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: 9/10
链接: https://arxiv.org/abs/2608.19749
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是观测性生存分析中的异质性处理效应(HTE)估计,其根本科学问题是:在时间-事件(time-to-event)结局存在右删失、且存在未测混杂(unmeasured confounding)的情况下,如何从观测数据中灵活、非参数地估计条件平均处理效应(CATE)随协变量的变化。该方向的成熟度处于"方法快速扩张但理论根基尚浅"的阶段——已有大量基于随机森林的 HTE 学习器(如 causal forest、causal survival forest),但绝大多数依赖无未测混杂(ignorability)假设;而 proximal causal inference(PCI)虽能处理未测混杂,却主要聚焦于平均处理效应(ATE)的估计,缺乏与灵活非参数机器学习工具的深度结合。本文试图填补的正是"PCI 框架 × 生存结局 × 森林式 HTE 学习器"这一交叉空白。
发展脉络¶
- 奠基工作:随机森林用于因果推断。Wager & Athey (2015) 建立了 causal forest 的渐近理论,证明其点态一致性与渐近正态性,奠定了"用森林做 HTE 估计"的统计基础。Athey & Imbens (2015) 提出 honest tree 的递归划分框架,强调用样本分割消除划分带来的偏差,这是后续所有 honest forest 方法的设计基石。Athey, Tibshirani & Wager (2016) 进一步将随机森林推广为广义矩估计(GMM)求解器,使森林不仅能估计条件均值,还能估计由矩条件定义的任意目标参数。
- 主要进展:生存结局的 HTE 学习。Cui, Kosorok, Wager 等 (2020) 将 causal forest 扩展到右删失生存数据,提出 causal survival forest(CSF),通过逆删失概率加权(IPCW)构造伪结局,并利用正交矩条件实现 nuisance 估计的鲁棒性。这是本文最直接的前身——本文的"基线"(Censored Baseline)正是 CSF 框架在无未测混杂设定下的实现。
- 主要进展:proximal causal inference 的理论化。Miao, Geng & Tchetgen Tchetgen (2016) 提出用 negative control 变量识别存在未测混杂时的因果效应,核心工具是 bridge function 和 completeness 条件。Cui, Pu, Shi, Miao & Tchetgen Tchetgen (2020) 建立了 semiparametric proximal causal inference 的完整理论,包括效率界和双稳健估计。Kallus, Mao & Uehara (2021) 进一步将 bridge function 的估计形式化为 minimax 学习问题,放宽了此前对 bridge function 参数形式的限制。Li, Linderman, Shi & Tchetgen Tchetgen (2024) 将 PCI 扩展到右删失生存数据,但仅针对 ATE,且依赖参数化建模。
- 当前 frontier:将 PCI 与灵活非参数学习器(森林、神经网络)结合,同时处理删失、未测混杂和 HTE 三个维度。本文的位置正在于此——它声称是第一个将 negative control 与 causal survival forest 结合的工作,且提供了局部渐近正态性(LAN)理论。
子线索聚类¶
- 森林式 HTE 学习器(Wager & Athey 2015; Athey & Imbens 2015; Athey et al. 2016; Cui et al. 2020):核心问题是"如何用自适应划分实现非参数 CATE 估计并保证推断有效性"。共同技术手段是 honest splitting、subsampling、正交矩条件。共同瓶颈是依赖 ignorability。
- Proximal causal inference 的识别与估计(Miao et al. 2016; Cui et al. 2020; Kallus et al. 2021; Liu et al. 2024):核心问题是"如何用 negative control 变量在未测混杂下识别因果参数"。共同技术手段是 bridge function、completeness 条件、minimax 学习。共同瓶颈是主要聚焦 ATE,缺乏 HTE 的灵活建模。
- 生存数据的因果推断(Cui et al. 2020; Li et al. 2024):核心问题是"如何在删失下处理因果估计"。共同技术手段是 IPCW、协变量条件删失假设。共同瓶颈是要么假设无未测混杂,要么假设参数化模型。
这个方向在追问的核心问题¶
- 识别问题:在未测混杂存在时,negative control 变量需要满足什么条件才能非参数地识别 CATE?completeness 条件是否可检验、是否可放宽?
- 估计问题:如何将 bridge function 的估计与森林的递归划分结合,使得 nuisance 估计误差不主导最终 CATE 估计的误差?正交性(orthogonality)在森林框架下如何实现?
- 推断问题:在 nuisance 函数以非参数速率估计时,CATE 估计是否仍能获得 \(\sqrt{n}\) 速率和渐近正态性?需要什么样的 nuisance 收敛速率条件?
⚠️ 作者的 framing¶
这是作者的说法:作者将缺口 frame 成"现有 causal survival forest 依赖无未测混杂假设,而现有 proximal causal inference 方法要么只处理 ATE、要么依赖参数化建模,因此需要一种将两者结合的非参数 HTE 学习器"。作者声称其贡献在于:(i) 设计了融合 negative control 的损失函数;(ii) 证明了局部正交性(local orthogonality);(iii) 提供了局部渐近正态性理论。作者淡化的竞争路线包括:敏感性分析(如 Huang et al. 2019 的 E-value 方法)——作者未在 intro 中讨论"与其假设 negative control 有效,不如对未测混杂做敏感性分析"这一替代思路;以及工具变量方法——当工具变量可用时,IV 框架可能比 negative control 更直接,但作者未比较这两条路径的适用条件。
张力¶
未见明显对立引用。但值得注意的是:Kallus et al. (2021) 的 minimax 方法强调 bridge function 估计的最坏情况保证,而本文的森林方法依赖点态一致性和局部正交性——这两种理论框架对 nuisance 估计误差的度量方式不同(全局范数 vs. 局部条件期望),在有限样本下可能导致不同的行为。作者未在文中讨论这一张力。
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 |
|---|---|---|
| \(A_i \in \{0,1\}\) | 二元处理 | 可观测随机变量 |
| \(X_i\) | 观测协变量(\(d_x\) 维) | 可观测随机变量 |
| \(U_i\) | 未测混杂(标量,简化) | 潜在(不可观测)随机变量 |
| \(Z_i\) | negative control treatment(\(d_z\) 维) | 可观测随机变量 |
| \(W_i\) | negative control outcome(\(d_w\) 维) | 可观测随机变量 |
| \(T_i(a)\) | 处理 \(a\) 下的潜在事件时间 | 潜在(counterfactual)随机变量 |
| \(C_i(a)\) | 处理 \(a\) 下的潜在删失时间 | 潜在(counterfactual)随机变量 |
| \(Y_i = \min(T_i, C_i)\) | 观测到的生存时间 | 可观测随机变量 |
| \(\Delta_i = I\{T_i \le C_i\}\) | 事件指示符 | 可观测随机变量 |
| \(h\) | 固定时间水平 | 常数 |
| \(G_i(a;h)\) | 处理 \(a\) 下的水平 \(h\) 结局:RMST 为 \(\min(T_i(a), h)\),生存概率为 \(I\{T_i(a) > h\}\) | 潜在随机变量 |
| \(q(Z_i, X_i)\) | 处理 bridge function,满足 \(q(z,x) = P(A=1 \mid X=x, U=u)\) 的某种表示 | 待估 nuisance 函数 |
| \(f_a(W_i, X_i)\) | 结局 bridge function,满足 \(E[f_a(W,X) \mid X, U] = E[G(a;h) \mid X, U]\) | 待估 nuisance 函数 |
| \(\tau(x)\) | CATE:\(E[G(1;h) - G(0;h) \mid X=x]\) | 目标 estimand |
| \(\tau^w(x)\) | 加权 CATE(见 Proposition 3.3) | 目标 estimand(加权版) |
| \(m(x,w,z) = q(z,x) f_1(w,x) + (1-q(z,x)) f_0(w,x)\) | bridge 混合结局 | 构造量 |
| \(S_C(t \mid \cdot)\) | 删失生存函数 | 待估 nuisance 函数 |
| \(\Lambda_C(t \mid \cdot)\) | 删失累积风险 | 待估 nuisance 函数 |
| \(\rho_a(t, \cdot; h)\) | 条件期望结局函数 | 待估 nuisance 函数 |
模型(数据生成机制):
- 未测混杂结构:\(A_i\) 依赖于 \((X_i, U_i)\),\(G_i(a;h)\) 依赖于 \((X_i, U_i)\),因此 \(A_i\) 与 \(G_i(a;h)\) 在给定 \(X_i\) 后仍通过 \(U_i\) 相关——即存在未测混杂。
- Negative control 假设(图 1 的 DAG):
- \(Z_i\) 与 \(A_i\) 相关(通过 \(U_i\)),但与 \((T_i(a), C_i(a), W_i)\) 在给定 \((X_i, U_i)\) 后条件独立;
- \(W_i\) 与 \(G_i(a;h)\) 相关(通过 \(U_i\)),但与 \((A_i, Z_i)\) 在给定 \((X_i, U_i)\) 后条件独立。
- Bridge function 存在性(公式 2):存在函数 \(q\) 和 \(f_a\) 使得
\[E[q(Z_i, X_i) \mid X_i, U_i] = P(A_i=1 \mid X_i, U_i), \quad E[f_a(W_i, X_i) \mid X_i, U_i] = E[G_i(a;h) \mid X_i, U_i].\]
- 条件独立删失(公式 3):\(C_i(a) \perp T_i(a) \mid (X_i, W_i, Z_i, A_i=a)\)。
- 可观测数据:\(\{(X_i, W_i, Z_i, A_i, Y_i, \Delta_i)\}_{i=1}^n\),其中 \(Y_i = \min(T_i, C_i)\),\(\Delta_i\) 为事件指示符。
关键区分: - 可观测:\(X, W, Z, A, Y, \Delta\) - 不可观测(潜在):\(U\)(混杂)、\(T_i(a), C_i(a)\)(反事实)、\(G_i(a;h)\)(反事实结局)
第二步:最小内核¶
剥掉所有一般性假设后,本文的核心数学问题是什么?
考虑最简单的设定:无删失(\(C_i = \infty\) 几乎必然)、无协变量(\(X_i\) 为空)、线性 bridge function。此时:
- 可观测数据:\((A_i, Z_i, W_i, G_i)\),其中 \(G_i = G_i(A_i;h)\) 是观测到的结局。
- 未测混杂 \(U_i\) 同时影响 \(A_i\)、\(Z_i\)、\(W_i\) 和 \(G_i(a)\)。
- Bridge function 简化为:\(q(z) = P(A=1 \mid U)\) 的某种线性表示,\(f_a(w) = E[G(a;h) \mid U]\) 的某种线性表示。
核心问题:如何仅用 \((A_i, Z_i, W_i, G_i)\) 的联合分布,识别并估计
关键步骤:
- 构造残差:定义 \(A^{\text{res}}_i = A_i - q(Z_i)\)。由 bridge 性质,\(E[A^{\text{res}}_i \mid U_i] = 0\),即 \(A^{\text{res}}\) 与 \(U\) 在给定 \(X\) 后不相关。
- 构造残差结局:\(G^{\text{res}}_i = G_i - m(W_i, Z_i)\),其中 \(m(w,z) = q(z) f_1(w) + (1-q(z)) f_0(w)\)。由 bridge 性质,\(E[G^{\text{res}}_i \mid U_i] = 0\)。
- 正交矩条件:考虑损失 \(\ell = \sum_i (G^{\text{res}}_i - \tau A^{\text{res}}_i)^2\)。其得分函数在真值处满足 \(E[\partial \ell / \partial \tau] = 0\),且对 nuisance 函数 \(q, f_a\) 的 Gateaux 导数在真值处为零(Proposition 3.5 的局部正交性)。
- 识别:\(\tau^w = \frac{E[A^{\text{res}} G^{\text{res}}]}{E[(A^{\text{res}})^2]}\),这是对 \(\tau(x,u)\) 的加权平均,权重正比于 \((A - q(Z,X))^2\)(Proposition 3.3)。
为什么这个最小内核能成立?
关键在于 bridge function 的双重角色: - \(q\) 消除了 \(A\) 中与 \(U\) 相关的部分(类似倾向得分,但不需要 ignorability); - \(f_a\) 消除了 \(G\) 中与 \(U\) 相关的部分(类似 outcome regression,但允许未测混杂); - 两者结合使得残差 \(A^{\text{res}}\) 和 \(G^{\text{res}}\) 在给定 \(X\) 后互不相关,从而识别出加权 CATE。
证明的难点:在一般设定下(有删失、有协变量、非线性 bridge),需要证明: - 可观测矩条件(公式 6)确实隐含 bridge 方程(公式 2)——这需要 completeness 条件; - 得分函数的正交性在 nuisance 估计误差为 \(o_p(n^{-1/4})\) 时仍成立——这是 Proposition 3.6 的 LAN 结论; - 删失修正(IPCW)不破坏正交性——这是 Proposition 3.5 的删失部分。
一句话总结:本文在数学上干的事是——构造一个对 nuisance 估计误差一阶不敏感的、基于 negative control bridge function 的正交损失函数,并用随机森林最小化该损失以估计加权 CATE,同时证明该估计量的 \(\sqrt{n}\) 渐近正态性。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在观测性生存分析中,当结局存在右删失且存在未测混杂时,如何用 negative control 变量非参数地估计异质性处理效应(HTE)。
- 核心工具 / 方法:将 proximal causal inference 的 bridge function 嵌入 causal survival forest 的损失函数,通过 Neyman 正交化构造对 nuisance 估计误差稳健的残差,并用随机森林最小化该损失。
- 主要结论:所提出的 NC-CSF 估计量在 nuisance 估计误差为 \(o_p(n^{-1/4})\) 时,对加权 CATE 估计量具有 \(\sqrt{n}\) 一致性和渐近正态性;在模拟中相比现有基线(CSF、RSF、BART)显著降低偏差和估计误差,在真实数据上验证了已知发现并揭示了新的异质性模式。
关键设定与假设¶
在第二节最小记号的基础上,补全如下:
- 假设 1(Negative control 结构,公式 1):\((A_i, Z_i) \perp (T_i(a), C_i(a), W_i) \mid (X_i, U_i)\)。这是 PCI 的核心假设,它比 ignorability 弱——允许 \(A\) 依赖 \(U\),但要求 \(Z\) 和 \(W\) 是 \(U\) 的"纯代理"。
- 假设 2(Bridge function 存在性,公式 2):存在 \(q\) 和 \(f_a\) 满足两个条件期望方程。这等价于要求 \(Z\) 对 \(U\) 的"覆盖"足够强(completeness),是 PCI 识别性的关键。
- 假设 3(条件独立删失,公式 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,但注意它是在包含 negative control 的变量集上做的——比 CSF 的删失假设更强(需要 \(W, Z\) 也进入删失模型)。
- 假设 4(正则性条件):Proposition 3.6 要求 nuisance 估计量满足 \(L^2\) 误差 \(o_p(n^{-1/4})\),且残差方差有界、处理分配概率有界远离 0/1(overlap)。
- 相比已有文献的放宽/强化:
- 相比 CSF(Cui et al. 2020):放宽了 ignorability,允许未测混杂;强化了删失假设(需要 negative control 也进入删失模型)。
- 相比 PCI 的 ATE 估计(Cui et al. 2020; Kallus et al. 2021):放宽了参数化 bridge function 的限制,允许非参数森林估计;强化了目标——从 ATE 扩展到 CATE。
- 相比 Li et al. (2024) 的生存 PCI:放宽了参数化假设,但未处理 competing risks。
主要结果¶
理论结果:
- Proposition 3.2(可观测矩条件):在假设 1-2 下,bridge 方程(2)等价于可观测矩条件(6)。这为估计提供了基础——不需要观测 \(U\),只需用 \((X, W, Z, A, G)\) 的矩条件。
- Proposition 3.3(得分有效性):NC-CSF 的得分函数在真值处条件期望为零,且其零点对应于加权 CATE \(\tau^w(x)\)。权重正比于 \((A - q(Z,X))^2\),即处理分配不确定性越大的子群,权重越高。
- Proposition 3.5(Neyman 正交性):得分函数对 nuisance 参数 \(q, m, S_C, \rho_a, \Lambda_C\) 的 Gateaux 导数在真值处为零。这意味着 nuisance 估计误差只产生二阶影响。
- Proposition 3.6(局部渐近正态性):在 nuisance 估计 \(L^2\) 误差为 \(o_p(n^{-1/4})\) 的条件下,固定子群 \(S\) 内的估计量满足 \(\sqrt{n_S}(\hat{\tau}_S - \tau^w_S) \xrightarrow{d} N(0, \sigma^2_S)\),其中 \(\sigma^2_S\) 有显式公式。
证明路线与技术技巧:
- 整体路线(3-5 步):
- Step 1:建立 bridge function 与可观测矩条件的等价性(Prop 3.2),将不可观测的 \(U\) 积分掉。
- Step 2:构造正交损失函数(公式 5),将 nuisance 估计(\(q, f_a, S_C, \Lambda_C, \rho_a\))与目标参数 \(\tau\) 分离。
- Step 3:证明得分函数的 Neyman 正交性(Prop 3.5),通过对 nuisance 参数的 Gateaux 导数逐项计算,利用 bridge 方程和条件独立性假设消去所有一阶项。
- Step 4:在正交性基础上,将估计量分解为目标项 + nuisance 误差二阶项 + 经验过程项,利用交叉拟合(cross-fitting)和 nuisance 收敛速率条件控制各项。
-
Step 5:应用 Lyapunov CLT 和 delta method 得到渐近正态性(Prop 3.6)。
-
关键技巧:
- 交叉拟合(cross-fitting):Algorithm 1 中 nuisance 估计和最终森林拟合使用不同的数据分割,避免过拟合导致的偏差。
- IPCW 伪结局:用逆删失概率加权处理右删失,将删失问题转化为加权最小二乘问题。
- Bridge 混合结局:\(m(x,w,z) = q(z,x) f_1(w,x) + (1-q(z,x)) f_0(w,x)\) 将两个 bridge function 组合成一个可估计的回归函数。
- Neyman 正交化:通过残差化(\(A^{\text{res}} = A - q\))和中心化(\(G^{\text{res}} = G - m\))同时消除处理分配和结局中的 \(U\) 相关部分。
实证结果:
- 模拟:在 12 个基础配置 × 22 个维度设置 = 264 个配置上评估。NC-CSF 相比 Censored Baseline 在 RMST 上 RMSE 降低 40.2%,在生存概率上 RMSE 降低 22.2%;相比 grf R-CSF 分别降低 17.9% 和 10.6%。组件消融(附录 11)显示 bridge 调整是最大的贡献来源。
- 真实数据:
- ACTG175:NC-CSF 估计的年龄异质性模式与 R-CSF 定性一致,但幅度更保守(峰值 6.37 天 vs 14.43 天),且 NC-CSF 在年轻组给出负值估计,与已有临床建议一致。
- RHC:NC-CSF 估计的 ATE 为 −0.0433,介于 Kallus et al. 的 DR 估计(−0.0219)和线性 bridge 估计(−0.0607)之间,且置信区间更窄。
- MIMIC-IV:在阳性对照组(他克莫司 + CYP3A 抑制剂)中,NC-CSF 估计 7 天无 AKI 生存率降低 0.2410,约为 CSF 估计(−0.1176)的两倍;在惰性对照组中无显著效应,支持其区分能力。
🔎 结论是否比证明窄¶
是,存在多处"证明窄于结论"的情况:
-
Proposition 3.6 的适用条件:定理要求 nuisance 估计满足 \(L^2\) 误差 \(o_p(n^{-1/4})\),但文中未给出森林估计器满足该速率的充分条件(如稀疏性、光滑性、树深限制等)。作者在 Remark 3.7 中承认"递归学习的森林是否恢复唯一 oracle 划分"未证明,仅假设了固定或独立学习的子群。这意味着定理的实际适用范围比摘要中"非参数 HTE 学习器"的表述窄。
-
加权目标:Proposition 3.3 明确 \(\tau^w(x)\) 是加权 CATE,权重正比于 \((A - q(Z,X))^2\)。但摘要和引言中多处使用"HTE"和"\(\tau(x)\)"的表述,未强调这一加权。当 \(U\) 对处理效应有修饰作用时,\(\tau^w(x) \neq \tau(x)\)(Remark 3.4 承认了这一点),但结论部分仍以"异质性处理效应"概括。
-
删失假设的强度:假设 3 要求删失独立于事件时间给定 \((X, W, Z, A)\),这比 CSF 的假设更强(需要 \(W, Z\) 进入删失模型)。但文中未讨论当 \(W, Z\) 不满足该条件时偏差的方向或大小。
-
bridge function 的估计:文中对 \(q\) 使用 logistic 回归、对 \(f_a\) 使用 ExtraTrees,但未给出这些估计器的收敛速率条件。Proposition 3.6 的 \(o_p(n^{-1/4})\) 条件在实际中是否满足取决于这些 nuisance 估计器的性质,文中未验证。
四、开放问题¶
以下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:
-
递归划分的渐近理论(扎根于 Remark 3.7):"It does not prove that a recursively learned forest recovers a unique oracle partition." 要证明递归学习的森林在 nuisance 函数估计误差存在时仍能恢复最优划分,需要什么样的条件?这与 exact recovery 的 minimax 速率(如 Padilla et al. 2021 的 lattice partition recovery)有何联系?
-
加权目标的解释与替代(扎根于 Remark 3.4 和公式 7):\(\tau^w(x)\) 与 \(\tau(x)\) 的差异由 \(\text{Cov}(\omega(x,U), \tau(x,U) \mid X=x)\) 决定。能否构造一个估计量直接针对 \(\tau(x)\) 而非加权版本?需要什么样的额外假设?或者,能否给出 \(\tau^w(x)\) 在何种决策意义上的最优性?
-
bridge function 估计的正则化理论(扎根于附录 A 和 Proposition 3.6 的条件):当 bridge function 属于非参数函数类时,minimax 估计速率是多少?在什么条件下能达到 \(o_p(n^{-1/4})\)?这与 ill-posed inverse problem 的谱条件有何关联?
-
删失假设的放松(扎根于公式 3):如果删失依赖于未测混杂 \(U\)(即 \(C_i(a) \not\perp T_i(a) \mid (X_i, W_i, Z_i, A_i=a)\)),偏差有多大?能否用 negative control 变量同时修正删失和混杂?
-
negative control 的检验(扎根于假设 1 的不可检验性):文中承认 negative control 假设"not testable from the observed data alone"。能否构造部分可检验的 implication(如矩条件不等式)?这与 sensitivity analysis 的边界方法有何联系?
-
效率界(文中未讨论):NC-CSF 估计量是否达到 semiparametric efficiency bound?其渐近方差 \(\sigma^2_S\) 与半参数效率界的关系如何?是否存在更高效的估计量?
提醒:若要确认上述某条是否为真 gap,建议去读同一子方向(proximal causal inference + survival analysis)近 5 年的约 5 篇论文的引言——如果多篇都指向同一问题,说明是共识性 gap;如果各篇说法互相矛盾,则可能是机会所在。
Maintained by 陈星宇 · Homepage · Source on GitHub