跳转至

Causal Survival Forests with Negative Controls

作者: Zijun Gao, Kyoungeui Hong, Leyi Ma, Qianli Wu, Zachary Izzo et al.
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.19749

一、领域脉络与小综述

这个方向是什么

本文研究的根本问题是：在观察性生存分析中，当存在未观测混杂（unmeasured confounding）且结局是右删失（right-censored）时，如何灵活地、非参数地估计异质性处理效应（Heterogeneous Treatment Effect, HTE）。该方向当前处于“方法整合期”——已有成熟的生存HTE估计器（如因果生存森林）和成熟的未观测混杂处理框架（如近端因果推断），但二者尚未被系统地结合起来。

发展脉络（history）

  • 奠基工作：Rubin (1974) 的潜在结果框架为因果推断提供了语言基础。Athey & Imbens (2015) 和 Wager & Athey (2018) 将随机森林引入HTE估计，提出了因果树和因果森林，在无未观测混杂假设下实现了非参数HTE估计与推断。
  • 主要进展：Cui, Kosorok, Sverdrup, Wager & Zhu (2023) 将因果森林扩展到右删失生存数据，提出了因果生存森林（CSF），通过Neyman正交化损失同时处理删失和选择偏差。同期，Miao, Geng & Tchetgen Tchetgen (2018) 提出了近端因果推断（Proximal Causal Inference, PCI）框架，利用负对照变量（negative controls）在存在未观测混杂时识别因果效应。Cui, Pu, Shi, Miao & Tchetgen Tchetgen (2024) 进一步建立了半参数近端因果推断的效率理论。
  • 当前frontier：近端因果推断正从平均处理效应（ATE）向更复杂的目标扩展。Li, Linderman, Shi & Tchetgen Tchetgen (2025) 将其推广到右删失生存数据，但局限于参数化的加性风险模型和平均处理效应。Kallus, Mao & Uehara (2021) 提出了基于minimax学习的非参数桥函数估计，但同样聚焦于ATE。
  • 本文的位置：本文是第一个将近端因果推断的负对照框架与非参数HTE估计器（因果生存森林）结合的工作。它填补了“存在未观测混杂时灵活估计生存HTE”这一空白。

子线索聚类

  1. 生存分析中的HTE估计：包括Cui et al. (2023) 的CSF、Tabib & Larocque (2020) 的随机森林方法、Hu et al. (2021, 2022) 的BART方法、Henderson et al. (2020) 的贝叶斯加速失效时间模型。这一簇的核心是在无未观测混杂假设下，用机器学习灵活建模生存HTE。
  2. 近端因果推断：包括Miao et al. (2018) 的识别理论、Cui et al. (2024) 的半参数效率理论、Tchetgen Tchetgen et al. (2024) 的综述、Ying et al. (2021) 的纵向扩展、Liu et al. (2025) 的回归方法。这一簇的核心是利用负对照变量在存在未观测混杂时识别因果效应。
  3. 随机森林与正交化：包括Athey et al. (2019) 的广义随机森林、Nie & Wager (2021) 的R-learner、Wager & Athey (2018) 的因果森林。这一簇的核心是通过Neyman正交化损失实现鲁棒的HTE估计。

核心问题与瓶颈

  • 核心问题1：如何放松“无未观测混杂”这一强假设？——近端因果推断提供了答案，但需要负对照变量满足特定的排除限制和完备性条件。
  • 核心问题2：如何将负对照框架从ATE扩展到HTE？——桥函数（bridge function）的估计和正交化损失的设计是关键。
  • 核心问题3：如何在存在删失时实现非参数HTE估计？——CSF提供了模板，但需要与负对照框架整合。
  • 已知瓶颈：桥函数的估计涉及求解条件矩方程（conditional moment problem），通常是ill-posed的；完备性条件（completeness）在有限样本下难以验证；负对照变量的有效性是应用特定的，无法从数据中验证。

⚠️ 作者的framing

作者将缺口frame成：“现有生存HTE方法依赖无未观测混杂假设，而近端因果推断在生存数据中仅用于ATE且依赖参数模型，因此将二者结合是显然的下一步。” 被淡化的竞争路线包括： - 敏感性分析（如Huang et al., 2020）：作者在引言中提及但未深入比较。敏感性分析不要求负对照变量，但只能提供效应范围而非点估计。 - 工具变量法：作者未提及。工具变量与负对照不同，它要求排除限制（exclusion restriction）和相关性，通常更严格。 - 直接对(X, W, Z)使用CSF：这是作者在模拟中作为“Uncensored Baseline”和“Censored Baseline”的消融对照，但未在引言中作为竞争路线讨论。

值得研究者去查的问题：本文未引用任何关于高维负对照或高维桥函数估计的工作（如高维工具变量或高维条件矩估计）。这可能是由于生存HTE设定本身已足够复杂，但高维扩展是自然方向。

张力

未见明显对立引用。所有被引工作基本在“无未观测混杂假设不现实，需要负对照”这一共识上一致。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \(A_i \in \{0, 1\}\)：二元处理变量。 - \(X_i \in \mathbb{R}^p\)：可观测的基线协变量。 - \(U_i\)：未观测混杂变量（标量或向量）。 - \(T_i(a), C_i(a)\)：潜在事件时间和潜在删失时间，\(a \in \{0, 1\}\)。 - \(T_i = T_i(A_i), C_i = C_i(A_i)\)：实际事件和删失时间。 - \(Y_i = \min(T_i, C_i)\)：观测到的生存时间。 - \(\Delta_i = I\{T_i \le C_i\}\)：事件指示符。 - \(h > 0\)：固定时间窗（horizon）。 - \(G_i(a; h)\)：潜在结局，可以是 \(\min\{T_i(a), h\}\)（RMST）或 \(I\{T_i(a) > h\}\)（生存概率）。 - \(\tau(x) = \mathbb{E}[G_i(1; h) - G_i(0; h) \mid X_i = x]\)：条件平均处理效应（CATE）。 - \(Z_i\)：负对照处理（negative control treatment）。 - \(W_i\)：负对照结局（negative control outcome）。 - \(q(z, x)\)：处理桥函数，满足 \(\mathbb{E}[q(Z_i, X_i) \mid X_i, U_i] = \mathbb{P}(A_i = 1 \mid X_i, U_i)\)。 - \(f_a(w, x)\)：结局桥函数，满足 \(\mathbb{E}[f_a(W_i, X_i) \mid X_i, U_i] = \mathbb{E}[G_i(a; h) \mid X_i, U_i]\)。 - \(m(x, w, z) = \mathbb{E}[G_i(h) \mid X_i = x, W_i = w, Z_i = z]\)：边际均值函数。 - \(S_C(t \mid \cdot)\)：条件删失生存函数。 - \(\Lambda_C(t \mid \cdot)\)：条件删失累积风险。 - \(\rho_a(t, \cdot; h)\)：条件期望结局，给定存活到时间 \(t\)。

模型： - 潜在结果框架，SUTVA成立。 - 重叠假设：\(0 < \mathbb{P}(A_i = 1 \mid X_i, U_i) < 1\) a.s. - 不假设无未观测混杂：允许 \(A_i\) 依赖于 \(U_i\)。 - 负对照结构（图1）：\((A_i, Z_i) \perp (T_i(a), C_i(a), W_i) \mid U_i, X_i\)。 - 桥函数存在性：存在 \(q\) 和 \(f_a\) 满足 (2) 式。 - 条件独立删失：\(C_i(a) \perp T_i(a) \mid X_i, W_i, Z_i, A_i = a\)。

可观测数据：研究者实际能观测到的是 \(\{(X_i, W_i, Z_i, A_i, Y_i, \Delta_i)\}_{i=1}^n\)。 - 可观测：\(X_i, W_i, Z_i, A_i, Y_i, \Delta_i\)。 - 潜在/不可观测：\(U_i\)，以及潜在结果 \(T_i(a), C_i(a), G_i(a; h)\)（除非在特定条件下通过删失校正识别）。

第二步：最小内核——无删失、线性桥函数、一维X的特例

特例设定： - 无删失：\(C_i = \infty\) a.s.，因此 \(\Delta_i = 1\)，\(Y_i = T_i\)，\(G_i(h) = \min(T_i, h)\)。 - 一维 \(X_i\)，一维 \(U_i\)，一维 \(W_i\)，一维 \(Z_i\)。 - 桥函数是线性的：\(q(z, x) = \alpha_0 + \alpha_1 z + \alpha_2 x\)，\(f_a(w, x) = \beta_{a0} + \beta_{a1} w + \beta_{a2} x\)。 - 目标：估计 \(\tau(x) = \mathbb{E}[G_i(1; h) - G_i(0; h) \mid X_i = x]\)。

核心思路： 1. 用桥函数构造残差：定义处理残差 \(A_i^{\text{res}} = A_i - q(Z_i, X_i)\) 和结局残差 \(Y_i^{\text{res}} = G_i(h) - m(X_i, W_i, Z_i)\)，其中 \(m = q f_1 + (1-q) f_0\)。 2. 正交化损失：使用损失函数 \(\ell = \sum_i (Y_i^{\text{res}} - \tau(X_i) A_i^{\text{res}})^2\) 来训练随机森林。 3. 为什么有效：在桥函数正确时，\(\mathbb{E}[A_i^{\text{res}} \mid X_i, U_i] = 0\) 且 \(\mathbb{E}[Y_i^{\text{res}} \mid X_i, U_i] = \tau(X_i, U_i) \mathbb{E}[A_i^{\text{res}} \mid X_i, U_i]\)，因此损失函数的得分在 \(\tau^w(x)\) 处有条件期望为零。当 \(U\) 不修改效应时，\(\tau^w(x) = \tau(x)\)。

在这个特例下，要证的命题退化成什么？ - 命题3.3（有效性）退化为：在无删失、线性桥函数下，损失函数的得分在 \(\tau(x)\) 处有条件期望为零，当且仅当 \(\tau(x, u) = \tau(x)\)。 - 证明：直接计算 \(\mathbb{E}[(A_i - q_i)(G_i - m_i - \tau(X_i)(A_i - q_i)) \mid X_i = x]\)，利用桥函数性质将其分解为 \(\mathbb{E}[(A_i - q_i)^2 (\tau(X_i, U_i) - \tau(X_i)) \mid X_i = x]\)，在 \(\tau(x, u) = \tau(x)\) 时为零。

为什么这个特例抓住了核心？ - 无删失去掉了删失校正的复杂性，线性桥函数去掉了非参数估计的困难，一维变量去掉了高维诅咒。剩下的核心是：如何用桥函数构造正交化损失，使得HTE估计对未观测混杂鲁棒。论文的一般情形只是在这个核心上添加了删失校正、非参数桥函数估计和高维特征。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在存在未观测混杂和右删失的观察性生存数据中，如何灵活地、非参数地估计异质性处理效应（HTE）。
  2. 核心工具/方法：将近端因果推断的负对照桥函数与因果生存森林（CSF）的Neyman正交化损失相结合，提出NC-CSF——一种使用桥函数构造残差、再用正交化损失训练随机森林的HTE学习器。
  3. 主要结论：NC-CSF在模拟中显著优于现有基线（包括CSF、随机生存森林、BART等），在真实数据上复现了已知发现并揭示了新的异质性模式。

关键设定与假设

  • 负对照假设（式1）：\((A_i, Z_i) \perp (T_i(a), C_i(a), W_i) \mid U_i, X_i\)。这意味着给定完整混杂状态 \((X_i, U_i)\)，处理 \(A_i\) 和负对照处理 \(Z_i\) 与潜在结果、潜在删失时间、负对照结局 \(W_i\) 独立。这是近端因果推断的核心假设。
  • 桥函数存在性（式2）：存在函数 \(q\) 和 \(f_a\) 使得 \(\mathbb{E}[q(Z_i, X_i) \mid X_i, U_i] = \mathbb{P}(A_i = 1 \mid X_i, U_i)\) 和 \(\mathbb{E}[f_a(W_i, X_i) \mid X_i, U_i] = \mathbb{E}[G_i(a; h) \mid X_i, U_i]\)。这要求负对照变量能“代表”未观测混杂。
  • 条件独立删失（式3）：\(C_i(a) \perp T_i(a) \mid X_i, W_i, Z_i, A_i = a\)。这是生存分析的标准假设，但这里条件集包含了负对照变量。
  • 相比已有文献的放宽/强化：相比CSF（Cui et al., 2023），本文放宽了无未观测混杂假设；相比生存近端因果推断（Li et al., 2025），本文强化了目标（从ATE到HTE）和灵活性（从参数模型到非参数森林）。

主要结果

  • 命题3.3（有效性）：NC-CSF的得分在 \(\tau^w(x)\) 处有条件期望为零，其中 \(\tau^w(x)\) 是 \(\tau(x, U)\) 的加权平均，权重为 \((A_i - q(Z_i, X_i))^2\)。当 \(U\) 不修改效应时，\(\tau^w(x) = \tau(x)\)。
  • 直觉：桥函数构造的残差消除了未观测混杂的直接影响，但留下了处理效应与处理残差方差的协方差。
  • 必要条件：桥函数正确。
  • 解决的技术难点：如何将桥函数整合到CSF的损失中，使得得分在存在未观测混杂时仍具有条件期望为零的性质。
  • 命题3.5（Neyman正交性）：NC-CSF的得分关于所有nuisance函数（\(q, m, S_C, \rho_a, \Lambda_C\)）的路径导数在真实值处条件期望为零。
  • 直觉：得分对nuisance估计误差是“二阶敏感”的，即一阶误差被消除，只有二阶乘积项残留。
  • 必要条件：nuisance函数在真实值处可微。
  • 解决的技术难点：证明删失校正部分（涉及 \(S_C, \rho_a, \Lambda_C\)）的正交性，这需要利用计数过程鞅的性质。
  • 命题3.6（渐近正态性）：在固定或诚实子组 \(S\) 上，若交叉拟合的nuisance估计量满足 \(L_2\) 误差 \(o_p(n_S^{-1/4})\)，则NC-CSF估计量 \(\hat{\tau}_S\) 是 \(\sqrt{n_S}\)-相合的、渐近正态的，方差为 \(\sigma_S^2\)。
  • 直觉：Neyman正交性 + 交叉拟合 + 足够快的nuisance收敛率 → 可行估计量与oracle估计量渐近等价。
  • 必要条件：有界性、残差重叠、\(o_p(n^{-1/4})\) 的nuisance收敛率。
  • 解决的技术难点：将CSF的渐近理论扩展到存在负对照和桥函数的情形。

证明路线与技术技巧

整体路线（以命题3.3和3.5为例）： 1. 桥函数识别（命题3.2）：证明桥函数满足的可观测条件矩方程（式6）与潜在桥函数方程（式2）在完备性条件下等价。这为桥函数的估计提供了可操作的基础。 2. 构造正交化损失（式5）：定义 \(A_i^{\text{res}} = A_i - q_i\) 和 \(Y_i^{\text{res}}\)（删失校正后的残差），损失为 \(\sum_i (Y_i^{\text{res}} - \tau(X_i) A_i^{\text{res}})^2\)。 3. 证明得分有效性（命题3.3）：计算 \(\mathbb{E}[(A_i - q_i)(Y_i - m_i - \tau(X_i)(A_i - q_i)) \mid X_i = x]\)，利用桥函数性质将其分解为 \(\mathbb{E}[(A_i - q_i)^2 (\tau(X_i, U_i) - \tau(X_i)) \mid X_i = x]\)，从而得到 \(\tau^w(x)\)。 4. 证明Neyman正交性（命题3.5）：对每个nuisance分量（\(q, m, S_C, \rho_a, \Lambda_C\)）计算得分的一阶变分，证明其在真实值处条件期望为零。对于删失相关分量，利用计数过程鞅的性质。 5. 渐近分析（命题3.6）：利用交叉拟合使观测与nuisance估计独立，结合Neyman正交性将可行估计量与oracle估计量的差控制为 \(o_p(n^{-1/2})\)，再对oracle估计量应用中心极限定理。

关键跳跃点： - 桥函数与删失校正的整合：删失校正后的 \(Y_i^{\text{res}}\) 需要同时包含桥函数（\(m_i\)）和CSF的删失校正项（涉及 \(S_C, \rho_a, \Lambda_C\)）。证明这两部分在得分中不产生一阶偏差是技术难点。 - Neyman正交性的证明：对于删失相关nuisance，需要利用计数过程鞅的Doob-Meyer分解，证明得分的一阶变分是鞅积分，其条件期望为零。

技术技巧点名： - 桥函数：用于从未观测混杂中“提取”处理机制和结局机制。 - Neyman正交化：使损失对nuisance估计误差鲁棒。 - 交叉拟合：打破nuisance估计与得分计算之间的依赖，简化渐近分析。 - 计数过程鞅：用于处理删失校正部分的正交性证明。 - 经验过程/Delta方法：用于渐近正态性的证明（文中未详细展开，但隐含在命题3.6的证明思路中）。

真实例子与应用

  • ACTG175 HIV试验：比较ddI单药与ZDV+ddI联合疗法。NC-CSF估计出年龄相关的异质性：年轻患者（20-30岁）的RMST效应为负（联合疗法不利），中年患者（40-62岁）为正。这与已知的年龄-治疗交互作用一致，而基线R-CSF给出全年龄正效应。
  • 数据：1,083名患者，RMST horizon \(h=1000\)天。
  • 方法应用：将CD4/CD8计数设为 \(W\)，种族/抗逆转录病毒史设为 \(Z\)，12个基线变量设为 \(X\)。
  • 结果：NC-CSF揭示了更保守、更年龄依赖的效应模式。
  • 右心导管插入术（RHC）数据：评估RHC对30天生存率的影响。NC-CSF估计的ATE为-0.0433，介于Kallus et al. (2021) 的灵活估计和线性/无混杂估计之间。
  • 数据：5,735名患者，二元30天生存结局。
  • 方法应用：将pafi1/paco21设为 \(Z\)，ph1/hema1设为 \(W\)，其余68个变量设为 \(X\)。
  • 结果：作为一致性检查，NC-CSF的估计落在已有文献估计的范围内。
  • MIMIC-IV药物相互作用：评估他克莫司与CYP3A抑制剂联用是否增加7天内急性肾损伤（AKI）风险。
  • 数据：2,257名阳性对照组（联用CYP3A抑制剂），1,398名惰性对照组（联用无CYP3A活性的药物）。
  • 方法应用：预处理实验室值作为 \(W\)，行政变量作为 \(Z\)。
  • 结果：在阳性对照组，NC-CSF估计出最强的危害信号（AKI-free survival降低0.2410），而惰性对照组无显著效应。在有肝病史的亚组中，危害更大（-0.3532 vs -0.2131），与生物学机制一致。

🔎 结论是否比证明窄

  • 命题3.6 只证明了在固定或诚实子组上的渐近正态性，并未证明递归学习的森林能恢复唯一的oracle分区。作者在Remark 3.7中明确承认了这一点，并指出分区恢复需要额外的分离和结构条件（如Madrid Padilla et al., 2021）。因此，论文的理论结论比其方法声称的“灵活非参数HTE学习器”要窄——理论只覆盖了子组推断，而非整个森林的全局性质。
  • 命题3.3 的结论是 \(\tau^w(x)\) 而非 \(\tau(x)\)。作者在Remark 3.4中讨论了二者的差异，但并未提供 \(\tau^w(x) = \tau(x)\) 的充分必要条件（除了“U不修改效应”这一强假设）。因此，在一般情形下，NC-CSF估计的是加权目标，而非标准CATE。

四、开放问题（点到为止，扎根具体语句）

  1. 加权目标 \(\tau^w(x)\) 与标准CATE \(\tau(x)\) 的差距：当 \(U\) 修改效应时，\(\tau^w(x) \neq \tau(x)\)。作者在Remark 3.4中给出了差距的表达式（式7），但未提供如何检验或缩小这一差距的方法。扎根于：Remark 3.4 和 Section 6 “τ^w(x) is the general estimand and need not equal the conventional CATE”。

  2. 递归分裂行为的理论分析：命题3.6只覆盖了固定子组，未分析森林递归分裂的全局性质。作者在Remark 3.7中承认了这一点。扎根于：Remark 3.7 “It does not prove that a recursively learned forest recovers a unique oracle partition”。

  3. 桥函数估计的ill-posedness：作者在Section 6和Appendix B中讨论了桥函数估计的ill-posedness，但未提供有限样本下的理论保证（如正则化桥函数的收敛率）。扎根于：Section 6 “completeness does not resolve finite-sample ill-posedness” 和 Appendix B “A small κ corresponds to a poorly conditioned inverse”。

  4. 负对照有效性的验证：负对照假设（式1）无法从数据中验证。作者在Section 6中承认了这一点。扎根于：Section 6 “negative-control validity is application-specific and cannot be verified from the observed law alone”。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论