跳转至

Transporting Trial Evidence Under Posterior Drift and Possible Hidden Confounding

作者: Xilin Mao, Bosen Cui, Yuhong Yang
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2608.17999

一、领域脉络与小综述

这个方向是什么

本文所处的子方向是因果推断中的"试验证据外推"（trial evidence transport），其根本科学问题是：当随机对照试验（RCT）的内部有效性有保障、但其参与者与目标人群存在系统性差异时，如何利用观察性研究（OS）的信息，在目标人群中估计平均处理效应（ATE）。该方向的核心张力在于：RCT 提供无混杂的因果锚点但外推性差，OS 更贴近目标人群但可能受隐藏混杂污染。本文的独特定位是同时处理两个偏差源——跨人群的条件效应漂移（posterior drift）与 OS 内部的隐藏混杂——而现有文献通常只处理其中之一。

发展脉络

  • 奠基工作：可迁移性的形式化框架。 Pearl and Bareinboim (2011) 引入"选择图"（selection diagrams）来形式化刻画跨环境迁移所需的条件，奠定了 transportability 的理论语言。这是本文 Assumption 1 中"条件效应可迁移性"假设的直接源头。
  • 主要进展：RCT 外推的统计方法体系。 Dahabreh et al. (2018, 2019, 2020, 2021) 系统发展了从 RCT 向目标人群外推的加权法、结果建模法和双稳健估计量，区分了嵌套与非嵌套设计。Degtiar and Rose (2023) 与 Colnet et al. (2024) 的综述表明该领域已形成成熟的方法工具箱，但几乎都依赖"条件效应可迁移"这一强假设。
  • 关键转折：允许漂移的建模。 Wu et al. (2025) 和 Maity et al. (2024) 开始放松精确可迁移性，引入"漂移"概念——允许跨人群的条件效应存在系统性差异，但通常假设漂移结构已知或可识别。Cai and Wei (2021) 与 Cai and Pu (2024) 在迁移学习框架下研究了 posterior drift 的 minimax 最优率，为本文的非参数漂移处理提供了理论工具。
  • 并行线索：隐藏混杂的稳健推断。 Kallus and Zhou (2021) 提出在观察性数据中通过 marginal sensitivity model 处理未观测混杂的 minimax 策略学习方法；Dorn et al. (2025) 进一步发展了双稳健/双尖锐的敏感性分析。这些工作处理的是单一数据源内的隐藏混杂，不涉及跨源漂移。
  • 本文的位置： 作者将上述两条线索——跨源漂移（Wu et al. 2025; Maity et al. 2024）与隐藏混杂的 minimax 稳健化（Kallus and Zhou 2021; Dorn et al. 2025）——首次结合，提出一个统一框架：以 RCT 为锚点估计漂移，同时用 Rosenbaum 型不确定性集覆盖 OS 的隐藏混杂。这是引言中明确声称的 gap："they do not directly handle estimation of an observational target-population ATE when cross-source posterior drift is unknown and the OS treatment assignment may be hidden-confounded."

子线索聚类

  1. Transportability / Generalizability 理论（Pearl & Bareinboim 2011; Dahabreh et al. 2018–2024; Degtiar & Rose 2023; Colnet et al. 2024）：核心问题是"什么条件下可以外推、如何估计"，主流假设是条件可迁移性。
  2. Posterior drift / Transfer learning（Cai & Wei 2021; Cai & Pu 2024; Maity et al. 2024; Wu et al. 2025）：允许源与目标的条件分布存在漂移，研究漂移可估计时的 minimax 最优率与自适应过程。
  3. 隐藏混杂的稳健/敏感性分析（Kallus & Zhou 2021; Sahoo et al. 2022; Dorn et al. 2025）：通过 marginal sensitivity model 或不确定性集刻画未观测混杂的影响，追求最坏情况下的最优决策或推断。
  4. RCT + OS 数据融合（Yang & Ding 2020; Colnet et al. 2024; Gao et al. 2025; Yang et al. 2026; Li et al. 2020）：利用 OS 提升 RCT 的效率或外推性，但通常假设 OS 无隐藏混杂或漂移结构已知。

这个方向在追问的核心问题

  1. 识别：在漂移和隐藏混杂同时存在时，目标人群 ATE 是否可识别？需要什么假设？
  2. 估计与效率：如何构造结合 RCT 锚点与 OS 信息的估计量？其收敛速率与半参数效率界是什么？
  3. 稳健性：当漂移结构或混杂程度不确定时，如何保证估计的可靠性？敏感性参数如何校准？
  4. 适应性：漂移的复杂度（线性、参数、非参数）未知时，如何自适应选择模型复杂度？

⚠️ 作者的 framing

作者将缺口 frame 为："现有方法要么假设精确可迁移性（脆弱），要么只处理单一数据源的隐藏混杂，没有方法能同时允许跨源漂移和 OS 隐藏混杂。" 因此本文的贡献被定位为"显然的下一步"：将漂移视为未知对象并用 minimax 准则估计，同时用敏感性参数覆盖混杂。作者淡化的竞争路线包括：(a) 完全依赖 OS 的敏感性分析（如 Kallus & Zhou 2021），认为其缺乏 RCT 锚点；(b) 精确可迁移性假设下的高效估计（如 Dahabreh et al. 2020），认为其假设过强。值得注意：引言中未提及的潜在相关工作包括基于工具变量或代理变量的隐藏混杂校正方法（如 proximal causal inference），以及贝叶斯敏感性分析框架——这些是否构成真正的竞争，需要研究者自行查证。

张力

未见明显对立引用。但存在一个隐含张力：Kallus and Zhou (2021) 的 marginal sensitivity model 假设混杂强度由单一参数 Γ 控制，而本文直接借用这一框架；然而本文的漂移估计本身可能受 OS 混杂影响，作者通过 minimax 准则规避了这一点，但代价是估计量的保守性——这一 trade-off 在文中未被显式讨论。

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
\(X \in \mathcal{X} \subset \mathbb{R}^d\) 预处理协变量 可观测随机变量
\(A \in \{0,1\}\) 二值处理 可观测随机变量
\(Y\) 结果 可观测随机变量
\(G \in \{0,1\}\) 数据来源指示：\(G=1\) 为 RCT，\(G=0\) 为 OS 可观测随机变量
\(Y(0), Y(1)\) 潜在结果 不可观测（反事实）
\(q := P(G=1)\) RCT 在混合总体中的占比 常数（可估计）
\(e_g(x) := P(A=1 \mid X=x, G=g)\) 来源 \(g\) 的倾向得分 可估计函数
\(\pi(x) := P(G=1 \mid X=x)\) 采样得分（属于 RCT 的概率） 可估计函数
\(\mu_a(x) := E[Y(a) \mid X=x, G=1]\) RCT 条件潜在结果均值 可估计函数
\(\tilde{\mu}_a(x) := E[Y(a) \mid X=x, G=0]\) OS 条件潜在结果均值 不可直接识别（因混杂）
\(\Delta(x) := \mu_1(x) - \mu_0(x)\) RCT 条件平均处理效应 可估计函数
\(\tilde{\Delta}(x) := \tilde{\mu}_1(x) - \tilde{\mu}_0(x)\) OS 条件平均处理效应 目标量的一部分
\(\tau := E[Y(1) - Y(0) \mid G=0]\) 目标人群（OS）平均处理效应 目标 estimand
\(\alpha, \beta\) 漂移参数（线性模型） 未知参数
\(\gamma := \beta - \alpha\) 漂移系数（CATE 漂移） 未知参数
\(\Gamma \geq 1\) 敏感性参数（Rosenbaum 型） 用户指定
\(r_a(x)\) 潜在结果方差比（RCT/OS） 辅助函数
\(\omega_a(x)\) 组合权重函数 辅助函数

模型（数据生成机制）：

  1. RCT 内部有效性（Assumption 1）：\(A \perp\!\!\!\perp \{Y(0), Y(1)\} \mid X, G=1\)，且 \(0 < e_1(x) < 1\)。这意味着 RCT 中 \(\mu_a(x) = E[Y \mid X=x, A=a, G=1]\) 可直接估计。

  2. 线性后验漂移（Assumption 2）：

    \[\tilde{\mu}_0(X) = \mu_0(X) + \alpha^\top X, \quad \tilde{\mu}_1(X) = \mu_1(X) + \beta^\top X\]
    因此 \(\tilde{\Delta}(X) = \Delta(X) + \gamma^\top X\)，其中 \(\gamma = \beta - \alpha\)。

  3. OS 隐藏混杂（Rosenbaum 型敏感性模型）：OS 的倾向得分 \(e_0(x)\) 可能偏离真实（含隐藏混杂的）倾向得分，偏差由 \(\Gamma\) 控制。具体地，真实广义倾向得分 \(\tilde{e}_0(x, y(0), y(1))\) 与观测倾向得分 \(e_0(x)\) 满足 odds ratio 界：

    \[\Gamma^{-1} \leq \frac{\tilde{e}_0(x, y(0), y(1)) / (1 - \tilde{e}_0(x, y(0), y(1)))}{e_0(x) / (1 - e_0(x))} \leq \Gamma\]

可观测数据：\(\{(X_i, A_i, Y_i, G_i)\}_{i=1}^{N_{\text{tot}}}\)，其中 RCT 样本量为 \(2n\)，OS 样本量为 \(2\tilde{n}\)。注意：潜在结果 \(Y(0), Y(1)\) 不可观测，OS 的 \(\tilde{\mu}_a(x)\) 因混杂不可直接识别。

第二步：最小内核

核心问题：在 RCT 内部有效但外推性差、OS 贴近目标人群但可能混杂的情况下，如何估计 \(\tau = E[\tilde{\Delta}(X) \mid G=0]\)？

最小内核（线性漂移 + 已知 \(\gamma\) + 无 OS 混杂）：

假设 \(\gamma\) 已知，且 OS 无隐藏混杂（即 \(\Gamma = 1\)）。此时：

\[\tau = E[\Delta(X) + \gamma^\top X \mid G=0]\]

其中 \(\Delta(X)\) 可从 RCT 估计，\(X\) 的分布可从 OS 估计。估计量为：

\[\hat{\tau} = \frac{1}{\tilde{n}} \sum_{i: G_i=0} \left[ \hat{\Delta}(X_i) + \gamma^\top X_i \right]\]

其中 \(\hat{\Delta}(x) = \hat{\mu}_1(x) - \hat{\mu}_0(x)\) 是 RCT 中估计的 CATE。

为什么这个内核是"最小"的：它剥离了三个复杂层——(i) \(\gamma\) 未知需要估计；(ii) OS 隐藏混杂需要 minimax 稳健化；(iii) 漂移函数可能非线性需要非参数处理。但即使在这个最简情形下，核心困难已经出现：\(\hat{\Delta}(X_i)\) 的估计误差会通过 OS 协变量分布传播到 \(\hat{\tau}\)，且 RCT 与 OS 的协变量分布差异越大，外推方差越大。

完整论文的"加壳"过程： - 壳 1：\(\gamma\) 未知 → 用 minimax 准则在 Rosenbaum 不确定性集上估计（第 4 节）； - 壳 2：OS 隐藏混杂 → 引入 \(\Gamma\) 敏感性参数，构造最坏情况风险； - 壳 3：线性漂移 → 推广到参数族（第 4.1 节）和非参数 Hölder 类（第 4.2 节）。

三、这篇论文做了什么

三句话

  1. 研究问题：在 RCT 与 OS 并存时，当条件效应可迁移性失效（存在 posterior drift）且 OS 可能存在隐藏混杂，如何稳健地估计目标人群（OS 总体）的平均处理效应 \(\tau\)。
  2. 核心方法：将漂移视为未知对象，以 RCT 的 CATE 为锚点，通过 Rosenbaum 型不确定性集（由敏感性参数 \(\Gamma\) 控制）覆盖 OS 的隐藏混杂，用 minimax 最坏情况风险准则估计漂移参数并构造 ATE 估计量。
  3. 主要结论：在辅助（oracle）情形下推导了半参数效率界；对未知漂移建立了均匀收敛与近最优性保证（定理 3、推论 1）；模拟与 ACTG 175–WIHS 实例表明，忽略漂移或混杂会高估效应，而适当校准 \(\Gamma\) 的稳健估计更谨慎且可解释。

关键设定与假设

  • Assumption 1（RCT 内部有效性）：\(A \perp\!\!\!\perp \{Y(0), Y(1)\} \mid X, G=1\)；\(0 < e_1(x) < 1\)。这是 RCT 作为"锚点"的基础，比精确可迁移性弱得多。
  • Assumption 2（线性后验漂移）：\(\tilde{\mu}_a(X) = \mu_a(X) + \text{（线性项）}\)。这是工作模型，第 4.2 节放宽到非参数。
  • Assumption 3（OS 无混杂，仅辅助）：只在第 3 节使用，用于建立效率基准；第 4 节起不再需要。
  • Assumption 4（技术条件）：包括协变量有界支撑、倾向得分有界远离 0/1、第一阶段估计量（\(\hat{\Delta}\)）的收敛速率、以及 \(\Delta\) 和 \(\hat{\Delta}\) 的一致有界性。这些条件保证了 uniform concentration 论证的可行性。

相比已有工作的放宽/强化： - 放宽：不要求精确 CATE 可迁移性（对比 Dahabreh et al. 2021 等）；不要求 OS 无隐藏混杂（对比 Yang & Ding 2020 等）。 - 强化：要求漂移结构可估计（线性或 Hölder 类）；要求 RCT 与 OS 的协变量支撑有重叠（否则外推无信息）。

主要结果

定理 1（EIF）：在已知漂移 + OS 无混杂的辅助情形下，推导了 \(\tau\) 的高效影响函数 \(\phi_I\) 和 \(\phi_{II}\)。\(\phi_I\) 仅用 RCT 锚点 + 漂移校正；\(\phi_{II}\) 额外利用 OS 无混杂信息。效率界 \(V^*_{II} \leq V^*_I\)，说明 OS 信息在无混杂时确实提升效率。

定理 2（\(\hat{\gamma}\) 的收敛性）：在 OS 无混杂 + 线性漂移下，基于三折样本分割的 \(\hat{\gamma}\) 满足 \(E\|\hat{\gamma} - \gamma\|^2 \leq \tilde{C} \bar{r}_{n,\tilde{n}} \sqrt{\log m}\)，其中 \(\bar{r}_{n,\tilde{n}} = \max\{r_n, \tilde{r}_{\tilde{n}}\}\) 是 RCT 和 OS 的 CATE 估计器的收敛速率。这量化了第一阶段误差向第二阶段漂移估计的传播。

定理 3（均匀收敛）：在隐藏混杂下，对任意 \(\|\eta\|_\infty \leq H\)，经验 minimax 目标 \(\hat{\bar{L}}'_{\tilde{n}}(\eta)\) 以概率 \(1-\delta\) 一致收敛到总体目标 \(\bar{L}(\eta)\)，速率为 \(O\left(\frac{1}{\sqrt{\tilde{n}}} \sqrt{\log(1/\delta)} + \frac{1}{\sqrt{n}} c(\delta)\right)\)。这里的难点在于：不确定性集 \(D'^\Gamma_{\tilde{n}}\) 是逐点定义的，sup 与期望的交换需要特殊的 chaining 论证。

推论 1（近最优性）：\(\bar{L}(\hat{\bar{\gamma}}') - \inf_{\|\eta\|_\infty \leq H} \bar{L}(\eta) \leq 2C \cdot \left(\frac{1}{\sqrt{\tilde{n}}} \sqrt{\log(1/\delta)} + \frac{1}{\sqrt{n}} c(\delta)\right)\)。即估计的漂移参数在总体最坏情况风险意义下是近最优的。

命题 4（识别）：\(E[Y^* \mid X=x, G=0] = \tilde{\Delta}(x)\)，其中 \(Y^*\) 是变换后的结果变量。这保证了即使 OS 有混杂，通过不确定性集上的 sup 操作，目标 CATE 仍在可识别范围内。

证明路线与技术技巧

整体路线（4 步）：

  1. 辅助分析建立基准：先在已知 \(\gamma\) + OS 无混杂的理想情形下推导 EIF 和效率界（定理 1），明确"最优可能"是什么。
  2. 漂移估计：在 OS 无混杂下，用三折样本分割估计 \(\gamma\)（定理 2），量化第一阶段误差传播。
  3. minimax 稳健化：引入 Rosenbaum 不确定性集 \(D^\Gamma_{\tilde{n}}\)，将漂移估计转化为 sup 形式的 minimax 问题。关键技巧是：内层 sup 有闭式解（命题 5 的证明），从而将无限维优化化为有限维问题。
  4. 均匀收敛论证：对经验过程 \(\{\hat{\bar{L}}'_{\tilde{n}}(\eta) - \bar{L}(\eta)\}_{\|\eta\|_\infty \leq H}\) 建立 uniform concentration。这里用到的是 Hölder 类的 metric entropy 界 和 chaining 不等式，而非简单的 Donsker 类论证——因为 sup 与期望的交换破坏了经验过程的线性结构。

关键跳跃点：

  • 跳跃 1（定理 1）：EIF 的推导需要同时处理 RCT 的随机化分布和 OS 的观测分布。作者通过"先对 RCT 求条件、再对 OS 求期望"的迭代期望策略，将两个数据源的贡献解耦。难点在于 \(\gamma^\top X\) 项的变分导数。
  • 跳跃 2（定理 2）：\(\hat{\gamma}\) 的误差界需要控制 \(\hat{\Delta}\) 与 \(\tilde{\Delta}\) 的差在 OS 分布下的积分。这里用到了 Cauchy-Schwarz 加支撑有界性 来将 \(L^2\) 误差转化为 \(L^\infty\) 误差，再结合第一阶段估计器的收敛速率。
  • 跳跃 3（定理 3）：最吃功夫的是 sup 与期望的交换。作者的处理方式是：先将 sup 离散化到 \(\eta\) 空间的一个 \(\epsilon\)-net 上，对每个 \(\eta\) 用 Bernstein 不等式，最后用 metric entropy 加总。这里的常数依赖 \(H\) 和 \(\Gamma\)，且 \(c(\delta)\) 来自第一阶段估计器的尾部概率。

技术技巧清单： - 高效影响函数（EIF）与半参数效率界 - 三折样本分割（nuisance / drift / target 分离） - Rosenbaum 型边际敏感性模型 - 经验过程理论中的 chaining 与 metric entropy - Hölder 类的逼近性质（spline sieve） - 闭式 sup 解（不确定性集的区间结构）

真实例子与应用

ACTG 175–WIHS 应用（第 6 节）：

  • 数据：ACTG 175 是 1991–1994 年开展的 HIV 随机对照试验，比较四种抗逆转录病毒方案（AZT 单药 vs. 含 ddI 或 ddC 的方案），共 2,467 名参与者，CD4 计数 200–500 cells/mm³。WIHS 是 1993 年起的前瞻性观察队列，本文使用 1994–1995 年访视、CD4 < 800 的女性参与者（n = 429）。
  • 目标：估计在 WIHS 女性人群中，"联合治疗 vs. AZT 单药"对 CD4 计数（约 6 个月后）的平均处理效应。
  • 关键步骤：
  • 可迁移性检验：使用 Armendariz and Huber (2026) 的双稳健检验，对三个 ACTG 参考样本（女性、男性、全体）均拒绝 \(H_0: \tilde{\Delta}(X) = \Delta(X)\)，说明精确可迁移性不成立。
  • 漂移建模：线性漂移基（含年龄、种族、体重、基线 CD4/CD8），\(H=1\)，\(\lambda_{\text{reg}}=0.2\)（线性）或 0.5（随机森林）。
  • 敏感性分析：在 \(\Gamma \in \{1.0, 1.2, 1.5, 2.0, 3.0, 5.0\}\) 下报告 \(\hat{\tau}\)。
  • 结果：
  • 基线（忽略漂移）估计：线性 nuisance 下 \(\hat{\tau} = 38.33\)（SE 16.01），随机森林下 36.12（SE 15.06）。
  • \(\Gamma = 1.0\)：线性 30.27（SE 16.56），随机森林 35.76（SE 15.01）。
  • \(\Gamma = 1.5\)：线性 22.51（SE 18.50），随机森林 33.22（SE 15.20）。
  • \(\Gamma = 3.0\)：线性 −0.69（SE 24.71），随机森林 25.67（SE 16.12）。
  • \(\Gamma = 5.0\)：线性 −30.74（SE 26.86），随机森林 15.01（SE 17.99）。
  • 解读：随着 \(\Gamma\) 增大（允许更强隐藏混杂），效应估计下降且方差增大。线性 nuisance 在 \(\Gamma \geq 3\) 时效应变为负值，而随机森林 nuisance 始终为正，说明 nuisance 模型选择对结论有实质影响。作者将此解读为"忽略漂移会高估效应，稳健分析更谨慎"。

🔎 结论是否比证明窄

  • 明确窄化的地方：
  • 定理 3 和推论 1 的证明是在已知 \(e_0(x)\) 的假设下完成的（第 4 节开头："we first assume \(e_0\) is known"），而实际应用中 \(e_0\) 需要估计。作者在命题 5 中处理了 \(e_0\) 未知的情形，但只给出了误差传播的界，没有证明最终的 \(\hat{\tau}\) 在 \(e_0\) 估计误差下仍达到近最优速率。
  • 非参数漂移（第 4.2 节）的定理 4 要求 Hölder 光滑度 \(\alpha\) 已知，且 sieve 维度 \(N\) 的选择依赖 \(\alpha\)。作者在讨论中承认自适应选择 \(N\) 是开放问题，但没有给出 Lepski 型自适应程序的收敛性证明。
  • 定理 2 的 \(\hat{\gamma}\) 收敛速率依赖于 RCT 和 OS 的 CATE 估计器满足 sub-Gaussian 尾概率，这在随机森林等黑箱估计器下难以验证。作者在模拟中使用了随机森林，但没有提供相应的理论保证。
  • 文中声称"handles general parametric and smooth nonparametric drift classes"，但定理 4 的证明只覆盖了 Hölder 类，没有覆盖 Besov 或 Sobolev 类，且 sieve 基限于张量积样条。

  • 第 6 节应用中的 \(\Gamma\) 校准是启发式的（"grid search"），没有给出数据驱动的 \(\Gamma\) 选择准则，也没有讨论 \(\Gamma\) 与偏差-方差权衡的理论性质。

  • 结论与证明的匹配度：核心结论（minimax 近最优性、均匀收敛）在已知 \(e_0\) + 线性漂移的设定下是严格证明的；在 \(e_0\) 未知、非参数漂移、自适应选择等更实际的情形下，结论是部分证明 + 部分启发式。作者在结论部分也承认"adaptive choice of drift structure"是未来工作。

四、开放问题

以下开放问题均扎根于文中具体语句，供研究者自行判断价值与可行性：

  1. \(e_0\) 未知时的完整理论（扎根于第 4 节开头"we first assume \(e_0\) is known"及命题 5 的有限样本界）：当 \(e_0\) 需要从 OS 数据估计时，\(\hat{\tau}\) 的收敛速率是否仍能达到 \(V^*_{II}\) 对应的效率界？估计 \(e_0\) 的误差与估计 \(\gamma\) 的误差如何交互？这需要将命题 5 的误差传播分析与定理 3 的 uniform concentration 结合，可能涉及 double robustness 的高阶展开。

  2. 自适应漂移复杂度选择（扎根于第 4.2 节及结论段"adaptive choice of drift structure"）：当漂移的光滑度 \(\alpha\) 未知时，如何自适应选择 sieve 维度 \(N\)？Lepski 型程序在此 minimax 框架下是否仍能达到对数因子的最优率？这需要将 Lepski 自适应 与 不确定性集上的 sup 风险 结合，可能涉及 modulus of continuity 的估计。

  3. \(\Gamma\) 的数据驱动校准（扎根于第 6 节"grid search"）：如何从数据中选择敏感性参数 \(\Gamma\)？是否存在类似 置信区间覆盖频率 的准则来校准 \(\Gamma\)？这需要将 部分识别 与 决策理论 结合，可能涉及 ambiguity aversion 或 minimax regret 准则。

  4. 非线性漂移的检验（扎根于第 6.2 节 transportability test）：文中使用 Armendariz and Huber (2026) 检验精确可迁移性，但拒绝后如何检验"线性漂移是否充分"？这需要开发 漂移模型的规格检验，可能涉及 广义似然比 或 非参数拟合优度检验 在双样本设定下的推广。

  5. 纵向/时序设定的扩展（扎根于结论段"extensions to longitudinal or multi-source settings"）：当 RCT 和 OS 均为纵向数据时，漂移可能随时间变化，隐藏混杂也可能具有时变结构。这需要将 marginal sensitivity model 扩展到 时序因果框架，可能涉及 sequential ignorability 的松弛。

  6. 多源数据融合（扎根于结论段"multi-source settings"及 Yang et al. 2026 的引用）：当存在多个 OS 源且各自混杂程度不同时，如何自适应加权？这需要将 federated learning 与 minimax 稳健估计 结合，可能涉及 distributionally robust optimization 在多源设定下的推广。

确认 gap 的建议：若想验证某条是否为真 gap，建议检索近 2–3 年（2024–2026）以下关键词的组合：posterior drift + unmeasured confounding、transportability + sensitivity analysis、trial generalizability + minimax。若多篇近期论文的引言都指向同一缺口，则为共识性 gap；若互相矛盾，则可能是机会所在。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论