跳转至

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

这个子方向研究的是连续处理变量（包括暴露混合物）下修正治疗策略（MTP）的因果效应识别与推断问题。MTP 是一种基于个体观测处理值（自然值）来定义干预的框架，例如“将每个人的农药暴露降低 20%”。其核心统计困难在于 positivity 假设：政策生成的处理值必须在给定协变量下被观测数据支持。当处理是多维连续变量或协变量是高维时，该假设极易被违反，导致标准识别失效。当前该方向的成熟度处于“方法众多但核心困难尚未被系统解决”的阶段——已有大量工作通过改变目标（如修剪、增量干预、可行干预）来回避问题，但保留原始政策并量化外推不确定性的部分识别框架仍是一个相对较新的尝试。

发展脉络（history）

奠基工作（2012-2014）：Díaz and van der Laan (2012) 和 Haneuse and Rotnitzky (2013) 正式定义了 MTP 及其识别条件，建立了基于 g-formula 的识别公式。Young et al. (2014) 将其推广到纵向设定，引入“自然值”概念。这些工作奠定了 MTP 的理论基础，但默认 positivity 成立，未系统处理其违反。

主要进展（2017-2023）：Kennedy et al. (2017) 提出了连续处理下的核平滑方法，允许对处理效应曲线做非参数估计，但仍依赖弱 positivity。Díaz et al. (2023) 将 MTP 推广到纵向设定，并给出了高效影响函数和双稳健估计量。Antonelli and Zigler (2024) 针对空气污染混合物，系统定义了混合物 positivity 并提出了诊断指标，但仍通过改变目标（可行干预）来回避问题。这些工作推动了 MTP 的应用范围，但核心困难——如何在保留原始政策的同时量化外推不确定性——未被解决。

当前 frontier（2024-2026）：两条并行路线。第一条是增量干预（Kennedy, 2019; Schindl et al., 2026; Huang et al., 2026），通过倾斜处理分布而非设定确定性移位来完全避免 positivity 假设。第二条是可行干预（Antonelli and Zigler, 2024; Bao and Schomaker, 2025），将不支持的政策值替换为附近的支持值。本文的位置：提出第三条路线——保留原始政策，通过 Lipschitz 连续性约束对区域外部分进行部分识别，并开发了相应的推断方法。

本文的位置：本文是第一条将部分识别框架与MTP结合的工作，其核心创新在于：(1) 将目标分解为区域内点识别部分和区域外有界部分；(2) 用 Lipschitz 连续性而非参数模型来约束外推；(3) 提出内部位移投影以恢复路径可微性，从而允许基于影响函数的推断。

子线索聚类

这些被引文献大致落在三条子线索上：

  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）：建立 MTP 的识别公式、影响函数和高效估计量。核心假设：positivity 成立。本文的贡献在于放松这一假设。

  2. Positivity 违反的应对策略：

    • 修剪（Crump et al., 2009; Branson et al., 2023）：改变目标总体，只对支持好的子总体做推断。改变 estimand。
    • 增量干预（Kennedy, 2019; Schindl et al., 2026; Huang et al., 2026）：倾斜处理分布，完全避免 positivity。改变干预定义。
    • 可行干预（Antonelli and Zigler, 2024; Bao and Schomaker, 2025）：将不支持的政策值替换为附近的支持值。改变干预定义。
    • 部分识别（本文；Susmann et al., 2025）：保留原始政策，通过平滑性约束量化外推不确定性。保留 estimand。

  3. 部分识别与平滑性约束（Armstrong and Kolesár, 2021; Pfister and Bühlmann, 2024; Khan et al., 2024; Ma and Namkoong, 2025）：在非参数模型中，用 Lipschitz 或 Hölder 平滑性来界定外推不确定性。本文与 Khan et al. (2024) 最接近，但后者处理的是有限个动作的 off-policy 评估，而本文处理的是连续、可能多维的 MTP。

这个方向在追问的核心问题

  1. 如何定义有意义的因果效应？ 当标准 ATE 因 positivity 违反而无法识别时，应该改变目标（修剪/增量/可行干预）还是保留目标但量化不确定性？
  2. 如何在不假设参数模型的情况下进行外推？ 平滑性约束（如 Lipschitz）是比参数模型更弱的假设，但如何校准其参数（如 Lipschitz 常数）？
  3. 如何对非路径可微的目标进行推断？ 部分识别区间端点往往是非光滑的，如何恢复正则推断？
  4. 如何处理高维处理/协变量下的 positivity？ 随着维度增长，positivity 违反几乎不可避免，如何设计可扩展的方法？

⚠️ 作者的 framing

作者把缺口 frame 成：“现有方法要么改变目标（修剪/增量/可行干预），要么依赖参数外推模型。我们保留原始政策，用 Lipschitz 连续性约束来量化外推不确定性，并开发了相应的推断方法。” 这使得本文成为“显然的下一步”：在 MTP 文献中，positivity 违反是公认的困难，但此前没有工作系统地将部分识别框架应用于此。

被淡化或回避的竞争路线： - 增量干预（Kennedy, 2019; Schindl et al., 2026）：作者在 1.2 节提到，但仅用一句话带过（“tilt the observed treatment distribution rather than assign a deterministic shift”），未深入讨论其与本文方法的优劣比较。增量干预完全避免 positivity 假设，但改变了干预的解释（从“降低 20%”变为“使处理分布倾斜 δ”），这在某些应用中可能不直观。 - 可行干预（Antonelli and Zigler, 2024）：作者在 1.2 节提到，但仅指出“projection plays a different role”（他们的投影定义新干预，本文的投影是锚点）。未讨论当政策值不支持时，可行干预是否比部分识别更可取。

什么明显该被引/该存在、却没出现在 intro 里？ 值得研究者去查的问题： - Khan et al. (2024) 的 off-policy evaluation 工作与本文最接近，但处理的是离散动作。作者在 1.2 节引用了它，但未讨论将其扩展到连续动作的困难。 - Susmann et al. (2025) 的非重叠 ATE 界与本文类似（部分识别 + 平滑近似），但处理的是二元处理。作者在 4.3 节引用了其乘子自助法，但未讨论两种方法的异同。 - Bibaut and van der Laan (2017) 的数据自适应平滑框架被作者在 1.2 节引用，但未讨论其是否可直接用于本文的投影问题。

张力

未见明显对立引用。所有被引工作基本认同“positivity 违反是连续处理下的核心困难”，分歧在于如何应对。本文的路线（保留目标 + 部分识别）与增量干预/可行干预路线之间是互补而非对立关系，因为不同应用场景可能偏好不同的 estimand。

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： - \(Y \in \mathbb{R}\)：观测到的结果变量。 - \(A \in \mathbb{R}^q\)：连续处理向量（\(q\) 维）。 - \(X \in \mathbb{R}^{d_X}\)：预处理协变量，分为连续部分 \(X_C \in \mathbb{R}^{d_C}\) 和离散部分 \(X_D\)。 - \(C = (A^T, X_C^T)^T \in \mathbb{R}^p\)：所有连续变量的联合向量，\(p = q + d_C\)。 - \(W = (A^T, X^T)^T\)：处理与协变量的联合向量。 - \(d\)：修正治疗策略（MTP），是一个已知的确定性函数，将 \((A, X)\) 映射到政策处理值 \(A^d = d(A, X)\)。 - \(W^d = ((A^d)^T, X^T)^T\)：政策生成的处理-协变量联合向量。 - \(Y(a)\)：在 \(A = a\) 下的潜在结果。 - \(\theta_d = \mathbb{E}[Y(A^d)]\)：目标 estimand，政策下的平均结果。 - \(\tau_d = \theta_d - \mathbb{E}[Y]\)：政策与观测结果的对比。 - \(Q(w) = Q(a, x) = \mathbb{E}[Y \mid A = a, X = x]\)：结果回归函数。 - \(\mu(c, d) = \mathbb{E}[Y(a) \mid X_C = x_C, X_D = d]\)：条件均值潜在结果，其中 \(c = (a^T, x_C^T)^T\)。 - \(H\)：预设的“充分 positivity 区域”，是 \(C\) 空间中的一个子集（按 \(X_D\) 分层）。 - \(\Pi_H(w^d)\)：将 \(w^d\) 投影到 \(H\) 上的度量投影。 - \(\tilde{\Pi}_H^\epsilon(w^d)\)：内部位移投影，将 \(w^d\) 映射到 \(H\) 内部的一个点。 - \(L(d)\)：第 \(d\) 层内的 Lipschitz 常数。 - \(V\)：用于定义加权欧氏距离的对角权重矩阵。 - \(r_{in}(w)\)：政策诱导的处理密度与观测处理密度之比（在 \(H\) 内）。 - \(r_g(w)\)：锚点诱导的密度与观测密度之比（在 \(H\) 外）。

模型： - 数据生成机制：\(n\) 个独立同分布观测 \(O = (Y, A, X) \sim P\)。 - 因果模型：标准潜在结果框架，假设一致性（Consistency）和无混淆性（Unconfoundedness）。 - 统计模型：非参数模型，除了对 \(\mu\) 施加 Lipschitz 连续性约束（Assumption 3）外，无其他参数假设。

可观测数据： - 研究者实际能观测到的是 \((Y_i, A_i, X_i)\)，\(i = 1, \dots, n\)。 - 想要但观测不到的是： - 潜在结果 \(Y(a)\) 在 \(a \neq A_i\) 时的值。 - 政策生成的处理-协变量向量 \(W^d_i\) 对应的结果 \(Y(A^d_i)\)。 - 条件均值潜在结果 \(\mu(c, d)\) 在 \(c\) 位于观测支持之外时的值。 - 识别依赖的假设：无混淆性（Assumption 1(ii)）将 \(\mu\) 与 \(Q\) 在观测支持上联系起来；Positivity（Assumption 2）确保 \(W^d\) 落在观测支持内，从而 \(\mu(W^d) = Q(W^d)\)。

第二步：讲最小内核

最简特例：考虑一维连续处理（\(q = 1\)）、无协变量（\(X\) 为空）、政策为比例缩减（\(A^d = \kappa A\)，\(0 < \kappa < 1\)）的情形。

  • 记号简化：\(A \in \mathbb{R}\)，\(Y(a)\) 为潜在结果，\(\mu(a) = \mathbb{E}[Y(a)]\)，\(Q(a) = \mathbb{E}[Y \mid A = a]\)。目标 \(\theta_d = \mathbb{E}[Y(\kappa A)]\)。
  • 可观测数据：\((Y_i, A_i)\)，\(i = 1, \dots, n\)。
  • Positivity 问题：标准识别要求 \(\kappa A\) 的分布被 \(A\) 的分布绝对连续地控制。如果 \(A\) 的支持是 \([0, \infty)\)，那么 \(\kappa A\) 的支持也是 \([0, \infty)\)，positivity 成立。但如果 \(A\) 的支持是 \([a_{\min}, a_{\max}]\)，那么当 \(\kappa A < a_{\min}\) 或 \(\kappa A > a_{\max}\) 时，positivity 被违反。例如，\(A \sim \text{Uniform}[1, 2]\)，\(\kappa = 0.5\)，则 \(\kappa A \sim \text{Uniform}[0.5, 1]\)，而 \(A\) 在 \([0.5, 1)\) 上无支持，positivity 被违反。

最小内核：在 positivity 违反时，如何界定 \(\theta_d\)？

  • 分解：设定一个充分 positivity 区域 \(H = [a_{\min}, a_{\max}]\)（即 \(A\) 的观测支持）。则

    \[\theta_d = \mathbb{E}[Y(\kappa A) I(\kappa A \in H)] + \mathbb{E}[Y(\kappa A) I(\kappa A \notin H)].\]
    第一项由 \(Q\) 点识别：\(\mathbb{E}[Q(\kappa A) I(\kappa A \in H)]\)。 第二项需要外推。

  • Lipschitz 约束：假设 \(\mu(a) = \mathbb{E}[Y(a)]\) 是 \(L\)-Lipschitz 的：\(|\mu(a') - \mu(a)| \le L |a' - a|\)。 对于 \(\kappa A \notin H\)（例如 \(\kappa A < a_{\min}\)），取锚点 \(a_{\min} \in H\)，则

    \[\mu(\kappa A) \in [\mu(a_{\min}) - L |\kappa A - a_{\min}|, \mu(a_{\min}) + L |\kappa A - a_{\min}|].\]
    由于 \(\mu(a_{\min}) = Q(a_{\min})\) 可识别，我们得到了 \(\mu(\kappa A)\) 的一个区间。

  • 投影与内部位移：

    • 度量投影：最近的锚点是 \(a_{\min}\)（对于 \(\kappa A < a_{\min}\)）或 \(a_{\max}\)（对于 \(\kappa A > a_{\max}\)）。这给出了最窄的“单锚点”区间。但投影点 \(a_{\min}\) 或 \(a_{\max}\) 是边界点，其概率质量为零，导致区间端点非路径可微。
    • 内部位移投影：将锚点向内移动一个微小距离 \(\epsilon\)，例如 \(\tilde{a} = a_{\min} + \epsilon\)。这样锚点位于 \(H\) 内部，具有正的概率质量，从而恢复路径可微性。代价是区间宽度略微增加（因为距离 \(|\kappa A - \tilde{a}| > |\kappa A - a_{\min}|\)）。

  • 核心思路：本文的核心思路就是用 Lipschitz 连续性来“购买”外推能力，并通过内部位移投影来“修复”因边界投影导致的推断困难。在无协变量的一维特例下，所有概念都变得直观：区域是区间，投影是截断，内部位移是向内缩进。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在连续处理变量（包括暴露混合物）的 MTP 下，当 positivity 假设被违反时，如何对政策平均结果 \(\theta_d\) 进行部分识别和推断。
  2. 核心工具/方法：将 \(\theta_d\) 分解为 positivity 区域内的点识别部分和区域外的有界部分；对区域外部分，用 Lipschitz 连续性约束条件均值潜在结果，通过度量投影得到最窄区间；为解决投影导致的非路径可微性，提出内部位移投影，恢复路径可微性并推导影响函数。
  3. 主要结论：推导了部分识别区间的影响函数，刻画了其半参效率界（在 Lipschitz 常数不紧时），构造了交叉拟合一步估计量，证明了渐近正态性，并通过乘子自助法得到同时有效的置信区间。模拟显示该方法在 positivity 违反时保持名义覆盖，而假设 positivity 的方法则覆盖不足。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 定义 1（充分 positivity 区域）：\(H\) 是已知的、非空、闭凸集，且包含于 \(C \mid X_D = d\) 的条件支持内。含义：\(H\) 是研究者认为“数据足够支持”的区域，在此区域内 \(Q\) 可被可靠估计。
  • 假设 3（V-范数 Lipschitz 连续性）：\(|\mu(c', d) - \mu(c, d)| \le L(d) \|c' - c\|_V\)。含义：条件均值潜在结果随连续变量变化的速度被 \(L(d)\) 控制。这是外推假设，将区域外的 \(\mu\) 与区域内的 \(\mu\) 联系起来。相比已有文献：Armstrong and Kolesár (2021) 和 Pfister and Bühlmann (2024) 也使用类似平滑性，但本文将其应用于 MTP 的特定几何结构。
  • 假设 4（边界正则性）：\(H\) 的边界是 \(C^1\) 的且具有正 reach。含义：边界足够光滑，使得内部位移投影有唯一的法向表示。这排除了多面体（如凸包），因此实际应用中需要对凸包进行平滑处理（Section 5.3）。
  • 假设 5（分段光滑可逆性）：政策 \(d(\cdot, x)\) 在每个协变量值下是分段一一映射且光滑可逆的。含义：允许使用变量变换公式计算政策诱导密度 \(f_d\)。这是 MTP 文献的标准假设（Díaz et al., 2023）。
  • 假设 6（锚点映射的正则性）：锚点映射 \(g\) 也满足类似的可逆性和密度正则性。含义：确保锚点诱导的密度 \(f_g\) 存在且与观测密度有良好关系。关键：内部位移投影使得 \(f_g\) 在 \(H\) 内部有正支撑，而硬投影做不到。
  • 假设 7（交叉拟合估计量的条件）：\(L_2\) 相合性、乘积误差率 \(o_p(n^{-1/2})\)、影响函数稳定性。含义：这是双机器学习（DML）的标准条件（Chernozhukov et al., 2018），允许使用灵活的非参数估计量（如 Super Learner）估计 nuisance 函数。

相比已有文献的放宽或强化： - 放宽：放松了标准 MTP 文献的 positivity 假设（Assumption 2），允许政策值落在 \(H\) 之外。 - 强化：引入了 Lipschitz 连续性假设（Assumption 3），这是标准 MTP 文献不需要的。此外，边界正则性假设（Assumption 4）在标准 MTP 文献中也不存在。

主要结果

定理 1（影响函数）： - 陈述：在假设 1、3、5、6 下，部分识别区间端点 \(PI_l^g\) 和 \(PI_u^g\) 的影响函数为 \(\psi_{in} + \psi_{l,u}^g\)，其中 \(\psi_{in}\) 对应区域内部分，\(\psi_{l,u}^g\) 对应区域外部分。 - 直觉：影响函数由两部分组成：一部分是标准 MTP 影响函数（在 \(H\) 内），另一部分是锚点重加权项加上 Lipschitz 项（在 \(H\) 外）。当 \(P(W^d \in H) = 1\) 时，退化为标准结果。 - 必要条件：锚点映射 \(g\) 必须满足假设 6，即其诱导的密度 \(f_g\) 必须存在且与观测密度有良好关系。这是内部位移投影的核心作用：硬投影不满足此条件。 - 解决的技术难点：硬投影将质量集中在零测集（边界）上，导致无法写出密度比。内部位移投影将质量分散到正测集（内部薄层）上，从而允许使用变量变换公式。

命题 2（效率）： - 陈述：当 Lipschitz 常数 \(L(d)\) 严格大于 \(\mu\) 实际满足的最小常数时（即约束是松弛的），定理 1 中的影响函数是半参有效的。 - 直觉：当 Lipschitz 约束不紧时，模型是“非参数”的（因为约束不限制观测分布），此时影响函数达到非参数效率界。当约束紧时，模型是“半参数”的，效率界可能更低，但本文的影响函数不再有效。 - 必要条件：\(L(d)\) 必须严格大于真实 Lipschitz 常数。这在敏感性分析中通常是成立的（因为研究者倾向于选择保守的、更大的 \(L\)）。

定理 2（渐近正态性）： - 陈述：在假设 7 下，交叉拟合一步估计量 \(\widehat{PI}_l^{(g)}\) 和 \(\widehat{PI}_u^{(g)}\) 联合渐近正态，协方差矩阵可由经验协方差一致估计。 - 直觉：这是 DML 的标准结论：当 nuisance 函数的乘积误差足够快时，一步估计量是 \(\sqrt{n}\)-相合且渐近正态的。 - 必要条件：假设 7 中的乘积误差率 \(\| \hat{Q} - Q \|_2 \cdot \| \hat{r} - r \|_2 = o_p(n^{-1/2})\)。对于内部位移投影，\(r_\epsilon\) 的 \(L_2\) 范数以 \(\epsilon^{-1}\) 速度增长，因此 \(\epsilon\) 越小，该条件越难满足。

推论 1（同时覆盖）： - 陈述：乘子自助法构造的区间 \(\widehat{CI}_\alpha\) 在预设的位移水平网格上同时覆盖所有 \(PI^{(j)}\)，从而覆盖 \(\theta_d\)。 - 直觉：由于每个 \(PI^{(j)}\) 都包含 \(\theta_d\)，它们的交集也包含 \(\theta_d\)。同时覆盖所有 \(PI^{(j)}\) 的区间必然覆盖其交集，从而覆盖 \(\theta_d\)。

证明路线与技术技巧

整体路线（以定理 1 为例）：

  1. 分解目标：将 \(\theta_d\) 分解为区域内部分 \(\theta_{in}(H)\) 和区域外部分 \(\theta_{out}(H)\)。
  2. 锚定区域外部分：对每个 \(w^d \notin H\)，用锚点 \(g(w^d) \in H\) 处的 \(\mu\) 值加上 Lipschitz 项来界定 \(\mu(w^d)\)。这给出了 \(\theta_{out}(H)\) 的区间。
  3. 写出区间端点：将区间端点写成期望形式，如 \(PI_l^g = \mathbb{E}[Q(W^d) I(W^d \in H)] + \mathbb{E}[(Q(g(W^d)) - L \|W^d - g(W^d)\|_V) I(W^d \notin H)]\)。
  4. 推导影响函数：对每个端点，将其视为一个统计泛函，通过 Gateaux 导数或 von Mises 展开计算其影响函数。关键在于处理两个期望项：
    • 第一项（区域内）：标准 MTP 影响函数，通过变量变换公式得到。
    • 第二项（区域外）：需要处理 \(Q(g(W^d))\) 和 \(\|W^d - g(W^d)\|_V\)。\(Q(g(W^d))\) 的影响函数通过重加权技巧得到：\(\mathbb{E}[Q(g(W^d)) I(W^d \notin H)] = \mathbb{E}[(Y - Q(W)) r_g(W) I(W^d \notin H)] + \mathbb{E}[Q(g(W^d)) I(W^d \notin H)]\)，其中 \(r_g\) 是锚点诱导的密度比。\(\|W^d - g(W^d)\|_V\) 是已知函数，其影响函数为零。
  5. 验证路径可微性：关键在于 \(r_g\) 的存在性。硬投影导致 \(g(W^d)\) 集中在边界上，\(r_g\) 不存在（因为分母为零）。内部位移投影将 \(g(W^d)\) 分散到内部，使得 \(r_g\) 存在且良好定义。

关键跳跃点： - 从硬投影到内部位移投影：这是本文最核心的技术创新。硬投影的几何直观（最近点）很自然，但导致推断困难。作者识别出困难的根源是“维度塌缩”（full-dimensional distribution projected onto lower-dimensional boundary），并通过“将锚点向内移动一个微小距离”来恢复维度。这个跳跃需要证明内部位移投影后的区间仍然包含真实 \(\theta_d\)，且其影响函数存在。 - 密度比 \(r_g\) 的存在性：证明内部位移投影下的锚点分布具有关于观测分布的绝对连续密度。这需要一个变量变换引理（在补充材料中），证明从 \(W^d\) 到 \(\tilde{\Pi}^\epsilon_H(W^d)\) 的映射是光滑且可逆的，从而可以写出密度比。

技术技巧点名： - 度量投影：用于找到最近的锚点，最小化区间宽度。 - 内部位移投影：核心创新，通过指数函数 \(\phi_\epsilon(r) = \epsilon(1 - e^{-r/\epsilon})\) 将外部距离映射到内部位移，恢复路径可微性。 - 影响函数 / 半参效率理论：标准工具，用于推导渐近性质和构造高效估计量。 - 交叉拟合（Cross-fitting）：用于处理 nuisance 函数估计带来的偏差，是 DML 的标准技术。 - 乘子自助法（Multiplier bootstrap）：用于构造同时有效的置信区间，处理位移水平选择的不确定性。 - 变量变换公式（Change of variables）：用于计算政策诱导密度 \(f_d\) 和锚点诱导密度 \(f_g\)。 - 凸包（Convex hull）：用于从数据中构造充分 positivity 区域 \(H\)。 - 边界平滑（Boundary smoothing）：通过向外膨胀并用球冠替换角点，使凸包满足边界正则性假设。

真实例子与应用

  • 数据/场景：CHAMACOS 队列，研究 7 类农药暴露对孕妇高血压的影响。259 名参与者，7 个连续处理变量（农药代谢物浓度），协变量为母亲年龄和教育程度。
  • 如何应用：
    • 定义两种 MTP：(1) 将所有 7 类农药按相同比例（0%-20%）降低；(2) 仅降低新烟碱类（neonicotinoids）农药。
    • 在每个教育层内，用观测数据的凸包构造 \(H\)。
    • 用 Super Learner 估计 \(Q\) 和密度比。
    • 对一系列 Lipschitz 常数 \(L \in \{0, 0.15, 0.3, 0.6\}\) 和位移水平网格，计算部分识别区间。
  • 结果：
    • 联合降低：几乎全部政策值（>97%）落在 \(H\) 内，因此部分识别区间与 naï ve 区间几乎重合。在降低 11% 以下时，区间排除零（但效应很小，<0.5 个百分点）。
    • 仅降低新烟碱类：政策值迅速离开 \(H\)（20% 降低时近一半在外）。Naï ve 区间在所有降低水平下都排除零，但部分识别区间在 \(L=0.15\) 时仅在 5% 降低以下排除零，之后包含零。区间宽度随 \(L\) 增大而增大。
  • 这个例子想说明什么：
    • 验证理论：当政策值几乎全部在 \(H\) 内时，部分识别方法退化为标准方法，区间宽度几乎不变。
    • 展示相对 baseline 的优势：Naï ve 方法在 positivity 违反时给出虚假的精确性（区间窄且排除零），而部分识别方法通过区间宽度量化了外推不确定性，使结论更稳健。这与 Rudolph et al. (2026) 的结论一致（他们通过改变政策来避免外推，也得到包含零的区间）。
    • 实际意义：在环境混合物研究中，改变单一成分的政策很容易导致 positivity 违反，而联合改变所有成分则相对安全。研究者应优先选择联合干预，或使用部分识别方法量化不确定性。

🔎 结论是否比证明窄

  • Theorem 2 和 Corollary 1 条件于固定的 \(H\) 和固定的 \((L, V)\)。Section 5.2 讨论了数据自适应 \(H\) 的情况，但只给出了一个“交叉验证区域”的结果，且需要“稳定性条件”。全样本构建的 \(H\)（如 CHAMACOS 应用）不在该理论覆盖范围内。作者在 Section 7 明确承认：“Consequently, the cross-validated-region result of the supplementary material does not cover the reported analysis.”
  • 模拟中的 DGP1（硬边界）和 Q2（无全局 Lipschitz 常数）：作者在 Section 6 指出，DGP1 的硬边界可能使凸包外的点位于条件支持之外，而 Q2 不满足 Lipschitz 假设。因此，这些设定下的覆盖率是“empirical finding outside the formal guarantee”。
  • Proposition 2（效率） 条件于 Lipschitz 常数是松弛的。在实际应用中，研究者通常不知道真实 Lipschitz 常数，因此无法验证该条件。作者在 Section 5.4 用数据校准 \(L\)，但这给出的是 benchmark 而非 estimate，因此效率 claim 在实际中可能不成立。

四、开放问题

  1. 全样本区域推断：当 \(H\) 是在全样本上构建的（而非交叉验证），如何对 \(\theta_d\) 进行推断？作者指出“the region converges slowly and enters the bound functional through an indicator, so the resulting functional need not be pathwise differentiable”（Section 8）。一个开放问题是：能否通过 margin condition 或 smoothed indicator 恢复正则推断？扎根于：Section 8 第一段。

  2. 纵向 MTP 的扩展：如何将本文框架扩展到纵向设定？作者指出“positivity is a condition on histories rather than on a single exposure”（Section 8）。这意味着需要在每个时间点定义一个区域 \(H_t\) 和一个 Lipschitz 参数 \(L_t\)，且锚点在一个时间点的选择会影响下一个时间点的 nuisance 函数。扎根于：Section 8 第二段。

  3. 高维协变量下的区域估计：当协变量维度 \(d_X\) 很高时，凸包估计变得极其困难（curse of dimensionality）。如何在高维下构建一个有意义且可估计的 \(H\)？作者在 Section 5.1 提到“trimmed hull”作为替代，但未讨论高维情况。扎根于：Section 5.1 和 Section 1 中关于“dimension”的讨论。

  4. Sharp Lipschitz 区间的推断：本文使用投影区间 \(PI^\Pi\) 而非 sharp 区间 \(PI^*\)，因为后者需要计算 McShane-Whitney 包络，其推断更困难。一个开放问题是：能否为 \(PI^*\) 开发可行的推断方法？扎根于：Section 3.3 对 \(PI^*\) 的定义和 gap 的量化。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论