跳转至

Transporting Randomized Trial Effects to Real-World Populations via Riesz-Calibrated Optimal Transport

作者: Anik Burman, Margaret Gamalo, Promit Ghosal, Prosenjit Kundu
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.23453

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：如何将随机对照试验（RCT）中估计的因果治疗效果，可靠地外推到与试验人群存在系统性差异的真实世界目标人群。其核心统计挑战在于，试验人群与目标人群的协变量分布不同，导致直接使用试验样本估计的目标人群平均处理效应（ATE）存在偏差。当前该方向已从依赖参数模型的倾向得分加权方法，发展到利用非参数或半参数工具（如最优传输、校准、Riesz representer）进行更稳健的推断，但仍面临模型误设、重叠不足和正则化偏差等核心瓶颈。

发展脉络

  1. 奠基工作：倾向得分加权与结果回归

    • Stuart et al. (2011) 和 Cole & Stuart (2010) 建立了使用倾向得分（propensity score）对试验参与概率建模，并通过逆概率加权（IPW）将试验结果外推至目标人群的基本框架。作者引用时指出，这些方法的性能“取决于采样倾向得分模型的正确设定”，如果模型未能捕捉重要的非线性或交互作用，权重会收敛到错误极限，导致偏差。
    • Westreich et al. (2017) 和 Tipton (2013) 进一步发展了逆几率加权方法。作者认为，这些方法“将协变量缩减为一个拟合的得分”，但“弱重叠会进一步放大权重的不稳定性”。
    • Dahabreh & Hernán (2019) 和 Dahabreh et al. (2020) 建立了结果回归和双稳健（doubly robust）组合方法的识别与半参数基础。作者指出，他们的工作“建立了识别和半参数基础，我们的推断构建在此基础上”，但我们的重点在于“通过正则化传输问题而非显式的采样模型来估计主要 nuisance 对象”。

  2. 主要进展：平衡与校准方法

    • Hainmueller (2012) 的熵平衡（entropy balancing）、Imai & Ratkovic (2014) 的协变量平衡倾向得分、Zubizarreta (2015) 的稳定平衡权重、以及 Chan et al. (2016) 的全局有效校准估计量，直接求解权重以匹配两个样本间选定的协变量函数。作者认为，这“避免了提交到得分设定”，但“由于平衡只施加在一组有限的函数上，权重在这些方向上受到约束，而不是在整个协变量分布上”。
    • Lee et al. (2023) 和 Chen et al. (2023) 将校准方法专门用于试验推广。作者特别指出，Lee et al. (2023) 提出了“用于结合随机和观察样本的校准权重，并开发了具有非参数筛扩展的双稳健、局部有效增强估计量”。作者强调，校准本身在试验推广中“并不新鲜”，其作用在于“从一个由源松弛熵传输诱导的权重开始，刻画传输正则化造成的人群扭曲，然后使用 Riesz 方程来纠正该扭曲，同时保留传输结构”。

  3. 当前前沿：最优传输（OT）与 Riesz Representer 估计

    • Dunipace (2021) 的因果最优传输（Causal Optimal Transport）通过最小化加权经验分布之间的 Sinkhorn 散度来构建权重，并可施加平衡约束。作者认为，这是“与当前工作最接近”的，它“将 OT 加权与重要性加权、分布平衡和半参数因果估计联系起来”。
    • Gunsilius & Xu (2022) 使用多边缘非平衡 OT 进行因果匹配，允许匹配不佳的观测获得较少质量。Yan et al. (2024) 将 Wasserstein 散度与因果平衡误差联系起来，并联合学习传输权重和表示。作者指出，与这些文献的区别在于“我们研究了在固定正则化下，源松弛熵 OT 产生的人群权重，量化了其与传输估计量所需的 Riesz representer 的差异，并开发了增长 Riesz 校准来消除这种差异，而不需要传输正则化消失”。
    • Chernozhukov et al. (2021) 和 Chernozhukov et al. (2026) 开发了直接估计 Riesz representer 的方法。作者指出，在他们的设定中，Riesz representer 有明确的解释 r† = dQ_X / dP_X，而他们的方法“不是通过单独的回归或对抗性准则来估计它，而是从正则化 OT 诱导的权重开始，并将该权重校准到 Riesz 方程”。

  4. 本文的位置

    • 本文位于上述三条线索的交汇点。它继承了 OT 在协变量空间直接对齐分布的优势，但诊断并解决了正则化 OT 权重与因果推断所需密度比之间的“推断差距”。通过将 Riesz 校准方程直接嵌入传输问题，本文提供了一种方法，在保持 OT 几何结构的同时，消除了正则化偏差，并实现了双稳健和半参数有效的推断。作者将其定位为“参数采样倾向得分加权的稳健替代方案”，而非“普遍更优”。

子线索聚类

  1. 基于倾向得分的方法：Stuart et al. (2011), Cole & Stuart (2010), Westreich et al. (2017), Tipton (2013)。核心是建模试验参与概率，依赖模型正确设定。
  2. 基于平衡/校准的方法：Hainmueller (2012), Imai & Ratkovic (2014), Zubizarreta (2015), Chan et al. (2016), Lee et al. (2023), Chen et al. (2023)。核心是直接匹配协变量矩，不依赖参与模型，但约束有限。
  3. 基于最优传输的方法：Dunipace (2021), Gunsilius & Xu (2022), Yan et al. (2024)。核心是在协变量空间全局对齐分布，但正则化引入偏差。
  4. 直接估计 Riesz Representer 的方法：Chernozhukov et al. (2021, 2026)。核心是直接估计目标泛函的 Riesz 表示子，但本文将其与 OT 结合。

核心问题与瓶颈

  1. 如何估计目标-试验密度比 r†？ 这是核心统计问题。参数模型（如逻辑回归）易误设；非参数方法（如核密度估计）受维数诅咒影响；OT 方法在固定正则化下存在不可忽略的偏差。
  2. 如何实现双稳健性？ 即当结果回归或密度比估计之一正确时，估计量仍保持一致。现有方法如 AIPW 依赖于正确的倾向得分模型，而基于 OT 的方法尚未建立类似性质。
  3. 如何达到半参数效率界？ 即估计量的渐近方差达到理论下界。这要求密度比估计量以足够快的速度收敛，且方差估计量一致。
  4. 如何处理弱重叠？ 当目标与试验人群协变量分布重叠不足时，权重方差会爆炸，导致推断不稳定。现有方法（如截断）会引入偏差。

⚠️ 作者的 Framing

  • 作者把缺口 frame 成什么？ 作者将核心缺口 frame 为“正则化 OT 诱导的权重与因果推断所需的密度比之间的推断差距”。具体来说，固定正则化参数 (ε, ρ) 导致 OT 权重 r_{ε,ρ} 与真实密度比 r† 之间存在一个不随样本量衰减的“人群偏差”。本文的贡献在于通过“Riesz 校准”来消除这个偏差，从而“弥合了几何对齐与半参数推断所需加权条件之间的差距”。
  • 哪些竞争路线被他淡化或回避了？
    • 直接估计 Riesz representer 的方法（Chernozhukov et al. 2021, 2026）被描述为“通过单独的回归或对抗性准则”，而本文是“从正则化 OT 诱导的权重开始”。作者暗示其方法结合了 OT 的几何结构，但并未直接比较两种方法在有限样本下的性能或理论上的优劣（例如，对抗性估计是否更易调参？）。
    • 因果最优传输（Dunipace 2021） 被描述为“最接近”，但作者强调其区别在于“研究固定正则化下的人群权重”和“开发增长 Riesz 校准”。作者淡化了 Dunipace 方法中可能存在的类似校准机制，或者其方法在特定条件下的有效性。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？
    • 本文未引用关于密度比估计的经典文献，如 Sugiyama et al. (2012) 的《Density Ratio Estimation in Machine Learning》。该领域提供了多种非参数密度比估计方法（如 KLIEP, uLSIF），这些方法也可能用于解决 transportability 问题。作者为何选择 OT 而非这些方法？这是一个值得研究者去查的问题。
    • 本文未引用关于半参数效率理论的经典教材，如 Bickel et al. (1993) 的《Efficient and Adaptive Estimation for Semiparametric Models》。虽然本文引用了 van der Vaart (1998)，但 Bickel 等人的工作对于理解效率界和影响函数是更基础的参考。这可能是因为本文的目标读者是应用统计学家，而非理论专家。

张力

未见明显对立引用。所有被引工作基本沿着“参数模型 → 平衡方法 → 非参数/OT 方法”的演进路径，彼此之间是补充而非矛盾关系。作者在讨论中承认了参数方法在模型正确时的效率优势，体现了对竞争方法的公允态度。

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：

    • τ_Q：目标 estimand，即真实世界接受治疗人群的平均处理效应（ATT）。
    • P：RCT 数据的联合分布。
    • Q：真实世界（RWD）数据的联合分布。
    • X：基线协变量向量（d 维）。
    • T：处理指示变量（0 = 对照，1 = 处理）。
    • Y：观测到的结局。
    • Y(a)：潜在结局（a = 0, 1）。
    • µ_0(x) = E_P[Y | X=x, T=0]：对照结局回归函数。
    • e_0(x) = P(T=0 | X=x)：随机化概率（已知）。
    • A = (1-T) / e_0(X)：逆随机化权重。
    • r†(x) = dQ_X / dP_X：目标-试验密度比（Riesz representer）。
    • n：RCT 样本量。
    • m：RWD 样本量。
    • N = n ∧ m：最小样本量。
    • η = n/m：样本量比。
    • ε：熵正则化参数。
    • ρ：源松弛参数。
    • γ = ε / (ε + ρ)：收缩指数。
    • J：校准筛的维数。
    • b_J(x)：J 维基函数向量。
    • H_J：由 b_J 张成的函数空间。

  • 模型：

    • 数据生成机制：有两个独立样本。RCT 样本 (X_i, T_i, Y_i) 来自分布 P，其中 T 是随机分配的（已知 e_0(x)）。RWD 样本 (X^Q_j, Y^Q_j) 来自分布 Q，所有个体都接受处理（Y^Q = Y^Q(1)）。
    • 识别假设：
      1. 一致性：Y = T Y(1) + (1-T) Y(0)（RCT），Y^Q = Y^Q(1)（RWD）。
      2. 正值性：0 < e ≤ e_0(x) ≤ e < 1。
      3. 可传输性：E_Q[Y^Q(0) | X^Q = x] = µ_0(x)。
      4. 重叠：Q_X ≪ P_X，且 r† 有界。
    • 目标 estimand：τ_Q = E_Q[Y^Q(1) - Y^Q(0)]。由于 Y^Q(1) 可直接观测，问题归结为估计 E_Q[Y^Q(0)] = E_Q[µ_0(X^Q)]。

  • 可观测数据：

    • RCT 样本：{X_i, T_i, Y_i}_{i=1}^n。研究者可以观测到协变量、处理分配和结局。
    • RWD 样本：{X^Q_j, Y^Q_j}_{j=1}^m。研究者可以观测到协变量和接受处理后的结局。
    • 不可观测：目标人群的对照潜在结局 Y^Q(0)。这是需要被识别和估计的量。

第二步：讲最小内核

为了理解本文的核心思想，我们考虑一个最简特例：协变量是一维的（d=1），且 X 在 RCT 和 RWD 中均服从高斯分布。具体地： * RCT 协变量分布：P_X = N(0, 1)。 * RWD 协变量分布：Q_X = N(δ, 1)，其中 δ ≠ 0 表示人群偏移。 * 目标 estimand：τ_Q = E_Q[Y^Q] - E_Q[µ_0(X^Q)]。 * 真实密度比：r†(x) = dQ_X / dP_X = exp(δ x - δ^2/2)。这是一个指数族形式。

核心问题：如何用 OT 方法估计 r†，并纠正其偏差？

  1. 未校准的 OT 权重：考虑最简单的平衡 OT（ρ=0），其权重为 r_{ε,0}(x) = S_ε[ q / (S_ε p) ](x)。在这个高斯特例下，S_ε 是带宽为 √(ε/2) 的高斯平滑。可以证明，r_{ε,0}(x) 不等于 r†(x)。例如，当 ε 很大时，平滑效应会使得 r_{ε,0}(x) 趋近于 1，完全无法捕捉到 δ 带来的偏移。这就是 Theorem 4.2 所说的“正则化偏差”：r_{ε,0} - r† = O(ε)。这个偏差是人群水平的，增加样本量 n 和 m 也无法消除。

  2. Riesz 校准：为了消除这个偏差，我们引入校准。校准方程是 E_P[ r(X) b_J(X) ] = E_Q[ b_J(X^Q) ]。在最简特例下，我们选择最简单的校准函数：b_J(x) = [1, x]（即 J=2，包含常数项和线性项）。校准方程变为：

    • E_P[ r(X) ] = E_Q[ 1 ] = 1（自动满足，因为 OT 权重已归一化）。
    • E_P[ r(X) X ] = E_Q[ X^Q ] = δ。

    现在，我们不是直接使用 r_{ε,0}，而是在 OT 问题中同时施加这两个矩条件。根据 Proposition 4.3，校准后的权重 ˆr(x) 具有形式： ˆr(x) = exp( γ bL(x) + θ^T b_J(x) ) 其中 bL(x) 是 OT 产生的“偏移”，θ^T b_J(x) = θ_0 + θ_1 x 是校准引入的“指数倾斜”。

  3. 校准如何工作：校准的核心在于，通过调整 θ，使得 ˆr 满足矩条件 E_P[ ˆr(X) X ] = δ。由于 r_{ε,0} 已经包含了部分信息（通过 bL），校准只需要修正其与 r† 的偏差。在这个线性高斯特例下，log r† 是 x 的线性函数，而 log r_{ε,0} 也近似是 x 的线性函数（因为高斯平滑保持线性）。因此，校准参数 θ_1 可以精确地补偿 r_{ε,0} 与 r† 在斜率上的差异，使得 ˆr 在 L_2(P) 意义下收敛到 r†。这就是 Theorem 4.5 的核心思想：校准消除了正则化偏差，使得 ˆr 成为 r† 的一致估计，即使 ε 和 ρ 固定为正。

总结：这个最小内核展示了本文的核心数学贡献：通过将 Riesz 矩条件作为约束嵌入 OT 问题，校准步骤能够“纠正”正则化 OT 权重与目标密度比之间的系统性偏差，从而将 OT 从一个纯粹的几何对齐工具，转变为一个有效的半参数推断工具。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了如何将随机对照试验（RCT）的治疗效果外推到真实世界目标人群的问题，目标 estimand 是接受治疗人群的平均处理效应（ATT）。
  2. 核心工具 / 方法：提出了 RiCOT（Riesz-Calibrated Optimal Transport）方法，该方法在半非平衡熵正则化最优传输（OT）问题中直接嵌入 Riesz 校准方程，从而得到校准后的传输权重。
  3. 主要结论：理论证明，即使熵正则化和源松弛参数固定为正，校准权重也能一致地估计目标-试验密度比（即 Riesz representer）；结合结果回归后，所得估计量具有双稳健性，并在适当速率条件下达到半参数效率界；其方差可直接从影响函数估计，无需重抽样。

关键设定与假设

  • Assumption 1 (Causal identification)：这是识别的基础假设，包括一致性、正值性、对照结局的可传输性、以及目标人群协变量分布对试验人群的绝对连续性（重叠）。相比已有文献（如 Dahabreh et al. 2020），本文的假设更侧重于对照结局的可传输性，因为处理组结局在目标人群中可直接观测。
  • Assumption S1 (Sampling and identification)：这是正式的理论假设，在 Assumption 1 基础上增加了矩条件（如 E_Q|Y^Q - µ_0(Z)|^{2+δ} < ∞）和条件残差方差有界性，为后续的极限理论提供支撑。
  • Assumption S2 (Transport program and calibration design)：这是关于 OT 程序和校准设计的技术假设，包括：
    • 基函数条件：b_J 一致有界，Gram 矩阵特征值一致有界。这是标准筛设计条件。
    • 筛逼近条件：log r† - γL 可以被 H_J 以 J^{-s/d} 的速率逼近，其中 s > d/2。这是保证校准有效性的核心，它要求目标函数（而非 r† 本身）足够光滑。相比直接假设 r† 光滑，这个条件更弱，因为 L 是光滑的。
    • 定量内点性与对偶稳定性：要求经验校准问题存在内点解，且计划比和权重比一致有界。这是一个很强的假设，确保了 Sinkhorn 算法的数值稳定性和偏移估计的准确性。
  • Assumption S3 (Cross-fitting and outcome regression)：要求结果回归 ˆµ_0 通过交叉拟合估计，且其 L_2(P) 误差以 N^{-β} 速率收敛。这是双稳健估计和渐近正态性的标准条件。
  • Assumption S4 (Two-sided overlap)：要求密度比 r† 有上下界。这比 Assumption 1 中的单侧有界更强，用于保证 log r† 有界，从而使得指数族参数化有效。

相比已有文献，本文的假设体系更精细地区分了不同组件的要求：识别假设（Assumption 1）相对温和；而为了达到半参数效率界，需要更强的光滑性（Assumption S2）和收敛速率（Assumption S3）假设。

主要结果

  • Theorem 3.1 (Efficient Influence Function)：推导了 ATT τ_Q 的有效影响函数，其目标样本分量为 φ_Q = Y^Q - µ_0(X^Q) - τ_Q，试验样本分量为 φ_P = -A r†(X) {Y - µ_0(X)}。这个结果揭示了密度比 r† 作为 Riesz representer 出现在影响函数中，是后续所有推断的基础。
  • Theorem 4.2 (Regularization bias at fixed (ε, ρ))：给出了未校准 OT 权重 r_{ε,ρ} 与真实密度比 r† 之间偏差的渐近展开式：r_{ε,ρ} - r† = (ρ/ε) B_ε + (ε/4) [Δr† - r† Δp / p] + ...。这个结果定量地证明了固定正则化会导致一个不随样本量衰减的偏差（O(ρ/ε + ε)），从而严格论证了校准的必要性。
  • Theorem 4.5 (Calibration rate)：证明了校准权重 ˆr 在 L_2(P_X) 意义下以速率 O_p(J^{-s/d} + √(J log J / N) + a_{L,N}) 收敛到 r†。这个结果的关键在于，即使 ε 和 ρ 固定，校准也能消除正则化偏差，收敛速率由筛逼近误差、校准估计误差和传输偏移估计误差三者共同决定。通过平衡前两项，可以得到最优非参数收敛速率 O_p((log N / N)^{s/(2s+d)})。
  • Theorem 5.1 (Double robustness)：证明了 RiCOT 估计量 bτ 是双稳健的：只要结果回归 ˆµ_0 或校准权重 ˆr 之一是一致估计，bτ 就是 τ_Q 的一致估计。这个结果不依赖于任何速率条件，是双稳健性的标准形式。
  • Theorem 5.2 (Efficient limit distribution and plug-in variance)：在乘积速率条件 a_N b_N = o_p(N^{-1/2}) 下，证明了 bτ 是渐近线性的，其渐近方差等于半参数效率界 V_eff，且提出的插件方差估计量 ˆV 是 V_eff 的一致估计。这为构建渐近有效的 Wald 置信区间提供了理论基础。

证明路线与技术技巧

整体路线（以 Theorem 5.2 的证明为例）：

  1. 精确分解：将估计误差 bτ - τ_Q 分解为两个有效影响函数的样本均值加上三个余项（Theorem ST1）。这个分解是精确的，不涉及任何近似。
  2. 控制余项：
    • R_{1n}（目标侧回归误差）：通过交叉拟合和条件方差论证，证明其为 o_p(N^{-1/2})。
    • R_{2n}（试验侧经验过程项）：这是证明的核心难点。由于 ˆr 未交叉拟合，需要控制 (E_n - E_P)[A ˆr δµ] 和 (E_n - E_P)[A δr (Y-µ_0)]。作者的关键技巧是将 ˆr 限制在一个确定性的函数类 R_J 中（Lemma ST2 的 Step 0），该函数类由指数倾斜族和 Sobolev 球构成，具有可控的括号熵。然后利用括号熵的最大值不等式（van der Vaart & Wellner, 1996）来证明这两个经验过程项是 o_p(N^{-1/2})。
    • R_{3n}（乘积余项）：由 Proposition 3.2 知 R_{3n} = E_P[δr δµ]，在乘积速率条件下直接为 o_p(N^{-1/2})。
  3. 应用中心极限定理：在余项可忽略后，√m (bτ - τ_Q) 近似等于两个独立样本均值的和，分别应用经典 CLT，并结合 Slutsky 引理，得到渐近正态性。

关键跳跃点： * 从 OT 权重到校准权重的跳跃：证明校准能消除正则化偏差（Theorem 4.5）是整个论文的理论基石。其关键在于将校准问题重新参数化为一个凸的 M-估计问题（Proposition 4.4），从而可以利用标准的筛 M-估计理论来推导 L_2 收敛速率。这个重新参数化（θ = -λ/(ε+ρ)）将校准乘子从指数内部提取出来，使得问题简化为一个有限维参数估计。 * 控制未交叉拟合的 ˆr 的经验过程：这是证明渐近正态性（Theorem 5.2）的最大技术障碍。作者没有采用交叉拟合 ˆr 的简单方案（这会增加计算成本），而是利用 ˆr 的指数倾斜形式，将其限制在一个具有可控复杂度的函数类中，从而使用经验过程理论。这个技巧避免了交叉拟合，但代价是需要额外的条件（如 J_N log N = o(√N)）来控制函数类的熵。

技术技巧点名： * Sinkhorn 算法：用于求解熵正则化 OT 问题。 * Gibbs 平滑算子 S_ε：用于表示熵正则化 OT 权重的解析形式，并推导其偏差展开。 * 热核展开（Heat kernel expansion）：用于推导 S_ε 的渐近性质，从而得到 Theorem 4.2 中的 O(ε) 偏差项。 * Log-sum-exp 的稳定性（Lemma ST4）：用于证明传输偏移 bL 的光滑性，这是将 ˆr 限制在 Sobolev 球中的关键。 * 凸 M-估计：用于分析校准步骤，将校准问题转化为一个严格凸的有限维优化问题。 * 括号熵（Bracketing entropy）与最大值不等式：用于控制未交叉拟合的 ˆr 的经验过程项。 * 交叉拟合（Cross-fitting）：用于处理结果回归 ˆµ_0 的估计误差，避免其与自身残差的相关性。

真实例子与应用

  • 数据/场景：转甲状腺素蛋白淀粉样心肌病（transthyretin amyloid cardiomyopathy）的真实世界数据。目标人群来自一个真实世界登记处，所有患者均接受研究药物治疗。RCT 数据来自比较研究药物与安慰剂的随机对照试验。
  • 方法应用：将 RiCOT 应用于将安慰剂组的 30 个月全因死亡率从 RCT 外推到真实世界目标人群。基线协变量包括年龄、性别、种族/民族、BMI、NYHA 分级、TTR 基因型和暴露时间。校准筛维数设为 J=11。
  • 结果：RiCOT 估计的 30 个月死亡率风险差为 -0.556，95% 置信区间为 (-0.617, -0.494)。与其他方法（如 G-computation, AIPW-PS）的估计值相似，但比基于倾向得分的 IPW 估计值（-0.476）更接近双稳健估计值。这表明校准后的 OT 权重比参数采样模型更好地逼近了密度比。
  • 例子想说明什么：这个例子旨在展示 RiCOT 在实际应用中的可行性和稳定性。它表明，在真实数据中，当结果回归模型已经捕捉到大部分风险变化时，RiCOT 能提供与标准双稳健方法一致的估计，同时其基于 OT 的权重可能对采样模型的误设更具鲁棒性。

🔎 结论是否比证明窄

  • Theorem 4.2 的边界效应：Theorem 4.2 的偏差展开式是在协变量空间内部的紧集上成立的，并明确指出“在协变量空间边界附近，熵偏差通常具有更大的阶数”（Remark SR9）。然而，在主要结论（如 Theorem 4.5 和 Theorem 5.2）的陈述中，并未明确强调边界效应的影响，而是依赖于 Assumption S2 中的紧致性和 Lipschitz 边界假设来保证整体结果。这意味着，如果协变量空间边界复杂或样本量不足以忽略边界效应，理论保证可能弱于预期。
  • Theorem 5.2 的额外条件：Theorem 5.2 的渐近正态性依赖于 Lemma ST2 中的额外条件，如 J_N log N = o(√N) 和 √(J_N) log N max(a_N, b_N) = o_p(1)。这些条件在正文中被提及，但不如乘积速率条件 a_N b_N = o_p(N^{-1/2}) 那样被强调。这意味着，即使乘积速率条件满足，如果校准筛维数增长过快或偏移估计误差过大，渐近正态性也可能不成立。作者在 Remark 1 中承认，交叉拟合 ˆr 可以放松这些条件，但会增加计算成本。

四、开放问题

  1. 形式化敏感性分析：作者在讨论中明确指出，“对偏离该假设（条件可传输性）的形式化敏感性分析是最重要的鲁棒性缺口”。这是一个明确的开放问题，扎根于论文的 Section 10。研究者可以探索如何将现有敏感性分析方法（如 E-value、基于倾度的分析）扩展到本文的 OT 框架下。
  2. 扩展到时间-事件结局：作者指出，“将 Riesz 校准论证扩展到时间-事件结局是直接的方法论方向”。虽然 Section 9 处理了复发事件率，但并未涉及删失和风险函数等更复杂的生存分析要素。这是一个具体的、有明确路径的开放问题。
  3. 非相同协变量集：作者在讨论中提到了“跨试验和真实世界数据的非相同协变量集”。这是一个更根本的挑战，因为 OT 要求两个分布定义在相同的空间上。如何在不完全匹配的协变量集下进行传输，是一个值得探索的方向。
  4. 高维 Riesz Representer 估计：作者提到了“高维 representer 估计”。当协变量维数 d 很高时，非参数收敛速率会变得非常慢。如何利用稀疏性或其他结构假设来改进校准，是一个重要的开放问题。这与研究者感兴趣的 high-dimensional statistics 和 statistical-computational tradeoff 领域高度相关。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论