Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach

作者: Taehyeon Koo, Elizabeth A. Stuart, Kara E. Rudolph, Caleb H. Miles
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.23971

---

一、领域脉络与小综述

这个方向是什么

这个子方向的核心问题是：当处理变量是连续的（尤其是多变量混合物）时，如何定义、识别和估计一个具有实际意义的因果效应，并处理由此产生的“positivity”（重叠/正支持）假设违反问题。 传统的因果推断方法（如将处理设为固定值的静态干预）在连续处理下往往不现实，且其依赖的positivity假设（即每个处理值在给定协变量下都有正概率被观察到）在高维或连续设定下极易被违反。当前该领域已从“假设positivity成立”转向“在positivity违反时如何获得有意义的推断”，主要策略包括：改变目标干预（如增量干预、可行干预）、改变目标人群（如修剪）、或引入外推假设进行部分识别。

发展脉络（history）

1. 奠基工作：MTP的提出与标准识别框架 (2012-2014)

   • Díaz and van der Laan (2012) 和 Haneuse and Rotnitzky (2013) 正式提出了修正治疗策略（MTP）的概念，即干预依赖于个体自然处理值的函数。他们建立了在positivity假设下，通过g-formula识别MTP平均结局的标准框架。Young et al. (2014) 则将其推广到纵向设定，并强调了“自然处理值”在干预定义中的核心作用。这些工作奠定了MTP作为连续处理下实用因果效应的基础，但同时也明确了positivity是其识别的关键瓶颈。

2. 主要进展：应对Positivity违反的策略 (2017-2024)

   • 改变干预本身：Kennedy (2019) 提出了“增量干预”（incremental propensity score interventions），通过倾斜倾向性得分而非设定处理值，完全避免了positivity假设。Antonelli and Zigler (2024) 提出了“可行干预”（feasible interventions），将超出支持范围的处理值替换为最近的、有数据支持的值，从而改变目标干预。Díaz et al. (2023) 将MTP推广到纵向设定，并讨论了如何通过设计干预来满足positivity。
   • 改变目标人群：Crump et al. (2009) 提出了基于倾向性得分修剪（trimming）的方法，将推断限制在重叠性更好的子总体。Branson et al. (2023) 将修剪方法推广到连续处理，并开发了非参数估计器。
   • 部分识别与外推：Armstrong and Kolesár (2021) 在弱positivity和光滑性假设下，研究了平均处理效应的有限样本最优推断。Pfister and Bühlmann (2024) 提出了“外推感知”的非参数推断框架，通过假设条件函数在观测支持外的方向导数极值来构建区间。Khan et al. (2024) 针对有限动作的离策略评估，推导了基于光滑性的sharp部分识别界。

3. 当前Frontier：非正则性与路径可微性的恢复 (2015-2025)

   • 许多部分识别或数据自适应目标（如最优治疗规则下的均值、修剪后的效应）的估计量是非正则的（non-regular），即其目标泛函不是路径可微的（pathwise differentiable），导致无法获得根号n收敛和正态推断。
   • Luedtke and van der Laan (2016) 证明了最优治疗规则下均值非路径可微的条件，并提出了通过margin condition恢复正则推断的方法。Bibaut and van der Laan (2017) 给出了一个通用框架，通过一个平滑尺度参数来近似非路径可微的目标。Levis et al. (2025) 在工具变量界中，通过margin condition或平滑近似来处理极值点带来的非正则性。Susmann et al. (2025) 则通过平滑指示函数来恢复部分识别界的路径可微性。

4. 本文的位置：本文位于“部分识别”与“恢复路径可微性”的交汇点。它针对MTP在positivity违反下的问题，提出了一种新的部分识别框架。其核心创新在于：识别出metric projection导致非路径可微的几何根源（锚点坍缩到低维边界），并提出了“interior-displaced projection”这一几何修正方法，从而恢复了路径可微性，使得基于influence function的渐近正态推断成为可能。 这与之前通过平滑指示函数或极值的方法不同，是从几何上解决问题。

子线索聚类

1. MTP的识别与估计：Díaz and van der Laan (2012), Haneuse and Rotnitzky (2013), Young et al. (2014), Díaz et al. (2023), Hejazi et al. (2022)。这条线索专注于MTP的定义、识别条件（g-formula）和高效估计（TMLE, one-step）。
2. Positivity违反的应对策略：
   • 改变干预：Kennedy (2019), Schindl et al. (2026), Antonelli and Zigler (2024), Bao and Schomaker (2025)。
   • 改变人群：Crump et al. (2009), Branson et al. (2023), D'Amour et al. (2021)。
   • 部分识别与外推：Armstrong and Kolesár (2021), Pfister and Bühlmann (2024), Khan et al. (2024), Ma and Namkoong (2025), Susmann et al. (2025)。
3. 非正则参数的推断：Luedtke and van der Laan (2016), Bibaut and van der Laan (2017), Levis et al. (2025)。这条线索关注当目标参数非路径可微时，如何通过平滑、margin condition或近似来恢复正则推断。

这个方向在追问的核心问题

1. 如何在positivity违反时，仍能对原始感兴趣的因果效应（而非改变后的）进行有意义的推断？ 当前主流方法要么改变干预（增量/可行），要么改变人群（修剪），这相当于“移动了球门”。部分识别方法试图保留原始目标，但需要引入额外的、可解释的假设。
2. 如何选择并校准外推假设，使其在统计上可处理且科学上可信？ 参数外推模型（如线性回归）过于强且不可验证。非参数光滑性假设（如Lipschitz连续性）更弱，但其常数（L）的选择是关键，且会影响推断的宽度和有效性。
3. 如何对非正则的、由数据自适应定义的目标参数进行有效的推断？ 许多部分识别界或数据驱动的目标（如基于估计区域的界）本身是非路径可微的，导致标准渐近理论失效。如何通过平滑、修正或引入新条件来恢复根号n收敛和正态推断，是当前的技术难点。
4. 在高维或混合物暴露设定下，如何有效构建“充分正支持区域”并处理其估计误差？ 区域的选择直接影响点识别和部分识别部分的划分。其估计误差会传播到最终的推断中，如何量化并控制这种传播是一个开放问题。

⚠️ 作者的 framing

• 作者的缺口frame：作者将缺口frame为“现有方法要么改变目标干预（增量/可行），要么依赖参数外推模型，而本文提供了一种保留原始政策、通过显式的Lipschitz连续性假设进行部分识别，并解决了由此产生的推断难题（非路径可微性）的方法”。这使得本文成为“显然的下一步”：在MTP领域，positivity违反是公认的难题，而本文提供了一个不改变目标、假设透明、且推断可行的解决方案。
• 被淡化/回避的竞争路线：
  • 增量干预（Kennedy, 2019）：作者在1.2节提及，但将其归类为“改变干预”的路线。增量干预完全避免了positivity假设，但其解释（倾斜处理分布）与原始MTP（确定性移位）不同。作者淡化了增量干预在解释上的优势，强调本文保留了原始政策。
  • 可行干预（Antonelli and Zigler, 2024）：作者在1.2节指出其与本文“几何上最接近”，但强调投影的角色不同（可行干预用投影定义新干预，本文用投影作为bound的锚点）。作者淡化了可行干预在概念上的简洁性（直接给出一个可识别的估计量），而强调本文提供了对原始政策的推断。
  • 参数外推模型：作者明确将其作为对比对象，指出其“misspecification would bias the identified contribution too”，从而凸显了本文非参数Lipschitz假设的优势（只约束外部，不约束内部）。
• 什么明显该被引/该存在、却没出现在intro里？ 未见明显缺失。论文的intro和参考文献覆盖了该方向的主要工作。一个可能的、但非必需的补充是更系统地讨论高维协变量下positivity的“维数灾难”理论结果，如 D'Amour et al. (2021) 已被引用，但可以更深入地将其与本文的区域构建策略联系起来。

张力

未见明显对立引用。不同工作（增量干预、可行干预、修剪、部分识别）之间更多是互补关系，适用于不同的科学问题和偏好。例如，当研究者愿意改变干预定义时，增量干预是好的选择；当研究者坚持原始政策时，本文的部分识别框架是合适的。它们之间的张力在于“在多大程度上可以改变科学问题以适应统计方法”。

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：

  • Y：结果变量（标量，实数）。
  • A：处理变量（q维连续向量）。
  • X：协变量（d_X维，包含连续部分X_C和离散部分X_D）。
  • W = (A^T, X^T)^T：处理-协变量联合向量。
  • d(A, X)：修正治疗策略（MTP），一个已知的确定性函数，将观测到的(A, X)映射为策略下的处理值A^d。
  • W^d = ((A^d)^T, X^T)^T：策略下的处理-协变量联合向量。
  • C = (A^T, X_C^T)^T：所有连续变量的联合向量（p维）。
  • θ^d = E[Y(A^d)]：目标estimand，即策略下的平均潜在结果。
  • Q(w) = Q(a, x) = E[Y | A=a, X=x]：观测数据中的条件均值函数（outcome regression）。
  • µ(c, d) = E[Y(a) | X_C = x_C, X_D = d]：潜在结果的条件均值函数，其中c = (a^T, x_C^T)^T。在positivity成立处，µ = Q。
  • H：一个预设的“充分正支持区域”，是C空间中的一个子集（在每个X_D层内定义）。在此区域内，positivity假设被认为成立或足够好。
  • L(d)：Lipschitz常数（敏感性参数），在每个离散协变量层d内定义。
  • V：一个正定对角矩阵，用于定义加权欧几里得距离||·||_V，将不同变量尺度标准化。
  • Π_H(w^d)：w^d到区域H的metric projection（最近点）。
  • ˜Π^ϵ_H(w^d)：interior-displaced projection，将w^d映射到H内部一个距离边界ϵ的点。

• 模型：

  • 数据生成机制：n个独立同分布的观测O = (Y, A, X) ~ P。
  • 潜在结果框架：Y(a) 表示在处理为a时的潜在结果。
  • 标准因果假设：
    1. 一致性：如果A=a，则Y = Y(a)。
    2. 无混杂性：Y(a) ⊥⊥ A | X，对所有a成立。
  • 识别目标：在无额外假设下，θ^d 不一定可识别。本文引入的额外假设是Lipschitz连续性（Assumption 3），用于对不可识别的部分进行bound。

• 可观测数据：

  • 研究者可以观测到(Y_i, A_i, X_i)，i=1,...,n。
  • 基于此，可以估计Q(w)、处理密度f(a|x)等。
  • 想要但观测不到的量：
    • 策略下的处理值A^d_i = d(A_i, X_i) 是可计算的，但其对应的潜在结果Y(A^d_i) 是不可观测的（除非A^d_i = A_i）。
    • 当W^d_i落在区域H外时，Q(W^d_i) 无法被观测数据直接识别，因为在该点没有或很少有观测数据。µ在这些点上的值也是未知的。

第二步：讲最小内核

最简特例：考虑一个单变量连续处理 A（q=1），无协变量 X（d_X=0），因此C = A，W^d = A^d。MTP是一个简单的比例缩减：d(A) = κA，其中0 < κ < 1。目标estimand是θ^d = E[Y(κA)]。

Positivity违反：假设A的分布是[0, ∞)上的一个分布，但观测数据中A的值都集中在[0, 10]区间内，在(10, ∞)上几乎没有或没有观测值。那么，对于某些A值较大的个体，其策略值κA可能大于10（例如，A=15, κ=0.8，则κA=12）。此时，A^d = 12这个值在观测数据中几乎没有支持，即positivity假设被违反。

核心思路： 1. 定义区域：设定一个“充分正支持区域” H = [0, 10]。这是一个已知的、观测数据支持良好的区间。 2. 分解目标： θ^d = E[Y(κA) * I(κA ∈ H)] + E[Y(κA) * I(κA ∉ H)] 第一项（内部贡献）：由于κA ∈ H，positivity成立，E[Y(κA) | κA] = Q(κA)，因此这一项可以被点识别：E[Q(κA) * I(κA ∈ H)]。 第二项（外部贡献）：当κA ∉ H（即κA > 10）时，Q(κA)不可靠或未定义。我们需要bound它。

1. 引入Lipschitz假设：假设潜在结果的条件均值函数µ(a) = E[Y(a)]是L-Lipschitz连续的：|µ(a') - µ(a)| ≤ L |a' - a|。

2. 选择锚点并bound：对于每个外部点a' = κA > 10，我们选择一个区域H内的锚点a_0。最直接的锚点是区域边界a_0 = 10（即metric projection）。那么，根据Lipschitz假设： µ(a') ∈ [µ(10) - L|a' - 10|, µ(10) + L|a' - 10|] 由于µ(10) = Q(10)是可识别的，我们得到了µ(a')的一个区间。将这个区间代入外部贡献的期望，就得到了θ^d的一个部分识别区间。

3. 推断的困难：锚点a_0 = 10是区域H的边界点。所有κA > 10的点都被投影到这个唯一的边界点上。这意味着，在估计E[Q(10) * I(κA ∉ H)]时，我们实际上是在用Q(10)这个单一值来代表所有外部点的贡献。这个估计量的行为就像在处理一个“质量点”，导致目标泛函不是路径可微的，无法进行根号n推断。

4. Interior-displaced projection的解决方案：我们不把外部点投影到边界10，而是投影到边界内部一点，比如10 - ϵ。这样，不同的外部点（例如κA=12和κA=15）会被投影到不同的内部点（例如10 - ϵ * (1 - exp(-2/ϵ))和10 - ϵ * (1 - exp(-5/ϵ))）。这些内部点分布在(10-ϵ, 10)这个区间内，形成了一个“全维”的锚点分布。这使得密度比r^g存在且非退化，从而恢复了路径可微性，使得influence function推断成为可能。

总结：这篇论文在数学上干了一件什么事？它针对MTP在positivity违反下的部分识别问题，提出了一种几何修正方法（interior-displaced projection），将一个非路径可微的、基于边界投影的bound，转化为一个路径可微的、基于内部投影的bound，从而为这个bound的端点推导出了efficient influence function，并构造了渐近正态的估计量和置信区间。

三、这篇论文做了什么

三句话

1. 研究了什么问题：当连续（包括多变量混合物）处理下的修正治疗策略（MTP）产生超出预设“充分正支持区域”H的处理值时，如何对MTP的平均结局θ^d进行部分识别和推断。
2. 核心工具/方法：将θ^d分解为H内的点识别部分和H外的有界部分；对H外的条件均值施加Lipschitz连续性约束，通过metric projection得到最窄的单锚点区间；为解决metric projection导致的非路径可微性，提出了interior-displaced projection，并基于此推导了efficient influence function，构造了cross-fitted one-step估计量。
3. 主要结论：推导了bound端点的influence function，并证明了在Lipschitz常数非紧贴（slack）时的半参有效性；证明了基于interior-displaced projection的估计量的渐近正态性；通过模拟和实际数据展示了该方法在positivity违反时能达到名义覆盖水平，而假设positivity的方法则覆盖不足。

关键设定与假设

• Assumption 1 (一致性 & 无混杂性)：标准假设，连接潜在结果与观测数据。
• Assumption 2 (MTP Positivity)：标准假设，确保H内的贡献可被g-formula识别。本文将其限制在区域H内。
• Definition 1 (Region of Adequate Positivity)：H在每个离散协变量层内是C空间的一个非空、闭、凸子集，且包含于条件支持内。闭凸性保证metric projection的存在唯一性。
• Assumption 3 (V-norm Lipschitz Continuity)：核心外推假设。µ在C空间上关于加权欧几里得距离是Lipschitz连续的。相比已有文献：它比参数外推模型弱，但比无假设强。它只约束了µ的变化速率，而非其具体形式。
• Assumption 4 (Boundary Regularity)：H的边界∂H是光滑的（C^1）且具有正reach。相比已有文献：这是一个技术性假设，为interior-displaced projection的几何构造提供基础。它排除了多面体（polytopes）等有角点的区域，因此在实际应用中需要对凸包进行平滑处理（Section 5.3）。
• Assumption 5 (Piecewise Smooth Invertibility)：MTP d是分段光滑可逆的。相比已有文献：这是MTP文献中的标准假设，用于推导策略诱导密度f^d的change-of-variables公式。
• Assumption 6 (Regularity of the Anchor Map)：锚点映射g（即˜Π^ϵ_H）也满足类似的分段光滑可逆性，且其诱导的密度f^g相对于观测密度f是绝对连续的。相比已有文献：这是本文特有的假设，用于推导锚点部分的influence function。Interior-displaced projection的设计就是为了使这个假设成立。
• Assumption 7 (Nuisance Function Estimation)：标准的高阶影响函数（HOIF）或DML假设，要求 nuisance 函数的估计误差的乘积为o_p(n^{-1/2})。

主要结果

• Proposition 1 (Bounds and the Optimal Anchor)：

  • 陈述：对于任意锚点映射g，θ^d属于一个区间PI^g。该区间的宽度由E[L(X_D) ||W^d - g(W^d)||_V * I(W^d ∉ H)]决定。在所有锚点映射中，metric projection Π_H 最小化这个宽度。
  • 直觉：Lipschitz假设给出的区间半宽正比于到锚点的距离。因此，选择最近的锚点（即投影）自然给出最窄的区间。这个最优性不依赖于Q的具体形式。
  • 必要条件：H是闭凸集（保证投影唯一），Lipschitz假设成立。
  • 解决的技术难点：将部分识别问题转化为一个几何优化问题，并证明了投影的最优性。

• Theorem 1 (Influence Functions for the Bound Endpoints)：

  • 陈述：对于给定的锚点映射g（满足Assumption 6），PI^g_l和PI^g_u的influence function由ψ^in + ψ^{g}_l和ψ^in + ψ^{g}_u给出，其中ψ^in对应H内的贡献，ψ^{g}对应H外的贡献。
  • 直觉：influence function由两部分组成：一部分是标准的MTP influence function（应用于H内），另一部分是一个“伪”MTP influence function，其中“处理”被替换为锚点g(W^d)，“结果”被替换为Q(g(W^d)) ∓ L||W^d - g(W^d)||_V。
  • 必要条件：Assumptions 1, 3, 5, 6成立。g必须是interior-displaced projection（或类似能产生全维锚点分布的映射），以保证密度比r^g存在。
  • 解决的技术难点：推导出H外贡献的influence function。关键在于认识到，E[Q(g(W^d)) * I(W^d ∉ H)]可以看作是一个新的、在g(W^d)处评估的“结果”的期望，而g(W^d)的分布可以通过change-of-variables与观测分布联系起来。

• Proposition 2 (Efficiency of the Bound Influence Functions)：

  • 陈述：如果Lipschitz常数L(d)是“松弛”的（即µ实际满足一个更小的常数L(d)-η），那么Theorem 1中的influence functions是半参有效的。
  • 直觉：当L(d)不是紧贴的（binding）时，Lipschitz假设并没有完全刻画µ的分布，因此模型比非参数模型更小。在这个子模型下，这些influence functions达到了Cramér-Rao下界。
  • 必要条件：L(d)是松弛的，且一些正则性条件（如条件方差有下界）。
  • 解决的技术难点：证明了在敏感性分析中常用的“保守选择”L恰好满足了效率成立的条件。

• Theorem 2 (Asymptotic Normality)：

  • 陈述：在Assumption 7下，基于interior-displaced projection的cross-fitted one-step估计量cPI^{(ϵ)}_l和cPI^{(ϵ)}_u是联合渐近正态的。
  • 直觉：这是DML/HOIF理论的标准应用。由于influence function已知，且nuisance函数的估计误差满足乘积条件，one-step估计量可以消除第一阶偏差，实现根号n收敛。
  • 必要条件：Assumptions 1, 3, 5, 6, 7。H固定且已知。
  • 解决的技术难点：验证在interior-displaced projection下，nuisance函数（特别是密度比r^ϵ）的估计误差满足乘积条件。

• Corollary 1 (Uniform Set Coverage)：

  • 陈述：通过multiplier bootstrap，可以构造一个在预设的ϵ网格上同时有效的置信区间cCI_α，且θ^d以至少1-α的概率被覆盖。
  • 直觉：由于θ^d包含于每个ϵ对应的区间[PI^{(ϵ)}_l, PI^{(ϵ)}_u]，这些区间的交集也包含θ^d。通过bootstrap校准，可以找到同时覆盖所有区间端点的临界值。
  • 必要条件：Theorem 2在每个ϵ网格点上成立，且联合协方差矩阵非奇异。
  • 解决的技术难点：避免了选择最优ϵ的难题，提供了一个对ϵ稳健的推断方法。

证明路线与技术技巧

• 整体路线：

  1. 分解与bound：将θ^d分解为H内和H外两部分。对H外部分，利用Lipschitz假设和锚点g(W^d)，将其bound在一个区间内，从而得到θ^d的bound PI^g。
  2. 推导Influence Function：将PI^g的端点视为一个新的统计泛函。通过计算其pathwise derivative，得到其influence function。关键在于将H外的期望项E[Q(g(W^d)) * I(W^d ∉ H)]重新解释为E[ (Y - Q(W)) * r^g(W) + Q(g(W^d)) * I(W^d ∉ H) ]，其中r^g是锚点分布相对于观测分布的密度比。
  3. 验证效率：在Lipschitz常数松弛的条件下，证明该influence function属于模型的正交补空间，从而证明其半参有效性。
  4. 构造估计量：基于influence function，构造cross-fitted one-step估计量。使用plug-in估计量替换未知的nuisance函数（Q, r^in, r^ϵ）。
  5. 证明渐近正态性：应用DML理论，证明在nuisance函数估计误差满足乘积条件时，one-step估计量是渐近正态的。

• 关键跳跃点：

  • 从metric projection到interior-displaced projection：这是最关键的跳跃。作者识别出metric projection导致非路径可微的几何根源（锚点坍缩到低维边界），并创造性地提出了一个几何修正方案——将锚点向内移动一个微小距离ϵ，从而“恢复”了锚点分布的维度，使得密度比r^g存在。这个跳跃将问题从一个“不可能”（非正则推断）变成了“可能”（正则推断）。
  • 推导H外贡献的Influence Function：如何将E[Q(g(W^d)) * I(W^d ∉ H)]这个看似非光滑的泛函（因为涉及指示函数）转化为一个可以用influence function处理的形式。作者通过引入密度比r^g，将其改写为E[(Y - Q(W)) * r^g(W) * I(W^d ∉ H) + Q(g(W^d)) * I(W^d ∉ H)]，其中第一项通过(Y-Q(W))的“Neyman正交”性质，使得对Q的估计误差不敏感。

• 技术技巧点名：

  • Metric Projection：用于定义最优的单锚点。
  • Interior-displaced Projection：核心创新，通过一个单调递增函数ϕ_ϵ(r)将外部点映射到边界内部，恢复路径可微性。
  • Change-of-Variables / Density Ratio：用于将锚点g(W^d)的期望转化为观测数据上的加权期望，是推导influence function的关键。
  • Efficient Influence Function (EIF)：核心推断工具，用于构造渐近有效的估计量。
  • Cross-fitting：标准DML技术，用于放松对nuisance函数估计量的Donsker条件。
  • One-step Estimation：基于EIF的偏差校正方法。
  • Multiplier Bootstrap：用于构造在ϵ网格上同时有效的置信区间，避免了对ϵ的选择问题。
  • Convex Hull：用于从数据中构建区域H。
  • Super Learner：用于灵活地估计nuisance函数。

真实例子与应用

• 数据/场景：CHAMACOS队列研究，分析孕期农药混合物暴露与后续高血压风险的关系。暴露为7种农药类别，结果是高血压（二值变量）。协变量包括母亲年龄和教育水平。
• 如何应用：
  1. 定义MTP：考虑两种政策：(a) 将所有7种农药按比例减少0-20%；(b) 仅将新烟碱类（neonicotinoids）减少0-20%。
  2. 构建区域H：在每个教育水平层内，使用所有观测到的（处理，年龄）数据的凸包作为H。由于样本量小，使用全样本构建。
  3. 校准L：通过计算H内拟合的outcome regression Q的成对斜率，得到L的基准值（约0.13-0.15）。然后报告L在0, 0.15, 0.3, 0.6下的结果。
  4. 估计与推断：使用本文提出的方法（基于interior-displaced projection和multiplier bootstrap）和naïve方法（假设positivity处处成立）计算τ^d = θ^d - E[Y]的置信区间。
• 结果：
  • 支持诊断：联合减少政策下，超过97%的策略值仍在H内；而仅减少新烟碱类政策下，支持迅速丧失，20%减少时近一半策略值在H外。这直观展示了混合物暴露下positivity问题的严重性。
  • 联合减少政策：两种方法结果几乎一致，在减少幅度较小时（<12%）均显示微弱的保护效应（排除零），但效应量很小。当减少幅度更大时，区间变宽并包含零。这表明当政策本身不破坏支持时，部分识别方法几乎没有成本。
  • 仅减少新烟碱类政策：Naïve方法在所有减少幅度下都显示显著的保护效应（排除零）。而本文提出的方法仅在减少幅度很小（<5%，此时支持尚好）时排除零，且效应量同样很小。当减少幅度增大，支持变差时，区间迅速变宽并包含零。这个例子清晰地展示了本文方法的价值：它揭示了naïve方法在positivity违反时产生的虚假精确性，并提供了一个更诚实的、依赖于外推假设的敏感性分析。
• 这个例子想说明什么：验证了方法在实际应用中的可行性，并有力地证明了在混合物暴露研究中，忽视positivity问题可能导致误导性的结论。本文方法通过显式地量化外推不确定性，为研究者提供了一个更可靠的推断工具。

🔎 结论是否比证明窄

• Theorem 2和Corollary 1的证明依赖于H是固定的且已知的。然而，在实际应用中（如CHAMACOS例子），H是从全样本数据中构建的。作者在Section 5.2和Remark 1中明确指出了这一点，并说明全样本构建的H不在理论覆盖范围内。模拟研究中使用的cross-fitted H（在每折训练集上构建）有部分理论支持（cross-validated-region result），但作者也承认其条件未在模拟中完全验证。
• Proposition 2的效率声明依赖于Lipschitz常数L(d)是松弛的。在敏感性分析中，用户通常会尝试多个L值，其中一些可能恰好是紧贴的。作者明确指出，在紧贴的情况下，效率声明不成立，但influence function本身仍然有效。
• 模拟中，对于DGP2和DGP3（全支持但尾部稀疏），Lipschitz假设可能不成立（特别是对于Q_2，其包含交互项，可能没有全局Lipschitz常数）。作者承认在这些设定下，覆盖率的良好表现是一个“empirical finding”，而非理论保证。
• Corollary 1的覆盖保证是针对θ^d的，因为它包含于每个ϵ对应的区间。但实际报告的是τ^d = θ^d - E[Y]的区间，其覆盖性质需要额外注意，因为E[Y]的估计误差会引入相关性。作者在Section 4.3中提到了这一点，并建议直接对ψ^τ_{*,i}应用方差估计。

四、开放问题（点到为止，扎根具体语句）

1. 全样本区域H的推断：当H是从全分析样本中构建时，其估计误差会通过指示函数I(W^d ∈ H)进入bound泛函，导致非路径可微性。作者在Section 8（Conclusion）中明确指出：“inference with a region built once on the full analysis sample, which the present theory does not cover”。这是一个明确的开放问题，可能需要类似Luedtke and van der Laan (2016)的margin condition或Levis et al. (2025)的平滑近似来恢复正则推断。

2. 纵向MTP的推广：作者在Section 8中提出：“extend the framework to longitudinal policies, where positivity is a condition on histories rather than on a single exposure”。这需要为每个时间点定义区域H_t和Lipschitz参数L_t，且锚点在一个时间点的选择会影响后续时间点的nuisance函数，使得influence function的计算变得复杂。

3. 高维协变量下的区域构建：当协变量X的维度很高时，构建一个有意义的、非稀疏的凸包H变得极其困难（维数灾难）。作者在Section 1中提到了这一点，但未提供解决方案。如何在高维设定下定义和估计“充分正支持区域”，并控制其估计误差对最终推断的影响，是一个重要的开放问题。

4. 自适应Lipschitz常数的选择：作者在Section 5.4中提出了一个基于数据的基准bL_q(d)，但强调这是一个“benchmark”而非“estimate”。如何开发一个数据驱动的方法来选择L，并为其不确定性进行推断（例如，提供一个对L选择稳健的置信区间），是敏感性分析中的一个自然延伸。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论