述

这个方向是什么

协变量自适应随机化（Covariate-Adaptive Randomization, CAR）是临床试验中一类重要的动态分配方案：受试者依序进入试验，分配概率根据已入组受试者的协变量平衡状况动态调整，目标是让治疗组与对照组在关键协变量上尽可能均衡。其根本统计问题是双重的：(i) 设计层面——如何构造分配规则使得指定协变量的不平衡度尽可能小；(ii) 推断层面——在 CAR 产生的非简单随机样本下，如何对平均处理效应（ATE）进行有效的估计与推断。该子方向的成熟度：低维固定协变量情形下，CAR 的理论（马尔可夫链遍历性、估计量渐近正态性、方差估计）已相当完备（Hu and Hu, 2012; Ma et al., 2024）；但协变量个数随样本量发散的高维情形几乎空白，本文是首批系统处理该问题的理论工作之一。

发展脉络（history）

奠基工作：分层随机化与最小化法的理论化。 Zelen (1974) 提出分层区组随机化（stratified block randomization），将受试者按协变量分层后在层内做区组随机，这是最早的 CAR 雏形。Taves (1974) 与 Pocock and Simon (1975) 提出最小化法（minimization），通过贪心规则使边际不平衡最小化，至今仍是临床试验中最常用的自适应分配方案之一。这些工作的共同特点是：分配规则直观、易实施，但缺乏严格的渐近理论。

主要进展：CAR 的马尔可夫链理论与推断方法。 Hu and Hu (2012) 建立了协变量自适应偏币设计（covariate-adaptive biased coin design）的马尔可夫链框架，证明了在固定维数下不平衡度量的遍历性，并给出了 ATE 估计的渐近正态性。这一工作为此后几乎所有 CAR 推断理论奠定了基础。Ma et al. (2024) 提出统一的 CAR 框架（即本文所称的 IE-CAR），通过特征映射 ϕ(X) 将各类 CAR 纳入同一体系，并证明了低维下不平衡度量的收敛速率。Zhang (2026) 提出另一族 CAR（即本文所称的 IR-CAR），在低维下证明了额外协变量的不平衡不劣于完全随机化（CR）。在推断方面，Bugni et al. (2018, 2019) 系统研究了分层随机化下的检验与置信区间，Shao et al. (2010)、Ye and Shao (2020) 研究了最小化法下的推断，Ma et al. (2020) 研究了回归调整下的推断。

当前 frontier：高维协变量与统一理论框架。 近年来的工作开始关注两个方向：(1) 将 CAR 从离散分层扩展到连续协变量（如基于马氏距离的分配）；(2) 将 CAR 与高维回归调整结合（Liu et al., 2023; Jiang et al., 2025）。但这些工作要么假设协变量维数固定，要么仅关注估计效率而非设计性质。本文的定位是：在协变量维数 p 和特征维数 q 均随 n 发散的情形下，系统建立 IE-CAR 与 IR-CAR 两类统一框架的理论性质，包括不平衡度量的收敛速率、额外协变量的渐近行为，以及 ATE 估计的渐近正态性与置信区间。

子线索聚类

这些被引文献大致落在三条子线索上：

  1. CAR 设计理论（本文的直接对话对象）：Zelen (1974)、Taves (1974)、Pocock and Simon (1975)、Hu and Hu (2012)、Ma et al. (2024)、Zhang (2026)。这条线关注分配规则本身的性质——不平衡度量的收敛速率、遍历性、平稳分布。低维理论已完备，高维是空白。

  2. CAR 下的统计推断：Shao et al. (2010)、Bugni et al. (2018, 2019)、Ye and Shao (2020)、Ma et al. (2020)、Liu et al. (2023)、Jiang et al. (2025)。这条线关注在 CAR 产生的样本下如何做有效的估计与检验。核心问题是：CAR 的"后验"不平衡如何影响估计量的方差？回归调整能否进一步提升效率？

  3. 高维统计工具（本文的技术支撑）：Wainwright (2019) 的高维概率不等式、Koltchinskii and Mendelson (2015) 与 Lecué and Mendelson (2017, 2018) 的小球方法（small-ball method）。这些工具用于处理高维协方差矩阵的谱范数界与经验过程的集中不等式。

这个方向在追问的核心问题

  1. 不平衡度量的收敛速率：给定特征维数 q 和样本量 n，CAR 能将指定协变量的不平衡度降到多小？在 q=o(n) 与 q=Ω(n) 两种 regime 下，速率是否不同？
  2. 额外协变量的代价：未纳入分配规则的协变量，其不平衡度是否至少不劣于 CR？在什么条件下能严格优于 CR？
  3. 推断的有效性：CAR 下 ATE 的差均值估计量是否渐近正态？方差如何估计？与 CR 相比，方差是更小还是更大？
  4. 高维带来的新现象：当 q 与 n 同阶时，是否存在相变（phase transition）？分配规则是否失效？

⚠️ 作者的 framing（这是作者的说法）

作者在引言中将缺口 frame 为："现有 CAR 理论主要关注低维固定协变量情形，而现代试验中可获得的协变量数量往往很大，甚至超过样本量。本文首次在协变量维数发散的框架下建立两类统一 CAR 程序的理论性质。" 作者强调其贡献有三：(i) 对 IE-CAR 建立了不平衡度量的收敛速率，显示 q=o(n) 时优于 CR、q=Ω(n) 时与 CR 同阶；(ii) 对 IR-CAR 证明了额外协变量的不平衡渐近等价于 CR，且无 shift problem；(iii) 基于这些性质推导了 ATE 估计的渐近正态性与有效置信区间。作者淡化的竞争路线：其一，通过回归调整（而非设计）来处理高维协变量（Liu et al., 2023; Jiang et al., 2025）——作者仅在引言末尾一句带过，未做深入比较；其二，贝叶斯自适应设计（如 Thompson sampling 类方法），完全未提及。值得注意的缺失：引言未引用任何关于"高维随机化推断"的近期工作（如 2023-2025 年关于 CAR 与高维回归结合的论文），也未讨论分配规则的"可解释性"或"可实施性"约束（如某些协变量不可实时测量）。

张力

未见明显对立引用。但存在一个微妙的张力：Ma et al. (2024) 的 IE-CAR 在低维下达到 O(1) 的不平衡度（即强遍历性），而 Zhang (2026) 的 IR-CAR 在低维下不平衡度为 O(n^{γ-1/2})（γ<1），即弱于 IE-CAR 但保证了额外协变量不劣于 CR。本文的高维结果延续了这一张力：IE-CAR 在 q=o(n) 时仍优于 CR，但 q=Ω(n) 时退化；IR-CAR 则始终不劣于 CR。这暗示"效率"与"稳健性"之间存在内在权衡，但作者未将此上升为一般性原理。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据

符号清单（逐个点名）：

记号 含义 类型
\(n\) 样本量（受试者总数） 指标
\(p\) 原始协变量维数 指标
\(q\) 特征映射后的维数（即 ϕ(X) 的维数） 指标
\(X_i \in \mathbb{R}^p\) 第 i 个受试者的协变量向量 随机变量（可观测）
\(T_i \in \{0,1\}\) 第 i 个受试者的处理分配 随机变量（可观测，由设计决定）
\(\pi \in (0,1)\) 目标处理比例 设计参数（已知）
\(\phi(X_i) \in \mathbb{R}^q\) 协变量的特征映射 已知函数（设计者选定）
\(\Lambda_n = \sum_{i=1}^n (T_i - \pi)\phi(X_i)\) 不平衡向量 随机向量（可观测）
\(\text{Imb}_n = \|\Lambda_n\|^2\) 不平衡度量 随机变量（可观测）
\(Y_i(1), Y_i(0)\) 潜在结果 潜在量（不可观测）
\(Y_i = T_i Y_i(1) + (1-T_i)Y_i(0)\) 观测结果 随机变量（可观测）
\(\tau = \mathbb{E}[Y_i(1) - Y_i(0)]\) 平均处理效应（ATE） 参数 / estimand
\(\hat{\tau} = \bar{Y}_1 - \bar{Y}_0\) 差均值估计量 估计量
\(\gamma \in (0,1)\) IR-CAR 的衰减参数 设计参数
\(\rho\) IE-CAR 的偏币概率 设计参数
\(\Sigma_{\phi\phi} = \mathbb{E}[\phi(X)\phi(X)^\top]\) 特征协方差矩阵 总体量（未知但可估）
\(\Pi_{\phi} Z\) Z 对 ϕ(X) 的线性投影（L²投影） 算子

模型（数据生成机制）：

  1. 协变量：\(X_1, \ldots, X_n \overset{\text{i.i.d.}}{\sim} P_X\)，其中 \(P_X\) 是 \(\mathbb{R}^p\) 上的分布（允许 p 随 n 发散）。
  2. 处理分配（CAR 的核心）：\(T_i\) 依序生成，\(T_i\) 的分布依赖于 \(\Lambda_{i-1}\) 和 \(X_i\)。具体地：
  3. IE-CAR（Ma et al., 2024）：\(P(T_i = 1 \mid \Lambda_{i-1}, X_i) = \rho\) 若 \(\Lambda_{i-1}^\top \phi(X_i) < 0\)，\(= 2\pi - \rho\) 若 \(\Lambda_{i-1}^\top \phi(X_i) > 0\)，\(= \pi\) 若 \(= 0\)。即：若当前不平衡方向与 ϕ(X_i) 同向，则降低分配概率；反向则提高。
  4. IR-CAR（Zhang, 2026）：\(P(T_i = 1 \mid \Lambda_{i-1}, X_i) = \ell\left(\frac{\Lambda_{i-1}^\top \phi(X_i)}{(i-1)^\gamma}\right)\)，其中 \(\ell\) 是非增函数，\(\ell(0) = \pi\)，\(\ell'(0) < 0\)。这里 \((i-1)^\gamma\) 是衰减因子，使得分配概率随 i 增大逐渐趋于 π。
  5. 潜在结果：\((Y_i(1), Y_i(0))\) 与 \(X_i\) 联合分布，但与 \(T_i\) 独立（给定 \(X_i\)）——即 CAR 的分配只依赖协变量，不依赖潜在结果。

可观测数据：\(\{(X_i, T_i, Y_i)\}_{i=1}^n\)。注意：\(\Lambda_i\) 可由 \(\{X_j, T_j\}_{j \le i}\) 递推计算，因此也是可观测的。不可观测：潜在结果 \(Y_i(1), Y_i(0)\) 的反事实值。

关键识别假设（本文隐含使用）： - 无未测量混杂（ignorability）：\(T_i \perp (Y_i(1), Y_i(0)) \mid X_i\)。由于 CAR 的分配概率只依赖 \(X_i\) 和过去的 \(\Lambda\)（而 \(\Lambda\) 是 \(X\) 的函数），该假设在 CAR 下自动满足。 - SUTVA：无干扰、无隐藏版本。 - 矩条件：\(\mathbb{E}[Y^2(a)] < \infty\)，\(\mathbb{E}[\|\phi(X)\|^\nu] \asymp q^{\nu/2}\)（ν ≥ 4），特征协方差矩阵的特征值有界。

第二步：最小内核

剥掉所有一般性设定后，本文的核心数学问题可以归结为：

一个依序更新的随机游走 \(\Lambda_n = \sum_{i=1}^n (T_i - \pi)\phi(X_i)\)，其中 \(T_i\) 的分布以"推向原点"的方式依赖于 \(\Lambda_{i-1}\)，问：\(\|\Lambda_n\|^2\) 以什么速率增长？

最简特例：\(q=1\)（单个特征）、\(\pi = 1/2\)、\(\phi(X_i) = X_i \in \mathbb{R}\)（标准正态）、IE-CAR 且 \(\rho\) 接近 \(1/2\)。

在这个特例下： - \(\Lambda_n = \sum_{i=1}^n (T_i - 1/2) X_i\)，是一个加权随机游走。 - 分配规则：若 \(\Lambda_{i-1} X_i < 0\)（即当前不平衡方向与 \(X_i\) 相反），则 \(P(T_i = 1) = \rho > 1/2\)，倾向于"纠正"不平衡；若 \(\Lambda_{i-1} X_i > 0\)，则 \(P(T_i = 1) = 1 - \rho < 1/2\)。 - 关键观察：\(T_i - 1/2\) 的符号与 \(\Lambda_{i-1} X_i\) 的符号相反的概率为 \(\rho\)。因此，\(\Lambda_n\) 的增量 \((T_i - 1/2)X_i\) 的条件期望为：

\[\mathbb{E}[(T_i - 1/2)X_i \mid \Lambda_{i-1}] = (\rho - 1/2) \cdot \mathbb{E}[|X_i| \mid \Lambda_{i-1}] \cdot \text{sign}(\Lambda_{i-1}) \approx -c \cdot \text{sign}(\Lambda_{i-1})\]
其中 \(c = (\rho - 1/2)\sqrt{2/\pi} > 0\)。

这就是一个"向原点漂移"的随机游走：当 \(\Lambda_{i-1} > 0\) 时，增量期望为负；当 \(\Lambda_{i-1} < 0\) 时，增量期望为正。这种漂移的强度与 \(|\Lambda_{i-1}|\) 无关（在 \(q=1\) 时），因此 \(\Lambda_n\) 是一个正 recurrent 的马尔可夫链，其平稳分布有界矩。于是 \(\mathbb{E}[\Lambda_n^2] = O(1)\)，远小于 CR 下的 \(\mathbb{E}[\Lambda_n^2] = n/4\)。

当 \(q\) 发散时，困难在哪里？

  • 漂移项变为 \(\mathbb{E}[(T_i - \pi)\Lambda_{i-1}^\top \phi(X_i) \mid \Lambda_{i-1}] \approx -c \|\Lambda_{i-1}\|^2 / \|\Lambda_{i-1}\| = -c\|\Lambda_{i-1}\|\)（因为 \(\Lambda_{i-1}^\top \phi(X_i)\) 的符号决定分配方向，其绝对值约为 \(\|\Lambda_{i-1}\|\)）。
  • 于是 \(\|\Lambda_i\|^2\) 的增量满足：
    \[\mathbb{E}[\|\Lambda_i\|^2 - \|\Lambda_{i-1}\|^2 \mid \Lambda_{i-1}] \approx -2c\|\Lambda_{i-1}\| + q\]
  • 平衡点：\(\|\Lambda_{i-1}\| \approx q/(2c)\)。当 \(\|\Lambda\|\) 小于此值时，方差项 \(q\) 主导，随机游走向外扩散；当 \(\|\Lambda\|\) 大于此值时，漂移项主导，向内拉回。
  • 因此 \(\|\Lambda_n\|^2\) 的稳态阶为 \(q^2\)（当 \(q = o(n)\) 时），而 CR 下为 \(nq\)。当 \(q = \Omega(n)\) 时，\(q^2 \asymp nq\)，CAR 的优势消失。

本文的核心定理（Theorem 3.1 和 4.1）就是在严格化上述直觉：证明 \(\mathbb{E}[\|\Lambda_n\|^2] = O(q^2)\)（当 \(q = o(n)\)）且 \(\Omega(q^2)\)，以及 \(q = \Omega(n)\) 时 \(\mathbb{E}[\|\Lambda_n\|^2] \asymp nq\)。证明的关键技术是构造一个合适的 Lyapunov 函数（\(\|\Lambda\|^r\) 的矩），利用漂移条件（drift condition）和鞅收敛定理来控制高阶矩。

为什么这个最小内核重要？ 因为它揭示了 CAR 在高维下的本质局限：当特征维数超过样本量时，任何基于有限样本的分配规则都无法有效控制不平衡度，CAR 退化为 CR。这是一个信息论下界，不是技术证明的缺陷。

三、这篇论文做了什么

三句话

① 研究了什么问题：在协变量维数 p 和特征维数 q 均随样本量 n 发散的高维设定下，建立两类统一 CAR 程序（IE-CAR 和 IR-CAR）的不平衡度量收敛速率，并据此推导 ATE 差均值估计量的渐近性质与置信区间。

② 核心工具/方法：高维概率不等式（矩条件 + 谱范数界）、马尔可夫链漂移条件（Lyapunov 函数方法）、鞅中心极限定理、以及协变量平衡的精细刻画（将不平衡度分解为漂移项与方差项）。

③ 主要结论：(i) IE-CAR 在 \(q=o(n)\) 时达到 \(\mathbb{E}[\|\Lambda_n\|^2] = O(q^2)\)（优于 CR 的 \(nq\)），\(q=\Omega(n)\) 时退化为 \(\asymp nq\)；(ii) IR-CAR 在 \(q=o(n^\gamma)\) 时达到 \(\mathbb{E}[\|\Lambda_n\|^2] = O(n^\gamma q)\)，且额外协变量的不平衡渐近等价于 CR（无 shift problem）；(iii) 基于这些性质，ATE 差均值估计量在适当条件下渐近正态，且方差不超过 CR 下的方差。

关键设定与假设

在第二节最小记号的基础上，本文的完整设定包括：

  • 特征映射：ϕ: ℝ^p → ℝ^q，允许 q 随 n 发散。特征可以是原始协变量（ϕ(X)=X，此时 q=p）、离散化后的哑变量、或交互项。相比低维文献的强化：允许 q 与 n 同阶甚至更高，但要求特征协方差矩阵 Σ_{ϕϕ} 的特征值有界（Assumption 3），这排除了特征高度共线的情形。
  • 矩条件（Assumption 2）：\(\mathbb{E}[\|\phi(X)\|^\nu] \asymp q^{\nu/2}\) 对所有 ν ≥ 4 成立，且所有一维投影的 4 阶矩有界。这等价于要求特征向量的"有效维数"为 q，没有少数方向主导。相比低维文献的强化：低维下只需 2 阶矩，高维下需要 4 阶矩来控制经验过程的集中性。
  • 分配规则：
  • IE-CAR：\(\rho \in (\pi, \min\{1, 2\pi\})\) 为固定偏币概率，不随 i 变化。
  • IR-CAR：\(\ell(x)\) 非增、\(\ell(0) = \pi\)、\(\ell'(0) < 0\)，且 \(|\ell(x) - \pi| \le \lambda_{\ell,1}(|x| \wedge 1)\)、\(|\ell(x) - \pi - \ell'(0)x| \le \lambda_{\ell,2}x^2\)。衰减因子 \((i-1)^{-\gamma}\) 控制分配概率向 π 收敛的速度。
  • 潜在结果（Assumption 4）：\(Y_i(a)\) 与 \(T_i\) 条件独立给定 \(X_i\)（无未测量混杂），且 \(\mathbb{E}[Y^2(a)] < \infty\)。相比低维文献的强化：允许 \(\mathbb{E}[Y(a)|X]\) 对 X 的依赖是任意的（非参数），但要求 \(\mathbb{E}[\|\phi(X)\|^2] \asymp q\) 以保证投影可识别。

主要结果

Theorem 3.1（IE-CAR 的不平衡度）： - 若 \(q = o(n)\)：\(\mathbb{E}[\|\Lambda_n\|^2] = O(q^2)\) 且 \(\Omega(q^2)\)。即不平衡度以 \(q^2\) 阶增长，远小于 CR 的 \(nq\) 阶。 - 若 \(q = \Omega(n)\)：\(\mathbb{E}[\|\Lambda_n\|^2] \asymp nq\)，与 CR 同阶，CAR 无优势。 - 直觉：当 q 较小时，漂移项 \(-c\|\Lambda\|\) 能有效控制随机游走；当 q 超过 n 时，每步的方差项 \(q\) 太大，漂移无法抵消。

Theorem 4.1（IR-CAR 的不平衡度）： - 若 \(q = o(n^\gamma)\)：\(\mathbb{E}[\|\Lambda_n\|^2] = O(n^\gamma q)\) 且 \(\Omega(n^\gamma q)\)。 - 若 \(q = \Omega(n)\)：\(\mathbb{E}[\|\Lambda_n\|^2] \asymp nq\)。 - 与 IE-CAR 的对比：IR-CAR 的收敛速率更慢（\(n^\gamma q\) vs \(q^2\)），但换来了额外协变量不劣于 CR 的保证。

Theorem 4.2（IR-CAR 下额外协变量的渐近行为）： - 对任意额外协变量 Z（未纳入 ϕ），\(\frac{1}{n}\sum_{i=1}^n (T_i - \pi)Z_i \xrightarrow{P} 0\)（弱大数律），且在适当条件下 \(\frac{1}{\sqrt{n}\tilde{\sigma}_Z}\sum_{i=1}^n (T_i - \pi)Z_i \xrightarrow{d} N(0,1)\)。 - 关键：渐近方差 \(\tilde{\sigma}^2_Z = \pi(1-\pi)\mathbb{E}[(Z - \Pi_\phi Z)^2]\)，即 Z 对 ϕ(X) 投影后的残差方差。这意味着：IR-CAR 下额外协变量的不平衡渐近等价于 CR，但方差更小（因为投影残差 ≤ 原始方差）。无 shift problem：即使分配比例 π ≠ 1/2，额外协变量的不平衡仍以 0 为中心。

Theorem 4.3 和 4.4（ATE 推断）： - \(\sqrt{n}(\hat{\tau} - \tau) \xrightarrow{d} N(0, \varsigma^2_{\tilde{Y}}(\pi) + \varsigma^2_{H\tilde{Y}})\)，其中 \(\varsigma^2_{\tilde{Y}}(\pi) = \tilde{\sigma}^2_{\tilde{Y}(1)}/\pi + \tilde{\sigma}^2_{\tilde{Y}(0)}/(1-\pi)\)，\(\varsigma^2_{H\tilde{Y}} = \mathbb{E}[(\Pi_\phi\{\tilde{Y}(1) - \tilde{Y}(0)\})^2]\)。 - 方差估计量一致，且 Wald 置信区间渐近有效。 - 关键结论：IR-CAR 下 ATE 估计的渐近方差 ≤ CR 下的方差，且严格小于当 ϕ(X) 能预测潜在结果差异时。IE-CAR 的推断：由于不平衡度可能不收敛（q=Ω(n) 时），IE-CAR 下差均值估计量的渐近分布可能不以 0 为中心，因此不推荐在 q=Ω(n) 时使用 IE-CAR 做推断。

证明路线与技术技巧

整体路线（以 Theorem 3.1 为例）：

  1. 构造 Lyapunov 函数：定义 \(V(\Lambda) = \|\Lambda\|^2\)，计算条件漂移：

    \[\mathbb{E}[\|\Lambda_{i}\|^2 - \|\Lambda_{i-1}\|^2 \mid \Lambda_{i-1}] \leq -c_1 \|\Lambda_{i-1}\| + c_2 q\]
    其中 \(c_1 = 2(\rho - \pi)\delta\kappa\)（来自 Lemma A.1 的漂移下界），\(c_2 = \mathbb{E}[\|\phi(X)\|^2] \asymp q\)。

  2. 漂移条件：当 \(\|\Lambda_{i-1}\| \gg q\) 时，漂移为负，Lyapunov 函数被拉回；当 \(\|\Lambda_{i-1}\| \ll q\) 时，方差项主导。这给出一个"平衡点" \(\|\Lambda\| \approx q/c_1\)。

  3. 矩控制：利用漂移条件证明 \(\mathbb{E}[\|\Lambda_i\|^r] = O(q^r)\) 对任意 \(r \ge 1\)（通过归纳和截断论证）。关键是用 Lemma A.1 的条件概率下界（Paley-Zygmund 不等式）来保证漂移项不会消失。

  4. 下界：通过构造鞅差序列并利用方差项的贡献，证明 \(\mathbb{E}[\|\Lambda_n\|^2] = \Omega(q^2)\)（当 \(q = o(n)\)）。下界的证明需要更精细的论证，因为需要排除"漂移项恰好抵消方差项"的退化情形。

关键技术技巧：

  • Paley-Zygmund 不等式（Lemma A.1）：用于证明 \(\Lambda_i^\top \phi(X_{i+1})\) 以正概率远离零，从而保证漂移项有下界。这是高维分析的核心——在低维下可以用密度假设，高维下需要矩条件。
  • 鞅差序列的中心极限定理（Theorem 4.2 和 4.3）：将 \(\sum (T_i - \pi)Z_i\) 分解为鞅差部分和可忽略的漂移部分，利用 Lindeberg 条件验证渐近正态性。
  • 谱范数集中不等式（Lemma C.3）：利用 Wainwright (2019) 的高维协方差矩阵估计结果，处理 \(\frac{1}{n}\Phi^\top\Phi\) 与 \(\Sigma_{\phi\phi}\) 的偏差。
  • Lyapunov 函数的矩方法：不是直接证明马尔可夫链的几何遍历性（这在 q 发散时不可行），而是通过漂移条件直接控制矩的阶，这足以导出不平衡度的收敛速率。

🔎 结论是否比证明窄

是，存在几处：

  1. Theorem 3.1 的"if and only if"性质：作者在引言中声称"当 \(q = \Omega(n)\) 时，IE-CAR 与 CR 同阶"，但定理只证明了上界 \(\mathbb{E}[\|\Lambda_n\|^2] = O(nq)\)，下界 \(\Omega(nq)\) 的证明依赖于额外的假设（如特征协方差矩阵的最小特征值有下界）。在正文中，作者仅在"假设 3"中要求非零特征值有下界，但未明确讨论零特征值的情形。值得查证：如果 \(\Sigma_{\phi\phi}\) 有零特征值（即特征存在线性冗余），下界是否仍然成立？

  2. Theorem 4.2 的"无 shift problem"：作者证明了 \(\frac{1}{n}\sum (T_i - \pi)Z_i \xrightarrow{P} 0\)，但这是在 \(q = o(n^\gamma)\) 的条件下。当 \(q\) 接近 \(n^\gamma\) 时，收敛速率可能极慢（对数因子），作者未给出有限样本界。值得查证：是否存在一个显式的 \(n\)-\(q\)-\(\gamma\) 依赖的 Berry-Esseen 型界？

  3. Theorem 4.3 的方差公式：作者给出的渐近方差 \(\varsigma^2_{\tilde{Y}}(\pi) + \varsigma^2_{H\tilde{Y}}\) 中，\(\varsigma^2_{H\tilde{Y}}\) 的估计需要估计 \(\Pi_\phi\{\tilde{Y}(1) - \tilde{Y}(0)\}\)，这在高维下需要正则化（如 Lasso）。作者在 Theorem 4.4 中证明了方差估计量的一致性，但未讨论正则化参数的选择。值得查证：方差估计对正则化参数的敏感性如何？是否存在一个数据自适应选择程序？

  4. IE-CAR 的推断缺失：作者明确表示"IE-CAR 在 \(q = \Omega(n)\) 时不推荐用于推断"，但未给出 IE-CAR 在 \(q = o(n)\) 时的推断理论。值得查证：IE-CAR 在 \(q = o(n)\) 时是否也能得到渐近正态性？如果可以，方差是否比 IR-CAR 更小？

四、开放问题

  1. IE-CAR 的推断理论：本文只对 IR-CAR 建立了 ATE 推断（Theorem 4.3-4.4）。IE-CAR 在 \(q = o(n)\) 时的不平衡度更小（\(q^2\) vs \(n^\gamma q\)），但其推断性质完全未知。扎根于：Table 3 中 IE-CAR 的"Additional Covariates"一栏标注为"Unavailable"。要确认这是否为真 gap，可查 Ma et al. (2024) 是否在低维下给出了 IE-CAR 的推断结果，以及其证明是否能在高维下推广。

  2. 最优 γ 的选择：IR-CAR 的衰减参数 γ 控制"效率-稳健性"权衡：γ 越小，指定特征平衡越好但额外协变量风险越大；γ 越大则反之。本文未讨论 γ 的数据自适应选择。扎根于：Theorem 4.1 中 γ 同时出现在收敛速率和额外协变量性质的条件中。要确认这是否为真 gap，可查 Zhang (2026) 是否讨论了 γ 的选择。

  3. 高维下的回归调整：本文只考虑了差均值估计量。在高维协变量下，回归调整（如 ANCOVA、Lasso 调整）能否进一步提升效率？扎根于：引言中提及"回归调整已被广泛采用以提升效率"但未深入。要确认这是否为真 gap，可查 Liu et al. (2023) 和 Jiang et al. (2025) 是否在高维 CAR 下考虑了回归调整。

  4. 非随机缺失与依从性：本文假设结果完全可观测。在实际临床试验中，失访和依从性问题普遍存在。扎根于：全文未讨论缺失数据或工具变量。要确认这是否为真 gap，可查近期 CAR 文献（如 2023-2025 年）是否处理了这些问题。

  5. 多臂与连续处理：本文只考虑二值处理。多臂试验（Hu et al., 2023）和连续剂量下的 CAR 理论在高维下完全空白。扎根于：引言仅提及"多臂 CAR 的低维理论已有研究"。要确认这是否为真 gap，可查 Hu et al. (2023) 是否给出了可推广的框架。

顺带提醒：要确认上述某条是否真是 gap，建议去读同一子领域近期约 5 篇论文的引言——如果多篇都指向同一个未解决问题，那很可能是共识性 gap；如果各篇说法不一，那可能只是本文作者的个人 framing。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论