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¶

这个子方向处理的是连续处理变量（包括多变量暴露混合物）下，修正治疗策略（MTP）的因果效应识别问题，核心挑战在于正定性假设（positivity）被违反时，如何仍能进行有意义的推断。标准MTP识别要求政策生成的处理值在给定协变量后仍被观测数据支持，但连续处理、多变量处理或连续协变量极易导致稀疏或无支持区域，使得该假设在实践中经常被违反。当前方向的主流成熟度处于从“假设正定性成立”到“系统性地处理正定性违反”的过渡阶段，本文是这一过渡中的一个具体推进。

发展脉络（history）¶

奠基工作：MTP的提出与标准识别框架
- Díaz and van der Laan (2012) 和 Haneuse and Rotnitzky (2013) 正式定义了MTP，并给出了在正定性假设下的识别公式（g-formula）。Haneuse and Rotnitzky (2013) 的摘要明确指出，标准因果效应定义（比较所有个体都接受某个固定剂量的反事实世界）对于连续处理“correspond to (hypothetical) interventions that could not conceivably be implemented in the real world”，从而为MTP这类更现实的干预提供了动机。
- Young, Hernán, and Robins (2014) 将MTP与“自然处理值”（natural value of treatment）的概念联系起来，并给出了扩展的g-formula，为后续工作奠定了理论基础。
主要进展：应对正定性违反的三种策略
- 策略一：改变干预本身（Change the Intervention）。这是最直接的应对方式，通过重新定义干预来确保其生成的值始终被支持。
  - Díaz and van der Laan (2013) 提出“可行干预”（feasible interventions），即只在政策值被支持时才应用预期偏移，否则保持处理不变。这改变了目标量（estimand），即“moves the goalposts”。
  - Kennedy (2019) 提出“增量倾向性评分干预”（incremental propensity score interventions），通过倾斜（tilt）观测到的处理分布而非设定一个确定性偏移来避免正定性假设。Schindl, Shen, and Kennedy (2026) 将其扩展到连续处理，并推导了minimax下界。
  - Antonelli and Zigler (2024) 针对空气污染混合物，提出用“可行干预”替换不支持的政策值，并系统性地诊断正定性违反。本文引用其凸包（convex hull）构造方法。
- 策略二：改变目标人群（Change the Target Population）。通过修剪（trimming）样本，只对满足正定性的子总体进行推断。
  - Crump, Hotz, Imbens, and Mitnik (2009) 提出了基于倾向性评分的最优修剪规则。
  - Branson, Kennedy, Balakrishnan, and Wasserman (2023) 将修剪扩展到连续处理，并提出了平滑版本的修剪效应估计量，以恢复路径可微性。
- 策略三：部分识别（Partial Identification）。保留原干预，但承认其效应无法被点识别，转而提供一个包含真实效应的区间。
  - Armstrong and Kolesár (2021) 在弱正定性下，利用平滑性（如Lipschitz）约束，为平均处理效应（ATE）提供了有限样本最优推断。其关键思想是，当正定性不足时，用更大的临界值来显式地考虑估计量的潜在偏差。
  - Pfister and Bühlmann (2024) 提出了“外推感知”（extrapolation-aware）的非参数推断框架，通过假设条件函数在观测支持内的方向导数达到极值来界定外推不确定性。
  - Susmann, McClean, and Díaz (2025) 针对ATE，在结果变量有界时推导了不依赖正定性的“非重叠界”（non-overlap bounds），并通过平滑近似恢复了路径可微性。
当前Frontier与本文位置
- 当前frontier在于：如何为连续/多变量处理的MTP，在保留原干预的前提下，构建一个既有理论保证（如半参有效性）又具有实际可操作性的部分识别框架。已有工作（如Armstrong and Kolesár, 2021; Pfister and Bühlmann, 2024）主要关注ATE或单变量处理，而Khan et al. (2024) 虽处理了多动作策略评估，但动作空间是离散的。
- 本文的位置：本文填补了上述空白。它保留了原MTP（不改变干预），将目标分解为支持区域内（点识别）和区域外（需界定）两部分，并引入Lipschitz连续性作为外推约束。其核心创新在于：识别了度量投影（metric projection）导致路径不可微的几何根源，并提出了“内部位移投影”（interior-displaced projection）来恢复路径可微性，从而为边界估计量建立了半参有效推断理论。

子线索聚类¶

MTP的识别与估计：关注在正定性成立时，如何有效估计MTP效应。代表工作：Díaz and van der Laan (2012), Haneuse and Rotnitzky (2013), Young et al. (2014), Díaz et al. (2023), Hejazi et al. (2022)。这些工作建立了MTP的g-formula、影响函数和高效估计量。
正定性违反的应对策略：关注当正定性不成立时，如何调整分析策略。可进一步分为：
- 改变干预：Díaz and van der Laan (2013), Kennedy (2019), Antonelli and Zigler (2024), Schindl et al. (2026)。
- 改变目标：Crump et al. (2009), Branson et al. (2023)。
- 部分识别/敏感性分析：Armstrong and Kolesár (2021), Pfister and Bühlmann (2024), Susmann et al. (2025), Khan et al. (2024)。
非正则参数的推断：关注当目标参数（如最优治疗规则下的均值、修剪后的效应、部分识别边界）不是路径可微时，如何恢复正则推断。代表工作：Luedtke and van der Laan (2016), Bibaut and van der Laan (2017), Levis et al. (2025), Yang and Ding (2018), Branson et al. (2023)。本文的“内部位移投影”属于这一线索，但其解决的是由几何投影（而非指示函数或极值）引起的非正则性。

核心问题与已知瓶颈¶

核心问题1：如何在不改变目标干预的前提下，处理正定性违反？ 改变干预或目标人群会改变科学问题的含义。部分识别是保留原问题的唯一途径，但其边界估计的宽度和推断的可行性是关键瓶颈。
核心问题2：如何选择外推约束（extrapolation constraint）？ 参数外推模型（如线性回归）过于强且不可验证。非参数约束（如Lipschitz、单调性、凸性）更透明，但如何校准其参数（如Lipschitz常数L）并评估其对结论的敏感性是实践中的难点。
核心问题3：如何为部分识别边界进行有效的推断？ 部分识别边界通常是复杂的非光滑泛函（如涉及指示函数、极值、投影），导致其不是路径可微的，因此标准的半参高效推断理论（如影响函数）无法直接应用。如何通过平滑或近似恢复路径可微性，同时控制偏差，是当前的理论瓶颈。

⚠️ 作者的Framing¶

作者的缺口定位：作者将缺口frame为“在保留原MTP的前提下，为连续/多变量处理提供一个具有半参有效推断能力的部分识别框架”。他们声称，现有工作要么改变了干预（Díaz and van der Laan, 2013; Kennedy, 2019），要么只处理了ATE或离散动作（Armstrong and Kolesár, 2021; Khan et al., 2024），要么没有解决由投影引起的路径不可微问题。因此，本文是“显然的下一步”。
被淡化/回避的竞争路线：
- 增量干预（Incremental Interventions）：作者在1.2节将其列为“改变干预”的路线，并指出其“tilt the observed treatment distribution rather than assign a deterministic shift”。这淡化了增量干预的一个关键优势：它完全避免了正定性假设（Kennedy, 2019），而本文的方法仍然需要一个“正定性区域”H，并将区域外的部分交由Lipschitz约束处理。对于研究者而言，这是一个根本性的权衡：是改变干预的定义（增量干预），还是保留干预但引入一个可能很宽的识别区间（本文方法）。
- 有限样本最优推断（Finite-Sample Optimal Inference）：Armstrong and Kolesár (2021) 的工作被引用，但其核心思想（在弱正定性下使用更大的临界值来显式处理偏差）被作者定位为“finite-sample optimal inference for ATE”，而非直接适用于MTP。本文的Lipschitz约束与Armstrong and Kolesár的平滑性约束在精神上是相似的，但本文通过投影和内部位移构造了一个不同的推断路径。
值得研究者去查的问题：为什么没有引用或讨论“核方法”（kernel methods）或“高斯过程”（Gaussian processes）作为外推工具？ 这些方法通过核函数隐式地施加了平滑性假设（如RKHS范数），并可以提供预测不确定性。它们与本文显式的Lipschitz约束有何异同？在连续处理的情境下，是否存在将核方法的外推不确定性量化为部分识别区间的已有工作？这可能是作者有意或无意忽略的一个竞争/互补路线。

张力¶

未见明显对立引用。不同工作在处理正定性违反时采取了不同的策略（改变干预 vs. 部分识别），但这更多是方法论选择上的分歧，而非结论上的矛盾。例如，Kennedy (2019) 的增量干预和本文的Lipschitz部分识别，在“是否保留原干预”这一根本问题上存在张力，但作者在文中明确承认了这一点，并将其作为自己工作的动机。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型与可观测数据¶

符号：
- O = (Y, A, X)：一个观测数据单元。
- Y ∈ ℝ：结果变量（outcome），标量。
- A ∈ ℝ^q：处理变量（treatment），一个q维连续向量。
- X ∈ ℝ^{d_X}：协变量（covariates），一个d_X维向量，包含连续部分X_C和离散部分X_D。
- 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），一个已知的确定性函数，将观测到的(A, X)映射为政策指定的处理值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)：在将处理设为a时的潜在结果（potential outcome）。
- θ_d = E[Y(A^d)]：目标量（estimand），即所有个体在MTP下的平均潜在结果。
- Q(w) = Q(a, x) = E[Y | A=a, X=x]：结果回归（outcome regression），即给定处理与协变量后的条件期望。
- µ(c, d) = E[Y(a) | X_C = x_C, X_D = d]：条件平均潜在结果，其中c = (a^T, x_C^T)^T。在正定性成立处，µ(c, d) = Q(a, x)。
- H：正定性区域（region of adequate positivity），一个已知的、封闭的、凸的集合，位于连续变量C = (A^T, X_C^T)^T的空间中。在该区域内，正定性假设成立或近似成立。
- L(d)：Lipschitz常数，一个非负的敏感性参数，用于约束µ在给定离散协变量d下的变化速率。
- V：度量矩阵，一个对角正定矩阵，用于标准化连续变量之间的距离。
- Π_H(w^d)：度量投影，将w^d投影到H上最近的点。
- ˜Π^ϵ_H(w^d)：内部位移投影，将w^d映射到H内部一个距离边界为ϵ的点。
模型：
- 数据生成机制：(Y, A, X) ~ P，其中P是一个未知的联合分布。
- 因果假设：
  - 一致性（Consistency）：如果A=a，则Y = Y(a)。
  - 无混杂性（Unconfoundedness）：Y(a) ⟂ A | X。
- 识别假设（标准情形）：正定性（Positivity）：对于几乎所有的x，f_d(a|x) = 0 当 f(a|x) = 0。即政策生成的处理值必须在观测数据中有正的支持。
- 本文的约束假设：Lipschitz连续性：|µ(c', d) - µ(c, d)| ≤ L(d) ||c' - c||_V。这个假设替代了正定性假设在区域H之外的作用。
可观测数据：
- 可观测：(Y_i, A_i, X_i)，i = 1, ..., n。研究者可以计算W_i = (A_i^T, X_i^T)^T，并根据已知的MTP d 计算W_i^d = (d(A_i, X_i)^T, X_i^T)^T。
- 不可观测/潜在：Y(a) 对于所有a ≠ A_i 是不可观测的。µ(c, d) 在c位于观测数据支持之外时是不可识别的。正定性区域H 本身也是未知的，需要从数据中估计。

第二步：最小内核¶

本文的核心数学问题可以归结为：如何用一个已知的、在区域H内点识别的函数Q，去界定一个在区域H外不可识别的函数µ在某个点c'上的值？

最简特例：假设只有一个连续处理变量A（即q=1），没有协变量X（即d_X=0）。那么W = A，W^d = A^d = d(A)。MTP是一个简单的向下偏移：d(A) = A - δ，其中δ > 0。正定性区域H是一个闭区间[L, U]，例如[0, 1]。假设µ(a) = E[Y(a)]是a的一个未知函数，且满足Lipschitz条件：|µ(a') - µ(a)| ≤ L |a' - a|。

问题：我们想估计θ_d = E[µ(A^d)]。但有些个体的A^d可能落在H之外（例如，A^d < 0）。对于这些个体，µ(A^d)无法通过观测数据直接识别。

核心思路： 1. 分解：θ_d = E[µ(A^d) * I(A^d ∈ H)] + E[µ(A^d) * I(A^d ∉ H)]。第一项是点识别的，因为对于A^d ∈ H，µ(A^d) = Q(A^d)，而Q可以在H内被估计。 2. 锚定：对于任何一个落在H外的点a^d（例如a^d = -0.2），我们找一个在H内的“锚点”（anchor）a_0（例如a_0 = 0，即H的边界点）。根据Lipschitz条件，µ(a^d) 被限制在区间 [µ(a_0) - L|a^d - a_0|, µ(a_0) + L|a^d - a_0|] 内。 3. 最优锚点：为了得到最窄的区间，我们选择离a^d最近的锚点，即a_0 = Π_H(a^d)。在这个一维例子中，如果a^d < L，那么Π_H(a^d) = L。这样，µ(a^d) 的区间宽度就是 2L * |a^d - L|。 4. 整体边界：将所有在H外的点都这样处理，我们就得到了θ_d的一个部分识别区间： θ_d ∈ E[Q(A^d) * I(A^d ∈ H)] + E[ (Q(Π_H(A^d)) ∓ L|A^d - Π_H(A^d)|) * I(A^d ∉ H) ]。

为什么这个例子抓住了核心？ - 它清晰地展示了“分解-锚定-投影”三部曲。 - 它暴露了核心困难：锚点Π_H(A^d)总是落在H的边界上（一个零测集），导致Q(Π_H(A^d))这个项无法通过观测数据的重加权来估计，因为观测数据在边界上的概率为零。这就是路径不可微的根源。 - 本文的“内部位移投影”就是针对这个困难：不把锚点放在边界上，而是放在边界内侧一个距离ϵ的地方（例如a_0 = ϵ），这样锚点就落在一个有正测度的区域内，从而可以恢复路径可微性。

三、这篇论文做了什么¶

三句话¶

研究问题：当连续/多变量处理的修正治疗策略（MTP）产生正定性区域H之外的值时，如何在不改变原干预的前提下，对MTP的平均效应θ_d进行部分识别和推断。
核心工具：利用Lipschitz连续性约束来界定区域外贡献，通过度量投影获得最窄的单锚点区间，并创新性地提出“内部位移投影”来恢复边界估计量的路径可微性，从而推导出影响函数并构建半参有效估计量。
主要结论：推导了边界的影响函数并给出了其成为半参有效估计量的条件；证明了交叉拟合一步估计量的渐近正态性；通过乘子bootstrap构建了在位移水平网格上同时有效的置信区间。模拟和实际数据应用表明，该方法在正定性违反时能达到名义覆盖，而假设正定性的方法则覆盖不足。

关键设定与假设¶

设定：n个独立同分布观测O = (Y, A, X)，A为q维连续处理，X为d_X维协变量。MTP d是已知的确定性函数。目标量θ_d = E[Y(A^d)]。
假设：
- Assumption 1 (一致性 & 无混杂性)：标准因果推断假设，连接潜在结果与观测数据。
- Assumption 2 (MTP正定性)：标准识别假设，要求政策生成的处理值在观测数据中有正支持。本文不假设其全局成立，而是将其限制在区域H内。
- Definition 1 (正定性区域)：H是已知的、非空、闭凸集，位于连续变量C的条件支持内。这是本文框架的基石，将“正定性”这一全局假设局部化。
- Assumption 3 (V-范数Lipschitz连续性)：|µ(c', d) - µ(c, d)| ≤ L(d) ||c' - c||_V。这是核心外推约束，替代了参数外推模型。L(d)是敏感性参数，V是标准化度量。相比已有文献：Armstrong and Kolesár (2021) 也使用平滑性，但针对ATE；本文将其应用于MTP的连续/多变量处理情境。
- Assumption 4 (边界正则性)：H的边界是连续可微的，且具有正的回转半径（reach）。这是为内部位移投影服务的纯技术性假设，确保每个点有唯一的法线方向。它排除了多面体（polytope），因此实际应用中需要对凸包进行平滑处理。
- Assumption 5 (分段光滑可逆性)：MTP d在给定x下是分段一对一的。这是标准假设，用于推导政策诱导密度的变量变换公式。
- Assumption 6 (锚点映射的正则性)：锚点映射g（如内部位移投影）也必须是分段一对一的，且其诱导的密度与观测密度有相同的支持。这是推导影响函数的关键，它要求锚点落在观测数据有正支持的区域，这正是内部位移投影要解决的问题。
- Assumption 7 (估计量条件)：L_2一致性、乘积率条件（o_p(n^{-1/2})）和影响函数稳定性。这是交叉拟合一步估计量渐近正态性的标准条件，与Chernozhukov et al. (2018) 和 Kennedy (2024) 一致。

主要结果¶

Proposition 1 (边界与最优锚点)：
- 陈述：在Lipschitz假设下，θ_d被包含在区间PI_g内，其端点由公式(7)给出。在所有单锚点映射中，度量投影Π_H最小化PI_g的长度。
- 直觉：Lipschitz约束将µ在区域外的值限制在一个以锚点µ值为中心的“锥”内。离锚点越远，锥越宽。选择最近的锚点（投影）自然得到最窄的锥。
- 必要条件：H是闭凸集（保证投影存在且唯一），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（最小化区间宽度），并证明了投影的最优性。
Theorem 1 (边界的影响函数)：
- 陈述：在Assumptions 1, 3, 5, 6下，PI_g的上下端点的影响函数由ψ_in + ψ^g_l和ψ_in + ψ^g_u给出。
- 直觉：影响函数分解为两部分：ψ_in对应区域H内的点识别贡献，ψ^g_*对应区域外的锚定贡献。ψ^g_*包含一个重加权项（将观测数据权重调整到锚点分布）和一个Lipschitz调整项。
- 必要条件：锚点映射g必须满足Assumption 6，即其诱导的分布与观测分布有重叠支持。这正是内部位移投影˜Π^ϵ要满足的，而硬投影Π_H无法满足。
- 解决的技术难点：为部分识别边界推导出显式的影响函数，这是构建渐近正态估计量的第一步。
Proposition 2 (影响函数的效率)：
- 陈述：如果Lipschitz常数L(d)是“保守的”（即µ实际满足的常数严格小于L(d)），那么Theorem 1中的影响函数是半参有效的。
- 直觉：当约束是“松弛的”（slack）时，模型是“更小”的（因为µ被限制在一个更窄的类中），此时影响函数在非参数模型下可能不是有效的，但在受约束的子模型下是有效的。保守的L值正好创造了这种松弛。
- 必要条件：L(d)严格大于µ的真实Lipschitz常数。
- 解决的技术难点：澄清了在部分识别框架下“效率”的含义。它不是在非参数模型下的效率，而是在施加了Lipschitz约束后的子模型下的效率。
Theorem 2 (渐近正态性)：
- 陈述：在Assumption 7下，交叉拟合一步估计量cPI^{(g)}_l和cPI^{(g)}_u是联合渐近正态的。
- 直觉：这是标准的一步估计量（one-step estimator）理论在部分识别边界上的应用。只要 nuisance 函数的估计误差足够快（乘积率条件），估计量的渐近分布就由影响函数主导。
- 必要条件：Assumption 7中的乘积率条件（o_p(n^{-1/2})）。
- 解决的技术难点：将标准的一步估计量理论扩展到由内部位移投影定义的、非标准的影响函数上。
Corollary 1 (均匀集覆盖)：
- 陈述：通过乘子bootstrap构建的置信区间cCI_α，在位移水平ϵ的网格上同时覆盖θ_d的概率渐近地至少为1-α。
- 直觉：由于θ_d被包含在每个ϵ对应的边界区间内，因此也被这些区间的交集中。通过bootstrap校正多重比较，可以构建一个同时覆盖所有区间端点的置信域，从而保证覆盖θ_d。
- 必要条件：Theorem 2在每个ϵ_j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不敏感的稳健推断程序。

证明路线与技术技巧¶

整体路线：
1. 分解与锚定：将目标θ_d分解为区域H内（点识别）和区域外（需界定）两部分。对区域外的每个点，利用Lipschitz假设，通过一个区域内的锚点来界定其µ值。
2. 投影与最优性：证明使用度量投影（最近锚点）可以得到最窄的单锚点区间（Proposition 1）。
3. 识别障碍：指出度量投影将锚点集中在H的边界（一个低维流形）上，导致锚点分布与观测分布无重叠支持，从而边界泛函不是路径可微的。
4. 内部位移：提出“内部位移投影”˜Π^ϵ，将锚点从边界“推”入H内部一个厚度为ϵ的薄层中，使锚点分布与观测分布有重叠支持，从而恢复路径可微性。
5. 影响函数推导：在内部位移投影下，利用标准的影响函数计算技巧（如von Mises展开），推导出边界端点的影响函数（Theorem 1）。推导的关键在于处理两个密度比：政策诱导密度比r_in和锚点诱导密度比r^g。
6. 效率分析：证明当Lipschitz常数是保守的（有松弛）时，这些影响函数在受约束的模型下是半参有效的（Proposition 2）。
7. 估计与推断：使用交叉拟合的一步估计量来估计边界，并证明其渐近正态性（Theorem 2）。通过乘子bootstrap构建在ϵ网格上同时有效的置信区间（Corollary 1）。
关键跳跃点：
- 从硬投影到内部位移投影：这是本文最核心的跳跃。作者敏锐地识别出路径不可微的几何根源（投影到低维边界），并创造性地提出“将锚点向内移动”这一简单而有效的解决方案。这个跳跃不是技术上的渐进改进，而是对问题结构的重新理解。
- 锚点密度比r^g的引入与处理：在影响函数中引入r^g是推导的关键。它代表了将观测数据“重加权”到锚点分布的过程。内部位移投影保证了r^g是良好定义的（分母不为零），而硬投影则不能。
技术技巧点名：
- 影响函数（Influence Function）：核心分析工具，用于推导边界估计量的渐近性质和构建一步估计量。
- 交叉拟合（Cross-fitting）：用于放松对 nuisance 函数估计量的Donsker条件，是双机器学习（DML）的标准技巧。
- 乘子bootstrap（Multiplier Bootstrap）：用于构建在ϵ网格上同时有效的置信区间，处理多重比较问题。
- 变量变换公式（Change-of-Variables Formula）：用于推导政策诱导密度f_d和锚点诱导密度f_g。
- 凸分析与度量投影（Convex Analysis & Metric Projection）：用于定义区域H和最优锚点。
- 回转半径（Reach）：来自几何测度论的概念，用于量化边界的平滑程度，是Assumption 4的核心。

真实例子与应用¶

数据：CHAMACOS（Center for the Health Assessment of Mothers and Children of Salinas）队列，研究孕期农药暴露与妊娠期高血压的关系。数据包含259名参与者，7种农药类别暴露，以及协变量（母亲年龄、教育水平）。
方法应用：
- MTP定义：两种政策：(1) 将所有7种农药按相同比例（0%到20%）降低；(2) 仅降低新烟碱类（neonicotinoids）农药。
- 区域H构建：在每个教育水平分层内，使用全样本的凸包（convex hull）作为H。
- 敏感性参数：L取值为{0, 0.15, 0.3, 0.6}，其中L=0.15是根据数据校准的参考值（允许高血压概率每单位标准差变化15个百分点）。
- 比较方法：与假设全局正定性的“朴素”一步估计量对比。
结果：
- 支持诊断：联合降低政策几乎完全被支持（>97%的值在H内），而仅降低新烟碱类的政策很快失去支持（20%降低时近一半值在H外）。这直观展示了多变量处理下正定性问题的严重性。
- 效应估计：对于联合降低政策，本文方法与朴素方法结果几乎一致，均显示微弱但显著的保护效应（高血压概率降低不到0.5个百分点），但在约12%降低后效应不再显著。对于仅降低新烟碱类政策，朴素方法显示在所有降低水平下均有显著保护效应，而本文方法仅在降低<5%时显著，之后区间包含零，且宽度随L增大而增大。
例子想说明什么：
- 验证理论：当政策值几乎都在H内时，本文方法退化为标准方法，结果一致。
- 展示相对优势：当正定性被严重违反时（仅降低新烟碱类），假设正定性的方法会产生误导性的精确结论（“显著保护效应”），而本文方法通过显式量化外推不确定性，揭示了这些结论的脆弱性。结论是：朴素方法报告的“显著效应”可能完全是由模型外推驱动的，而非数据本身。

🔎 结论是否比证明窄¶

是。论文的证明和理论（Theorem 2, Corollary 1）严格依赖于“区域H是固定的且已知的”这一条件。然而，在实际应用（Section 7）和模拟（Section 6）中，H是从数据中估计的（如凸包）。作者在Section 5.2和Remark 1中明确承认了这一点：
- Section 5.2：“A region built once on the full analysis sample, as in Section 7, lies outside this result.” 这意味着CHAMACOS应用中的推断缺乏严格的理论保证。
- Remark 1：“Theorem 2, and with it Corollary 1, conditions on a fixed region... When the region and (L,V) are also built fold by fold on the training data... the guarantee extends to them... under a stability condition... but at no rate.” 这意味着即使使用交叉验证构建区域，其理论保证也是“无速率”的，且需要额外的稳定性条件，这些条件在文中并未被验证。
- Section 8：“One direction is inference with a region built once on the full analysis sample, which the present theory does not cover; the region converges slowly and enters the bound functional through an indicator, so the resulting functional need not be pathwise differentiable...” 作者明确将此列为未来工作。
结论：论文的核心理论贡献（影响函数、渐近正态性）是在“区域已知”的理想化条件下证明的。其在实际中最有吸引力的应用（区域从数据中估计）恰恰是理论尚未覆盖的。这是一个典型的“证明比结论窄”的情况。作者对此是诚实的，但读者需要意识到，模拟和实际应用中的良好表现是“经验性的”，而非“理论保证的”。

四、开放问题（点到为止，扎根具体语句）¶

全样本数据自适应区域的推断：如何为基于全样本估计的区域H（如Section 7中的凸包）提供有效的推断？作者在Section 8指出，这需要处理由区域估计的慢收敛率和指示函数导致的非路径可微性，并建议“a margin condition or a smoothed indicator may recover regular inference”。这是一个直接且重要的开放问题。
纵向MTP的扩展：如何将本文框架扩展到纵向设定？作者在Section 8提到，纵向MTP的正定性是“a condition on histories rather than on a single exposure”，且“a region and a Lipschitz parameter would then be needed at each time point, with the influence-function calculation complicated by anchors at one time entering the nuisance functions at the next”。这需要处理时间依赖的复杂结构。
最优Lipschitz常数L的选择：本文的L是一个敏感性参数，通过校准（Section 5.4）和网格搜索（Section 7）来处理。是否存在一个数据驱动的、有理论保证的方法来选择L，例如通过最小化某种风险准则或进行假设检验？这与Armstrong and Kolesár (2021) 中“finite-sample optimal”的思路有关，但本文未涉及。
Sharp Lipschitz区间与投影区间的差距：作者在Section 3.3指出，投影区间PI_Π不是sharp的，sharp区间PI_*由McShane-Whitney扩展包络给出。作者提到“Inference for the extrema defining the envelope endpoints is a separate problem”。如何为这个sharp区间进行有效的推断，是一个有挑战性的开放问题。

Maintained by 陈星宇 · Homepage · Source on GitHub