A Unified Adaptive Enrichment Design for Power Enhancement¶

作者: Junzhe Shao, Aibo Gong, Juan Shen, Waverly Wei
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2608.26558

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是自适应富集设计（Adaptive Enrichment Design），它要解决的根本问题是：在随机对照试验（RCT）中，当处理效应在不同亚组间存在异质性时，如何利用中期数据动态调整后续阶段的入组人群，从而在控制错误率的前提下提高检验功效。当前该方向的成熟度处于“方法丰富但核心框架仍有缺口”的阶段：已有大量针对预设亚组和连续协变量的具体设计，但大多数依赖离散的“选赢家”规则，且对入组决策本身带来的不确定性缺乏统一的、基于优化的处理。

发展脉络¶

奠基工作：Rubin (1974) 的潜在结果框架为因果推断提供了语言基础，Splawa-Neyman (1923) 奠定了随机化试验的理论根基。这些工作本身不涉及自适应设计，但为后续所有因果估计提供了概念工具。
预设亚组线索的早期进展：Rosenblum & Van Der Laan (2011) 提出了一个两阶段自适应富集RCT的通用框架，实现了渐近强FWER控制，但需要多元正态概率计算。Stallard et al. (2014) 提供了更广泛的监管视角，讨论了确认性试验中识别和富集预设亚组的方法。Rosenblum et al. (2016) 开发了结合协方差和alpha再分配的组序贯多重检验程序。Rosenblum et al. (2020) 进一步联合优化了中期入组规则和最终多重检验程序，使用稀疏线性规划在功效和FWER约束下最小化期望样本量。
连续协变量线索的进展：Simon & Simon (2013, 2017) 开发了自适应调整入组标准以富集可能响应者的设计，通常针对强零假设以控制广泛搜索下的错误率，但可能保守。Lin et al. (2021) 提出了一个两阶段、基于阈值的参数化富集策略，使用随机归一化实现更宽松的推断。Stallard (2022) 开发了针对连续生物标志物的有效检验，利用与组序贯统计量的等价性和闭式检验在单调效应假设下实现强FWER控制。
赢家诅咒与偏校正：Simon & Simon (2017) 和 Zhang et al. (2018) 认识到，当亚组选择与效应估计耦合时，会产生“赢家诅咒”偏差。他们的方法是在估计阶段进行事后校正（如重抽样），但保留了底层的硬亚组选择或“选赢家”入组规则。
本文的位置：作者将上述两条线索（预设亚组和连续协变量）统一到一个优化框架中，用连续的、正则化的入组混合分布替代离散的“选赢家”规则。这既不同于Rosenblum等人的多重检验框架（依赖事后调整），也不同于Simon等人的偏校正方法（保留硬选择规则）。作者声称，他们的方法通过将稳定性控制构建进入组规则本身，而非事后补救，来解决问题。

子线索聚类¶

线索一：预设亚组的多重检验与联合优化。代表工作：Rosenblum & Van Der Laan (2011), Rosenblum et al. (2016, 2020), Stallard et al. (2014)。这一簇的核心是：在预设亚组下，如何设计多重检验程序（如闭式检验、alpha再分配）来控制FWER，同时通过优化入组规则提高功效。它们通常依赖离散的亚组选择，且计算复杂（如多元正态概率、稀疏线性规划）。
线索二：连续协变量的阈值搜索与推断。代表工作：Simon & Simon (2013, 2017), Lin et al. (2021), Stallard (2022)。这一簇的核心是：当协变量连续时，如何通过搜索最优阈值（或嵌套亚组）来定义富集人群，并在此后进行有效的统计推断。它们通常面临“赢家诅咒”和保守推断的问题。
线索三：赢家诅咒的偏校正。代表工作：Simon & Simon (2017), Zhang et al. (2018)。这一簇的核心是：在离散选择后，如何通过重抽样（如bootstrap、交叉验证）来校正估计偏差。它们不改变入组规则本身，而是事后处理其后果。

这个方向在追问的核心问题¶

如何定义“最优”入组规则？ 是最大化检验功效、最小化样本量、还是最大化目标人群的临床意义？不同目标导致不同的优化准则。
如何量化入组决策本身的不确定性？ 当入组规则基于中期数据学习得到时，最终估计量的方差不仅来自结局估计，还来自决策学习。如何分解并正确推断？
如何在功效与人群漂移之间权衡？ 过度富集可能提高功效，但会导致试验人群偏离目标人群，影响结果的解释性和外推性。如何用可解释的指标控制这种漂移？
如何统一预设亚组和连续协变量两种设定？ 现有方法通常分别处理，缺乏一个能自然衔接两者的通用框架。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么？ 作者将现有方法的不足归结为两点：(i) 离散的“选赢家”规则对抽样变异性敏感，且在效应接近时容易选错；(ii) 这种离散选择导致“赢家诅咒”偏差，需要额外的事后偏校正。作者将自己的方法定位为“显然的下一步”：通过将富集问题形式化为一个正则化优化问题，用连续的、方差感知的入组混合替代离散选择，从而在入组规则层面就引入稳定性，避免事后校正的麻烦。作者声称，他们的框架“统一了预设亚组和连续协变量两种设定”，且“自然地扩展到连续协变量下的入组优化”。
哪些竞争路线被他淡化或回避了？ 作者淡化了多重检验框架（如Rosenblum等人的工作）的价值，称自己的方法“补充而非替代”它。但作者没有深入讨论，在需要强FWER控制的确认性试验中，他们的方法如何与多重检验程序结合。此外，作者回避了与双稳健估计或交叉拟合等现代因果推断工具的对比——这些工具在处理数据自适应选择时也很常见。作者也没有讨论，当入组规则本身是连续时，如何定义和检验“亚组效应是否存在”这一更常见的科学问题。
什么明显该被引/该存在、却没出现在intro里？ 作者没有引用任何关于数据自适应选择后的推断的通用理论工作，例如Leeb & Pötscher (2005) 关于后选择推断的不可靠性，或Berk et al. (2013) 的“选择性推断”框架。这些工作直接相关，因为本文的核心挑战正是数据自适应入组规则后的有效推断。此外，作者没有引用交叉拟合（cross-fitting） 在因果推断中的应用（如Chernozhukov et al., 2018），尽管交叉拟合是处理数据自适应估计的常用工具。最后，作者没有引用任何关于最优运输或分布鲁棒优化的统计文献，尽管其KL散度惩罚与这些领域有直接联系。

张力¶

未见明显对立引用。所有被引工作都认同“自适应富集可以提高功效”这一基本前提，分歧在于如何实现（离散 vs. 连续、事后校正 vs. 事前正则化）。

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：
\( i \in \{1, \dots, N\} \)：受试者索引。
\( S_i \in \{1, 2\} \)：受试者 \( i \) 的入组阶段（Stage 1 或 Stage 2）。
\( X_i \in \{1, 2\} \)：受试者 \( i \) 的亚组标签（二元协变量）。
\( D_i \in \{0, 1\} \)：受试者 \( i \) 的处理分配（0 = 对照，1 = 处理）。
\( Y_i \)：受试者 \( i \) 的观测结局。
\( Y_i(d) \)：受试者 \( i \) 在分配处理 \( d \) 下的潜在结局（counterfactual）。
\( \tau_j = \mathbb{E}[Y_i(1) - Y_i(0) \mid X_i = j] \)：亚组 \( j \) 的平均处理效应（CATE），是待估参数。
\( \tau(p_1) = p_1 \tau_1 + (1-p_1) \tau_2 \)：在亚组1比例为 \( p_1 \) 的混合人群中的平均处理效应（ATE），是目标 estimand。
\( p_1^{(t)} = \mathbb{P}(X_i = 1 \mid S_i = t) \)：阶段 \( t \) 中亚组1的入组概率（设计参数）。
\( p_1 = \kappa p_1^{(1)} + (1-\kappa) p_1^{(2)} \)：两阶段混合后的亚组1总比例，其中 \( \kappa = N^{(1)}/N \)。
\( p_1^* \)：通过优化问题（5）得到的Oracle最优亚组1比例。
\( \hat{p}_1^* \)：基于Stage 1数据估计的数据自适应最优比例。
\( V_j = \frac{\sigma_j^2(1)}{e_j} + \frac{\sigma_j^2(0)}{1-e_j} \)：亚组 \( j \) 中处理效应估计量的渐近方差，其中 \( \sigma_j^2(d) = \mathbb{V}[Y_i(d) \mid X_i = j] \)，\( e_j = \mathbb{P}(D_i = 1 \mid X_i = j) \)。
\( \lambda \ge 0 \)：KL散度惩罚的正则化参数（预设）。
\( q_1 = p_1^{(1)} \)：Stage 1的基线亚组1比例（预设）。
模型：
这是一个随机化试验，处理分配 \( D_i \) 在给定亚组和阶段下是随机的，且概率已知（通常为0.5）。
潜在结局 \( Y_i(1), Y_i(0) \) 的分布由亚组 \( X_i \) 决定，且在阶段间稳定（Assumption 1(c)）。
观测结局 \( Y_i = D_i Y_i(1) + (1-D_i) Y_i(0) \)（SUTVA）。
入组规则是数据自适应的：Stage 2的入组概率 \( p_1^{(2)} \) 基于Stage 1数据学习得到。
可观测数据：
研究者能观测到每个受试者的 \( (Y_i, D_i, X_i, S_i) \)。
不可观测的是潜在结局 \( Y_i(1), Y_i(0) \) 以及“如果选择了不同入组规则会怎样”的反事实结果。

第二步：讲最小内核¶

这篇论文的核心思路可以用一个最简特例来理解：两个预设亚组（\( J=2 \)），一个二元协变量（\( X \in \{1,2\} \)），两阶段设计（\( t=1,2 \)），且处理分配概率固定为0.5（\( e_j = 0.5 \)）。

在这个特例下，论文要解决的核心数学问题是：

如何基于Stage 1的有限数据，选择一个“好”的Stage 2入组比例 \( p_1^{(2)} \in [0,1] \)，使得最终估计的ATE \( \hat{\tau} = \hat{p}_1^* \hat{\tau}_1 + (1-\hat{p}_1^*) \hat{\tau}_2 \) 在估计目标 \( \tau(p_1^*) \) 时，既高效（方差小）又稳定（对Stage 1的抽样变异性不敏感）？

Oracle问题（假设已知真实参数 \( \tau_1, \tau_2, V_1, V_2 \)）是：

\[p_1^* = \arg\max_{p_1 \in \mathcal{P}_\kappa} \left\{ \frac{p_1 \tau_1 + (1-p_1) \tau_2}{\sqrt{p_1 V_1 + (1-p_1) V_2}} - \lambda \left[ p_1 \log\frac{p_1}{q_1} + (1-p_1) \log\frac{1-p_1}{1-q_1} \right] \right\}\]

这个Oracle问题的直觉是： - 第一项（标准化ATE）：分子是ATE，分母是ATE估计量的渐近标准差。最大化这一项等价于最大化检验功效（因为检验统计量是ATE除以其标准差）。如果 \( \tau_1 > \tau_2 \)，增加 \( p_1 \) 会提高分子，但也会增加分母（如果 \( V_1 > V_2 \)）。因此，这一项会自然地在“富集有效亚组”和“避免高方差亚组”之间权衡。 - 第二项（KL散度惩罚）：惩罚 \( p_1 \) 偏离基线比例 \( q_1 \)。当 \( \lambda > 0 \) 时，它阻止入组比例发生剧烈变化，从而稳定Stage 2的决策。\( \lambda \) 越大，\( p_1^* \) 越接近 \( q_1 \)。

关键洞察：当 \( \tau_1 \) 和 \( \tau_2 \) 非常接近时（即 \( \tau_1 - \tau_2 = O(N^{-1/2}) \)），传统的“选赢家”规则（\( \hat{p}_1^{(2)} = 1\{\hat{\tau}_1^{(1)} > \hat{\tau}_2^{(1)}\} \)）会非常不稳定：Stage 1的微小抽样误差就可能导致完全相反的Stage 2入组决策。这种不稳定性会放大最终估计量的方差，并引入“赢家诅咒”偏差。本文的连续优化框架通过以下方式解决这个问题： 1. 连续化：\( p_1^* \) 可以是 \( [0,1] \) 内的任何值，而不是非0即1。这避免了“全有或全无”的决策风险。 2. 方差感知：分母中的 \( V_j \) 会惩罚高方差亚组，防止过度富集。 3. 正则化：KL散度惩罚将 \( p_1^* \) 拉向基线，进一步稳定决策。

因此，这篇论文在数学上干了一件什么事？它用一个连续、正则化、方差感知的优化问题，替代了离散、不稳定、方差盲的“选赢家”规则，并证明了由此产生的ATE估计量仍然是渐近正态的，且其方差可以分解为“决策不确定性”和“结局估计不确定性”两部分。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在随机对照试验中，如何设计一个统一的自适应富集框架，通过正则化优化来动态调整入组人群，以提高检验功效并减少“赢家诅咒”偏差。
核心工具/方法：将富集问题形式化为一个正则化优化问题，目标函数包含一个标准化ATE项（最大化功效）和一个KL散度惩罚项（控制人群漂移）。通过影响函数（influence function）推导了数据自适应入组规则的渐近线性表示，并将其纳入最终ATE估计量的方差分解中。
主要结论：所提出的ATE估计量是渐近正态的，其方差可以显式分解为“决策不确定性”（来自学习最优入组规则）和“结局估计不确定性”（来自估计亚组效应）两部分。模拟研究表明，该方法相比传统富集方法（如“选赢家”和富集网格Holm法）能显著提高功效，并大幅降低赢家诅咒偏差。

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：

Assumption 1 (Causal framework, sampling, and moments)：
(a) SUTVA：无干扰、无隐藏处理版本。这是因果推断的标准假设。
(b) Positivity：在每个亚组和阶段内，处理分配概率严格在0和1之间。这确保了处理效应可识别。
(c) Stage-invariant conditional moments：潜在结局的条件均值和方差在阶段间稳定。这是关键假设，它保证了Stage 1和Stage 2的数据可以合并估计同一个亚组效应。如果存在时间趋势（例如，结局均值随时间漂移），这个假设会被违反。
(d) Finite moments：潜在结局的 \( 4+\eta \) 阶矩有界。这是为了应用中心极限定理和证明渐近线性表示。
(e) Non-vanishing variances：条件方差有正下界。这确保了估计量的方差不会退化到0。
(f) Asymptotic regime：\( N \to \infty \)，且 \( N^{(1)}/N = \kappa \in (0,1) \)。这保证了Stage 1和Stage 2的样本量都趋于无穷。
Assumption 2 (Regularity conditions)：
(a) Bounded randomization probabilities：\( e_j^{(t)} \in [\delta, 1-\delta] \)。这确保了处理效应估计量的方差不会爆炸。
(b) Bounded baseline prevalence：\( q_1 \in [\delta, 1-\delta] \)。这确保了每个亚组在Stage 1都有足够的样本。
关键假设的放宽/强化：
相比已有文献：本文的假设与Rosenblum & Van Der Laan (2011) 等类似，但强化了阶段间稳定性假设（Assumption 1(c)）。这是本文方法成立的关键，因为作者将Stage 1和Stage 2的数据合并估计亚组效应。如果这个假设不成立，合并估计会有偏。
相比“选赢家”规则：本文的假设并不更强，但作者额外要求了正则化参数 \( \lambda \) 足够大（条件(20)），以确保Oracle优化问题是严格凹的且解在内部。这个条件在 \( \tau_1 = \tau_2 \) 或 \( V_1 = V_2 \) 时仍然有定义。

主要结果¶

Lemma 1 (Asymptotic linearity of the optimal proportion)：
陈述：在Assumptions 1和2以及条件(20)下，基于Stage 1数据估计的最优入组比例 \( \hat{p}_1^* \) 是 \( \sqrt{N^{(1)}} \)-相合且渐近线性的。即：
\[\sqrt{N^{(1)}} (\hat{p}_1^* - p_1^*) = \frac{1}{\sqrt{N^{(1)}}} \sum_{i: S_i=1} \psi_p^{(1)}(O_i) + o_p(1)\]
其中 \( \psi_p^{(1)}(O_i) \) 是影响函数。
直觉：这个结果保证了 \( \hat{p}_1^* \) 的估计误差可以近似为独立同分布随机变量的和，从而可以应用中心极限定理。这是后续所有推断的基础。
必要条件：条件(20)确保了Oracle目标函数是严格凹的，从而 \( p_1^* \) 是唯一的内点解。如果 \( \lambda \) 太小，目标函数可能不是严格凹的，解可能在边界上，此时渐近线性理论可能不成立。
解决的技术难点：如何将 \( \hat{p}_1^* \) 的误差与Stage 1估计量 \( \hat{\theta}^{(1)} = (\hat{\tau}_1^{(1)}, \hat{\tau}_2^{(1)}, \hat{V}_1^{(1)}, \hat{V}_2^{(1)}) \) 的误差联系起来。作者通过泛函Delta方法（functional delta method）做到了这一点：\( \hat{p}_1^* \) 是 \( \hat{\theta}^{(1)} \) 的平滑函数（最大化问题的解），因此其影响函数是 \( \hat{\theta}^{(1)} \) 的影响函数的线性变换。
Theorem 1 (Asymptotic normality of subgroup estimators)：
陈述：在相同假设下，基于全部数据（Stage 1 + Stage 2）的亚组ATE估计量 \( \hat{\tau}_j \) 是 \( \sqrt{N} \)-相合且渐近正态的。
直觉：尽管Stage 2的入组是数据自适应的，但亚组效应估计量 \( \hat{\tau}_j \) 仍然是渐近正态的。这是因为在每个亚组内，处理分配仍然是随机的，且入组规则的变化只影响亚组样本量，而不影响亚组内估计量的性质。
必要条件：Assumption 1(c)（阶段间稳定性）是关键的，因为它保证了Stage 1和Stage 2的数据可以合并估计同一个 \( \tau_j \)。
Theorem 2 (Asymptotic normality of the overall ATE estimator)：
陈述：在相同假设下，最终ATE估计量 \( \hat{\tau} = \hat{p}_1^* \hat{\tau}_1 + (1-\hat{p}_1^*) \hat{\tau}_2 \) 是 \( \sqrt{N} \)-相合且渐近正态的，其影响函数为：
\[\psi_\tau(O_i) = (\tau_1 - \tau_2) \psi_p(O_i) + p_1^* \psi_1(O_i) + (1-p_1^*) \psi_2(O_i)\]
其中 \( \psi_p(O_i) = \frac{1(S_i=1)}{\kappa} \psi_p^{(1)}(O_i) \) 是缩放后的入组规则影响函数。
直觉：这是本文的核心理论贡献。它表明，最终ATE估计量的方差可以分解为两部分：
- \( (\tau_1 - \tau_2)^2 \mathbb{V}[\psi_p(O_i)] \)：决策不确定性，来自学习最优入组比例 \( p_1^* \)。其大小与亚组效应差异 \( (\tau_1 - \tau_2)^2 \) 成正比。如果 \( \tau_1 \approx \tau_2 \)，即使 \( \hat{p}_1^* \) 估计得很差，对ATE的影响也很小。
- \( \mathbb{V}[p_1^* \psi_1(O_i) + (1-p_1^*) \psi_2(O_i)] \)：结局估计不确定性，来自估计亚组效应 \( \tau_1, \tau_2 \)。
必要条件：需要Lemma 1和Theorem 1同时成立，且 \( \hat{p}_1^* \) 和 \( \hat{\tau}_j \) 的联合渐近分布可以通过泛函Delta方法得到。

证明路线与技术技巧¶

整体路线：
Step 1: 建立Oracle问题的性质。证明在条件(20)下，Oracle目标函数是严格凹的，从而 \( p_1^* \) 是唯一的内点解。
Step 2: 建立 \( \hat{p}_1^* \) 的渐近线性表示 (Lemma 1)。将 \( \hat{p}_1^* \) 视为Stage 1估计量 \( \hat{\theta}^{(1)} \) 的隐函数。通过隐函数定理和泛函Delta方法，将 \( \hat{p}_1^* \) 的误差线性化为 \( \hat{\theta}^{(1)} \) 的误差的线性函数。具体地，\( \hat{p}_1^* \) 是最大化问题 \( \max_p M_{N^{(1)}}(p) \) 的解，其中 \( M_{N^{(1)}}(p) = F(\hat{\theta}^{(1)}, p) - \lambda g(p) \)。一阶条件为 \( \partial_p M_{N^{(1)}}(\hat{p}_1^*) = 0 \)。在 \( p_1^* \) 处进行泰勒展开，得到 \( \sqrt{N^{(1)}}(\hat{p}_1^* - p_1^*) \approx -[\partial_{pp} M(p_1^*)]^{-1} \nabla_\theta \partial_p F(\theta, p_1^*) \cdot \sqrt{N^{(1)}}(\hat{\theta}^{(1)} - \theta) \)。由于 \( \hat{\theta}^{(1)} \) 是渐近线性的，\( \hat{p}_1^* \) 也是。
Step 3: 建立 \( \hat{\tau}_j \) 的渐近正态性 (Theorem 1)。由于在每个亚组内，处理分配是随机的，且入组规则不影响亚组内估计量的性质，\( \hat{\tau}_j \) 的标准渐近理论（如逆概率加权估计量的渐近正态性）仍然成立。关键在于证明，尽管Stage 2的入组是数据自适应的，但亚组样本量 \( N_j \) 仍然趋于无穷，且 \( \hat{\tau}_j \) 的渐近方差可以一致估计。
Step 4: 建立 \( \hat{\tau} \) 的渐近正态性 (Theorem 2)。将 \( \hat{\tau} \) 视为 \( (\hat{p}_1^*, \hat{\tau}_1, \hat{\tau}_2) \) 的平滑函数 \( g(p, \tau_1, \tau_2) = p\tau_1 + (1-p)\tau_2 \)。应用泛函Delta方法，得到 \( \hat{\tau} \) 的影响函数为 \( \nabla g \cdot (\psi_p, \psi_1, \psi_2)^\top \)。由于 \( \hat{p}_1^* \) 和 \( \hat{\tau}_j \) 都是渐近线性的，且它们的联合影响函数可以写出，\( \hat{\tau} \) 的渐近正态性得证。
关键跳跃点：
Lemma 1的证明：最吃功夫的部分是推导 \( \hat{p}_1^* \) 的影响函数 \( \psi_p^{(1)}(O_i) \)。这需要计算 \( \nabla_\theta \partial_p F(\theta, p_1^*) \) 和 \( \partial_{pp} M(p_1^*) \)，并将它们与 \( \hat{\theta}^{(1)} \) 的影响函数 \( \Phi_i^{(1)} \) 结合起来。作者在补充材料中给出了详细计算。
Theorem 2的方差分解：关键跳跃点在于认识到，最终估计量的方差可以分解为决策不确定性和结局估计不确定性两部分。这并非显然，因为 \( \hat{p}_1^* \) 和 \( \hat{\tau}_j \) 都是基于数据估计的，它们之间存在相关性。泛函Delta方法自动处理了这种相关性，并给出了一个简洁的分解形式。
技术技巧点名：
影响函数 (Influence Function)：用于推导 \( \hat{p}_1^* \) 和 \( \hat{\tau}_j \) 的渐近线性表示，以及最终 \( \hat{\tau} \) 的方差分解。这是半参数理论的核心工具。
泛函Delta方法 (Functional Delta Method)：用于将 \( \hat{p}_1^* \) 的渐近线性表示“传递”给 \( \hat{\tau} \)。这是处理复合估计量（如 \( \hat{p}_1^* \hat{\tau}_1 + (1-\hat{p}_1^*) \hat{\tau}_2 \)）的标准方法。
隐函数定理 (Implicit Function Theorem)：用于将 \( \hat{p}_1^* \)（最大化问题的解）表示为 \( \hat{\theta}^{(1)} \) 的隐函数，从而建立其渐近线性表示。
KL散度正则化 (KL Divergence Regularization)：用于控制人群漂移，并确保Oracle优化问题的严格凹性。这是本文方法的核心创新点之一。

真实例子与应用¶

本文为纯理论+模拟研究，没有使用真实数据例子。模拟研究（Section 6）的目的是： - 验证理论：展示在有限样本下，所提出的方法能控制Type I error（强零假设下拒绝概率接近名义水平），且功效高于传统方法。 - 展示相对baseline的优势：与“非自适应设计”、“富集网格Holm法”和“选赢家”程序相比，本文方法在“小差距”设定（\( \tau_1=0.10, \tau_2=0.15 \)）下功效更高，且“赢家诅咒”偏差更小。 - 阐明机制：通过分析不同 \( \lambda \) 值下的偏差、入组稳定性（\( \text{SD}(\hat{p}_1^*) \)）和MSE，说明正则化如何通过稳定入组决策来提高功效。

🔎 结论是否比证明窄¶

窄结论：Theorem 2的渐近正态性依赖于条件(20)，即 \( \lambda \) 必须足够大以确保Oracle问题的严格凹性和内点解。作者在模拟中包含了 \( \lambda=0 \)（无惩罚）的情况，并明确说明“\( \lambda=0 \) 的结果是作为有限样本基准报告的，并非为了验证内点解的渐近结果”。这意味着，对于 \( \lambda=0 \) 或 \( \lambda \) 很小的情况，本文的理论结果并不直接适用。在实际应用中，如果 \( \lambda \) 选择不当，可能导致解在边界上，此时推断的有效性需要额外验证。
泛化claim：作者在Introduction中声称框架“统一了预设亚组和连续协变量两种设定”。然而，Section 4.2的连续协变量扩展部分，其理论性质（如渐近正态性）并未在论文中严格证明。作者只给出了Oracle问题的解（指数倾斜形式）和实现步骤，但没有提供相应的渐近理论。因此，连续协变量部分的结论是conjecture，而非严格证明。
未讨论的局限性：作者没有讨论当Assumption 1(c)（阶段间稳定性）被违反时的后果。如果存在时间趋势，合并Stage 1和Stage 2的数据估计亚组效应会有偏，此时本文的推断方法可能失效。

四、开放问题¶

比较其他散度度量：作者在Discussion中提到“系统性地比较KL散度与其他散度度量（如总变差距离、Wasserstein距离）是一个重要的未来方向”。这扎根于论文Section 7的第一句话。对于研究者而言，这是一个具体的、可操作的问题：不同散度度量会导致不同的入组规则和不同的稳健性性质，哪种更适合特定应用场景？
纳入操作约束：作者提到“将框架扩展到纳入其他设计目标，如操作约束，将增强实际适用性”。这扎根于Section 7的第二句话。例如，试验可能要求每个亚组的最小样本量，或限制入组比例的变化速度。如何将这些约束形式化并纳入优化问题，是一个值得探索的方向。
连续协变量设定的严格理论：论文Section 4.2的连续协变量扩展部分缺乏严格的渐近理论。一个开放问题是：在连续协变量设定下，基于非参数估计的 \( \hat{g}(x) \) 和指数倾斜入组规则，最终的ATE估计量是否仍然渐近正态？其影响函数是什么？这扎根于论文Section 4.2的“理论性质未证明”这一事实。
多阶段与多处理：本文只考虑了两阶段设计。扩展到多阶段（>2）或多处理（>2）是一个自然的方向。在多阶段下，入组规则可以不断更新，如何设计一个序贯优化框架并保证推断的有效性？这扎根于论文的“两阶段”设定这一局限性。

Maintained by 陈星宇 · Homepage · Source on GitHub