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修正治疗策略（Modified Treatment Policy, MTP） 的因果效应识别与推断问题。MTP 是一种干预定义方式：它根据每个个体实际接受的处理值（自然值），通过一个预设的确定性规则 d 映射出一个新的处理值 A_d = d(A, X)。例如，“将每个人的农药暴露量降低 20%”就是一个 MTP。核心的统计问题是：在观测数据下，如何识别和估计 MTP 下的平均结局 θ_d = E[Y(A_d)]？标准识别依赖于 positivity 假设：政策生成的处理值 A_d 在给定协变量 X 后，必须被观测到的处理分布所支持。当处理是连续或多维时，这个假设极易被违反。当前子方向的成熟度处于方法快速发展期，已有大量工作处理连续处理、纵向设定、中介分析等，但处理 positivity 违反的主流策略是改变目标（改变干预或目标人群），而本文则属于新兴的保留原政策、进行部分识别的路线。

发展脉络

• 奠基工作：引入 MTP 与随机干预。 Díaz and van der Laan (2012) 和 Haneuse and Rotnitzky (2013) 正式定义了 MTP 及其识别公式（g-formula），并建立了基于影响函数的估计框架。Young et al. (2014) 将其推广到依赖于自然值的干预。这些工作奠定了 MTP 的理论基础，但都依赖于 positivity 假设。
• 主要进展：扩展 MTP 的应用场景。 Díaz et al. (2023) 将 MTP 扩展到纵向设定，提出了序贯回归公式和高效估计量。Díaz and Hejazi (2020) 将其用于中介分析。Antonelli and Zigler (2024) 则专门处理了多元暴露混合物（如空气污染）下的 positivity 问题，并提出了“可行干预”的概念——将不支持的政策值替换为附近的支持值。这些工作极大地拓展了 MTP 的适用范围，但面对 positivity 违反时，要么改变干预（可行干预），要么依赖参数外推。
• 当前 Frontier：处理 positivity 违反的多种策略。 当前主要有三条路线：
  1. 改变目标（改变干预或目标人群）：如 Crump et al. (2009) 的修剪（trimming），Branson et al. (2023) 对连续处理的修剪，Kennedy (2019) 和 Schindl et al. (2026) 的增量干预（incremental interventions，通过倾斜处理分布而非确定性移位来避免 positivity 假设）。
  2. 部分识别与平滑性假设：Armstrong and Kolesár (2021) 在弱 positivity 下用平滑性假设做有限样本最优推断；Pfister and Bühlmann (2024) 提出“外推感知”的非参数推断；Khan et al. (2024) 对有限动作的 off-policy 评估给出了 sharp 平滑性界。这些工作都使用 Lipschitz 或类似平滑性来约束外推，但大多针对二元处理或有限动作。
  3. 恢复路径可微性：Bibaut and van der Laan (2017) 提出用一族平滑后的路径可微参数来近似非正则参数；Branson et al. (2023) 和 Susmann et al. (2025) 分别平滑了修剪指示子和区域指示子；Levis et al. (2025) 用 margin condition 处理工具变量界中的极值。
• 本文的位置：本文属于路线 2 和 3 的结合。它保留原政策（不改变干预），对连续（可能多维）的 MTP 提出一个部分识别框架。其核心创新是：用 Lipschitz 连续性约束来 bound 区域外的贡献，并发现 metric projection 会导致路径不可微，从而提出 interior-displaced projection 来恢复路径可微性，进而推导出影响函数并进行高效推断。本文将自己定位为“在 positivity 违反时，提供一种不改变目标、且能进行正规推断的敏感性分析方法”。

子线索聚类

• 线索一：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）。这一簇专注于在 positivity 成立时，如何定义、识别和高效估计 MTP 效应。它们提供了本文的基础工具（g-formula, 影响函数, 密度比估计）。
• 线索二：处理 positivity 违反的替代策略（Crump et al., 2009; Kennedy, 2019; Antonelli and Zigler, 2024; Branson et al., 2023; Schindl et al., 2026）。这一簇通过改变目标（修剪、增量干预、可行干预）来规避 positivity 问题。本文与它们形成对比：本文不改变目标，而是通过部分识别来量化不确定性。
• 线索三：基于平滑性/形状约束的部分识别（Armstrong and Kolesár, 2021; Pfister and Bühlmann, 2024; Khan et al., 2024; Ma and Namkoong, 2025）。这一簇用 Lipschitz 或类似约束来 bound 外推误差，是本文最直接的方法论邻居。本文的贡献在于将其推广到连续、多维的 MTP，并解决了由此产生的推断难题（路径不可微）。
• 线索四：恢复非正则参数的正则推断（Bibaut and van der Laan, 2017; Luedtke and van der Laan, 2016; Levis et al., 2025; Susmann et al., 2025）。这一簇处理目标参数非路径可微时的推断问题。本文的 interior-displaced projection 是这一思路的一个新变体，其独特之处在于：它不是平滑一个指示子或极值，而是修改了锚点的几何结构（从边界移到内部）。

这个方向在追问的核心问题

1. 如何在不改变目标政策的前提下，对 MTP 效应进行有效推断？ 现有策略（修剪、增量干预）改变了 estimand，而参数外推又过于依赖模型假设。部分识别是中间路线，但如何构造紧的、可推断的界是关键。
2. 如何为部分识别区间提供正规（root-n）的推断？ 许多部分识别问题的端点是非光滑的（如涉及指示子、极值），导致标准影响函数方法失效。如何恢复路径可微性是一个核心技术挑战。
3. 如何选择/校准敏感性参数（如 Lipschitz 常数 L）？ 部分识别的结果依赖于用户指定的敏感性参数。如何从数据中提供有意义的基准（benchmark），并让结果对参数选择透明，是实际应用的关键。
4. 如何处理数据自适应的区域选择？ 区域 H 通常需要从数据中估计（如凸包）。这引入了额外的估计误差，且可能破坏推断的正则性。如何将区域估计的不确定性纳入最终推断，是一个开放问题。

⚠️ 作者的 framing

• 作者把缺口 frame 成什么：作者将现有工作的缺口 frame 为“要么改变目标（修剪、增量干预），要么依赖参数外推”。他们声称自己的方法是“保留原政策”的“显然的下一步”，通过 Lipschitz 约束进行部分识别，并解决了由此产生的路径不可微问题。他们强调，他们的方法“makes extrapolation assumptions explicit but does not remove the difficulty”。
• 哪些竞争路线被他淡化或回避了：
  • 增量干预（Kennedy, 2019; Schindl et al., 2026）：作者在 1.2 节提到它，但仅作为“改变目标”的一个例子，没有深入比较其与 Lipschitz 部分识别在效率、解释性上的优劣。增量干预完全避免了 positivity 假设，而本文仍需要区域 H 和 Lipschitz 假设。作者没有讨论在什么情况下增量干预可能更优。
  • 可行干预（Antonelli and Zigler, 2024）：作者在 1.2 节提到它“geometrically closest”，但强调“projection plays a different role”（可行干预用投影定义新干预，本文用投影作为锚点来 bound 原干预）。作者没有讨论，如果可行干预本身就有科学意义，为什么还要坚持原政策。
  • Khan et al. (2024) 的 sharp bounds：作者在 1.2 节提到它，但仅说“We consider continuous, possibly multivariate MTPs and distinguish the interpretable projection interval from the sharp Lipschitz interval”。作者承认自己的投影区间不是 sharp 的，但没有深入讨论 sharp 区间（PI*）的推断问题，而是将其作为未来工作或补充材料。
• 什么明显该被引 / 该存在、却没出现在 intro 里？ 未见明显缺失。作者引用了该方向几乎所有关键工作。一个值得注意的点是：作者引用了 Armstrong and Kolesár (2021) 和 Pfister and Bühlmann (2024)，但这两篇工作都处理了 Lipschitz 约束下的推断，且 Armstrong and Kolesár 给出了有限样本最优的置信区间。本文没有直接比较其方法与这些工作在效率上的差异，这可能是一个值得研究者去查的问题。

张力

未见明显对立引用。不同策略（改变目标 vs 部分识别）之间有本质差异，但作者将其视为互补而非对立。在 Lipschitz 部分识别内部，作者明确指出了投影区间（PI^Π）与 sharp 区间（PI*）之间的 gap，并承认投影区间不是最优的，这构成了一个内部张力。

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：

  • O = (Y, A, X)：一个观测数据单元。
  • Y ∈ ℝ：结局变量（可观测）。
  • A ∈ ℝ^q：处理变量向量，连续（可观测）。
  • X ∈ ℝ^{d_X}：预处理协变量向量（可观测）。进一步分为连续部分 X_C 和离散部分 X_D。
  • C = (A^T, X_C^T)^T ∈ ℝ^p：所有连续变量的组合，其中 p = q + d_C。
  • W = (A^T, X^T)^T：处理和协变量的联合向量。
  • 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 A_d = d(A, X)。
  • A_d = d(A, X)：政策生成的处理值（随机变量）。
  • 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 下的潜在结局（counterfactual，不可观测）。
  • θ_d = E[Y(A_d)]：目标 estimand，MTP 下的平均结局。
  • Q(w) = Q(a, x) = E[Y | A=a, X=x]：观测数据的条件均值函数（outcome regression）。
  • µ(c, d) = E[Y(a) | X_C = x_C, X_D = d]：条件均值潜在结局，其中 c = (a^T, x_C^T)^T。在 positivity 区域内，µ = Q。
  • H：充分 positivity 的区域，是 C 空间中的一个已知、非空、闭凸子集（在每个 X_D 层内）。
  • L(d) ≥ 0：Lipschitz 常数，敏感性参数，在每个 X_D 层内可能不同。
  • V：正定对角矩阵，用于标准化距离。
  • Π_H(w_d)：度量投影（metric projection），将 w_d 投影到 H 上最近的锚点。
  • ˜Π^ϵ_H(w_d)：内部位移投影（interior-displaced projection），将 w_d 映射到 H 内部的一个锚点。
  • r_in(w) = f_d(a|x) / f(a|x)：政策诱导的密度比（用于区域内）。
  • r_g(w)：锚点诱导的密度比（用于区域外）。

• 模型：

  • 数据生成机制：n 个独立同分布的观测 O_i = (Y_i, A_i, X_i) ~ P，其中 P 是一个非参数分布，除了以下假设外无其他约束。
  • 假设 1（因果假设）：
    • (i) 一致性（Consistency）：如果 A=a，则 Y = Y(a)。
    • (ii) 无混杂（Unconfoundedness）：Y(a) ⟂⟂ A | X，对所有 a。
  • 假设 2（MTP Positivity）：对于几乎所有的 x，d(A, x) 的条件分布关于 A|x 的条件分布绝对连续。即，政策生成的值必须在观测数据中有正的支持。
  • 假设 3（V-范数 Lipschitz 连续性）：在每个离散层 d 内，|µ(c', d) - µ(c, d)| ≤ L(d) ||c' - c||_V。这是本文的核心识别假设，用于约束外推。
  • 假设 4（边界正则性）：H 的边界 ∂H 是连续可微的，且具有正的回转半径（reach）ϵ_max。这是为 interior-displaced projection 服务的正则性条件。
  • 假设 5（分段光滑可逆性）：MTP d(·, x) 在 supp(A|X=x) 上是分段一对一的，且在每个段内是光滑可逆的。这是为密度比 r_in 的存在服务的标准条件。
  • 假设 6（锚点映射的正则性）：锚点映射 g 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 绝对连续。这是为密度比 r_g 的存在服务的。

• 可观测数据：

  • 可观测：(Y_i, A_i, X_i)，i = 1, ..., n。研究者知道每个个体的结局、处理分配和协变量。
  • 想要但观测不到：
    1. 潜在结局 Y(a)：对于 a ≠ A_i 的潜在结局是不可观测的。
    2. 政策生成值处的条件均值 µ(W_d)：当 W_d 落在区域 H 外时，µ(W_d) 无法被 Q(W_d) 识别，因为 Q 在那里没有数据支持。这是本文要处理的核心困难。
    3. 真正的 Lipschitz 常数 L(d)：这是一个未知的敏感性参数，需要由研究者指定或校准。

第二步：讲最小内核

本文的核心数学问题可以归结为：如何用一个已知的、有界的函数值（在区域 H 内）来 bound 一个未知的函数值（在区域 H 外），并使得这个 bound 的端点可以被高效估计？

最简特例：一维连续处理，无协变量，政策为比例缩减。

• 设定：

  • q = 1（一维处理 A），d_X = 0（无协变量 X）。
  • 政策：A_d = κ A，其中 0 < κ < 1（例如，减少 20%，κ=0.8）。
  • 区域 H = [a_low, a_high]，是一个已知的闭区间，表示处理值 A 有充分数据支持的区间。例如，H 可以是观测数据 A 的 95% 置信区间或凸包。
  • Lipschitz 常数 L 已知。
  • 目标：θ_d = E[Y(κA)]。

• 可观测数据：(Y_i, A_i)，i=1,...,n。

• 核心困难：当 κA 落在 H 外时（例如，κA < a_low），我们无法从观测数据中直接估计 E[Y | A = κA]，因为观测数据中 A 的值很少或没有低于 a_low 的。这就是 positivity 违反。

• 本文的核心思路：

  1. 分解：将目标分解为两部分： θ_d = E[Y(κA) * I(κA ∈ H)] + E[Y(κA) * I(κA ∉ H)] 第一部分（区域内）可以通过观测数据的 Q(a) = E[Y|A=a] 来点识别：E[Q(κA) * I(κA ∈ H)]。 第二部分（区域外）是未知的，需要 bound。

  2. 用 Lipschitz 约束 bound 区域外部分： 对于任何一个落在区域外的政策值 κA（假设 κA < a_low），我们选择一个区域内的锚点 a_anchor ∈ H（例如，a_anchor = a_low）。根据 Lipschitz 假设： |µ(κA) - µ(a_anchor)| ≤ L * |κA - a_anchor| 由于 µ(a_anchor) = Q(a_anchor) 是可识别的，我们可以得到： µ(κA) ∈ [Q(a_anchor) - L * |κA - a_anchor|, Q(a_anchor) + L * |κA - a_anchor|] 这个区间的半宽是 L * distance。

  3. 选择最优锚点（Metric Projection）： 为了得到最紧的区间，我们应该选择离 κA 最近的锚点，即 a_anchor = Π_H(κA)。在一维情况下，如果 κA < a_low，则 Π_H(κA) = a_low。这个区间就是 PI^Π。

  4. 路径不可微问题： 现在考虑估计 PI^Π 的下界 PI^Π_l = E[Q(κA) * I(κA ∈ H)] + E[(Q(a_low) - L * |κA - a_low|) * I(κA ∉ H)]。 这个 estimand 依赖于 a_low（H 的边界）。由于 a_low 是一个点，而 κA 是连续变量，I(κA ∉ H) 是一个指示子，|κA - a_low| 在边界处不可微。更关键的是，Q(a_low) 这个项是通过一个点（边界点）来估计的，这导致整个 estimand 不是路径可微的，无法用标准影响函数进行 root-n 推断。

  5. Interior-Displaced Projection 的解决方案： 作者不直接使用边界锚点 a_low，而是将其向内移动一个小距离 ϵ，使用锚点 a_anchor = a_low + ϵ（假设 a_low 是下界）。这个新锚点位于 H 的内部。这样，Q(a_low + ϵ) 就可以通过观测数据中 A 接近 a_low + ϵ 的样本来估计，从而恢复了路径可微性。代价是，锚点离 κA 更远了，所以区间变宽了（|κA - (a_low + ϵ)| > |κA - a_low|）。这就是识别精度（更宽的区间）和推断稳定性（可微性）之间的 trade-off。

总结：本文在数学上干的事就是：在 Lipschitz 约束下，通过将区域外的点投影到区域内的一个“内部”锚点，构造了一个可微的、可进行高效推断的部分识别区间，从而在保留原政策的前提下，量化了因 positivity 违反而产生的不确定性。

三、这篇论文做了什么

三句话

1. 研究了什么问题：当修正治疗策略（MTP）生成的处理值因 positivity 违反而落在预设的“充分支持区域”外时，如何在不改变政策的前提下，对 MTP 下的平均结局 θ_d 进行部分识别和推断。
2. 核心工具/方法：使用 Lipschitz 连续性约束来 bound 区域外的贡献；提出 interior-displaced projection 来替代 metric projection，以恢复目标参数端点的路径可微性；在此基础上推导了高效影响函数，并构建了交叉拟合的一步估计量和乘子 bootstrap 置信区间。
3. 主要结论：推导了部分识别区间（Proposition 1），证明了 interior-displaced projection 下端点的影响函数（Theorem 1）及其在保守 Lipschitz 常数下的半参效率（Proposition 2），建立了估计量的渐近正态性（Theorem 2）和同时置信区间的有效性（Corollary 1）。模拟表明，在 positivity 被违反时，所提区间能达到名义覆盖，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：

• 目标 estimand：θ_d = E[Y(A_d)]，以及其对比 τ_d = θ_d - E[Y]。
• 区域 H：定义 1 给出了“充分 positivity 区域”的条件：在每个 X_D 层内，H(d) 是 supp(C|X_D=d) 的一个非空、闭凸子集。关键：H 是已知的（在 Section 4 和 5 之前），这简化了理论。Section 5 讨论如何从数据中构建 H。
• 核心假设：
  • 假设 1（因果假设）：一致性 + 无混杂。标准假设。
  • 假设 3（Lipschitz 连续性）：这是本文的核心识别假设，替代了参数外推模型。它限制了潜在结局均值 µ 在连续变量空间中的变化速度。相比已有文献（如 Armstrong and Kolesár, 2021），本文的 Lipschitz 假设是加在 µ（潜在结局）上，而非 Q（观测结局）上，但通过连续性，两者在 H 内一致。相比标准 MTP 文献，本文放宽了 positivity 假设，但增加了 Lipschitz 假设。
  • 假设 4（边界正则性）：H 的边界光滑且有正 reach。这是一个技术性假设，只为 interior-displaced projection 和后续的路径可微性服务。它排除了多面体（polytope）边界，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）：MTP 本身的正则性条件，用于密度比 r_in 的存在。这是 MTP 文献中的标准假设（如 Díaz et al., 2023）。
  • 假设 6（锚点映射的正则性）：锚点映射 g（特别是 ˜Π^ϵ）的正则性条件，用于密度比 r_g 的存在。这是本文特有的假设，因为标准 MTP 文献不需要处理锚点映射。
  • 假设 7（估计量条件）：L_2 相合性、乘积误差率 o_p(n^{-1/2})、影响函数稳定性。这是 DML 框架的标准条件，用于保证交叉拟合估计量的渐近性质。

主要结果

• Proposition 1（Bounds and the optimal anchor）：

  • 陈述：对于任意锚点映射 g，θ_d 属于区间 PI^g，其端点由公式 (7) 给出。在所有锚点映射中，度量投影 Π_H 最小化 PI^g 的长度。
  • 直觉：Lipschitz 约束给出了一个以锚点 µ 值为中心的区间，半宽是 L * distance。为了最小化宽度，自然要选择最近的锚点，即投影点。
  • 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：给出了一个可操作的、宽度有直接几何解释的部分识别区间。

• Theorem 1（Influence functions for the bound endpoints）：

  • 陈述：对于已知的 H 和锚点映射 g（满足假设 6），PI^g_l 和 PI^g_u 的影响函数由 ψ_in + ψ^g_l 和 ψ_in + ψ^g_u 给出，具体形式见定理。
  • 直觉：影响函数分解为两部分：ψ_in 对应区域内点识别的贡献，ψ^g_* 对应区域外通过锚点和 Lipschitz 约束 bound 的贡献。ψ^g_* 中包含一个重加权项 (Y-Q)r_g 和一个“伪结局”项 Q(g) ± L*distance。
  • 必要条件：假设 1, 3, 5, 6 成立；密度比 r_in 和 r_g 存在且绝对连续。
  • 解决的技术难点：这是本文的核心理论贡献。它证明了在 interior-displaced projection 下，部分识别区间的端点是路径可微的，从而为后续的 root-n 推断铺平了道路。作者明确指出，hard projection 无法做到这一点，因为它将概率质量集中到了零测集（边界）上。

• Proposition 2（Efficiency of the bound influence functions）：

  • 陈述：如果 Lipschitz 常数 L(d) 是保守的（即 µ 实际满足的 Lipschitz 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 Lipschitz 约束是“松弛”的（不紧贴边界）时，模型是“更大”的，此时影响函数在非参数模型下是有效的。如果 L(d) 恰好是紧的，模型变小，效率界可能不同，但影响函数仍然是有效的（只是不一定高效）。
  • 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。它告诉用户，在保守地选择敏感性参数时，他们的估计量是最优的。

• Theorem 2（Asymptotic normality）：

  • 陈述：在假设 7 下，交叉拟合的一步估计量 cPI^{(g)}_l 和 cPI^{(g)}_u 是联合渐近正态的，协方差矩阵可由样本协方差一致估计。
  • 直觉：这是 DML 定理的标准形式。只要 nuisance 函数估计得足够快（乘积误差 o_p(n^{-1/2})），对目标参数的估计就是 root-n 一致且渐近正态的。
  • 必要条件：假设 7（L2 相合、乘积率、稳定性）。
  • 解决的技术难点：将 DML 框架成功应用于这个非标准的部分识别问题。

• Corollary 1（Uniform set coverage）：

  • 陈述：通过乘子 bootstrap 构造的同时置信区间 cCI_α 对 θ_d 有渐近至少 1-α 的覆盖。
  • 直觉：由于 θ_d 包含在每个 ϵ 对应的区间 PI^{(j)} 中，这些区间的交集也包含 θ_d。通过 bootstrap 校正多重比较，可以构造一个覆盖这个交集的置信区间。
  • 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 网格稳健的推断方法。

证明路线与技术技巧

• 整体路线：

  1. 分解与 bound：将 θ_d 分解为区域内（点识别）和区域外（需 bound）两部分。对区域外部分，利用 Lipschitz 假设，用区域内锚点的 µ 值加上距离项来 bound。
  2. 选择锚点：证明 metric projection 给出最窄的区间（Proposition 1）。但发现其导致路径不可微。
  3. 修改锚点（Interior-Displaced Projection）：引入 ˜Π^ϵ，将锚点从边界移到内部，恢复路径可微性。证明这个新锚点映射满足假设 6（正则性）。
  4. 推导影响函数：对固定的 H 和 g = ˜Π^ϵ，通过标准的新影响函数（Newey, 1994）方法，推导出 PI^g_l 和 PI^g_u 的影响函数（Theorem 1）。关键步骤是计算目标泛函在扰动方向上的 Gateaux 导数，并找到能表示该导数的函数。
  5. 证明效率：在 Lipschitz 约束是松弛的条件下，证明该影响函数是半参有效的（Proposition 2）。这需要验证该影响函数位于模型的正交补空间中。
  6. 构建估计量与推断：使用交叉拟合的一步估计量（DML）来估计端点。证明在 nuisance 函数估计满足乘积率条件下，估计量是渐近正态的（Theorem 2）。使用乘子 bootstrap 构造对 ϵ 网格同时有效的置信区间（Corollary 1）。

• 关键跳跃点：

  • 从 metric projection 到 interior-displaced projection：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（投影将概率质量集中到低维边界），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厚度 ϵ）。这个跳跃不是技术上的平滑，而是问题框架的重新设计。
  • 推导 r_g 密度比：证明 interior-displaced projection 映射 ˜Π^ϵ 诱导的分布相对于观测分布是绝对连续的，从而密度比 r_g 存在。这需要用到 change-of-variables 公式和 ˜Π^ϵ 是光滑双射的性质。这是 Theorem 1 成立的关键技术细节。

• 技术技巧点名：

  • 影响函数（Influence Function）：核心工具，用于推导估计量的渐近性质和构造 one-step 估计量。
  • 交叉拟合（Cross-fitting）：用于放松对 nuisance 函数估计量的 Donsker 类条件，是 DML 的标准技巧。
  • 乘子 Bootstrap（Multiplier Bootstrap）：用于构造同时置信区间，处理多重比较问题。
  • 度量投影与凸分析（Metric Projection and Convex Analysis）：用于定义和优化锚点选择。
  • 回转半径（Reach）与微分几何：用于描述边界的光滑性，为 interior-displaced projection 提供几何基础。
  • 密度比估计（Density Ratio Estimation via Classification）：将 r_in 和 r_g 的估计转化为分类问题，可以使用灵活的机器学习方法。

真实例子与应用

• 数据：CHAMACOS 队列研究，259 名参与者，7 种农药类别的暴露数据，结局是孕产妇高血压。
• 场景：评估两种 MTP 的效果：(1) 将所有 7 种农药按比例降低 0-20%；(2) 仅将新烟碱类（neonicotinoids）农药按比例降低 0-20%。
• 如何应用：
  • 区域 H 在每个教育水平层内，由所有观测到的 (A, maternal age) 的凸包构成（full-sample convex hull）。
  • 距离标准化使用逆样本方差矩阵 V。
  • Lipschitz 常数 L 通过公式 (14) 从数据中校准，基准值为 0.15，并报告 L ∈ {0, 0.15, 0.3, 0.6} 的结果。
  • 使用交叉拟合的一步估计量，并报告乘子 bootstrap 同时置信区间。
• 结果：
  • 联合降低：几乎所有政策值都落在 H 内（>97%），因此所提区间与 naı̈ve 区间几乎重合。在降低 11% 以下时，两者都排除了零，但效应量很小（<0.5 个百分点）。超过 12% 后，两者都变宽并包含零。
  • 单独降低新烟碱类：政策值很快离开 H（降低 5% 时 25% 在外，20% 时近 50% 在外）。在 L=0.15 时，所提区间仅在降低 5% 以下排除零；从 5% 开始，区间包含零，且宽度随 L 增大而增大。而 naı̈ve 区间在所有降低水平都排除零，但其精度建立在大量外推之上。
• 这个例子想说明什么：
  1. 验证方法：在联合降低（positivity 近似成立）时，所提方法退化为标准方法，结果一致。
  2. 展示优势：在单独降低新烟碱类（positivity 严重违反）时，所提方法能诚实地反映不确定性，其区间随外推程度增加而变宽，而 naı̈ve 方法则给出虚假的精确结论。这直观地展示了“make extrapolation assumptions explicit”的价值。
  3. 实际意义：保护性关联（排除零）仅在政策被数据充分支持时才成立，这为政策制定者提供了更可靠的证据。

🔎 结论是否比证明窄

• 是。论文的结论在多个地方比其严格证明的条件要宽泛。
  1. 数据自适应区域：Theorem 2 和 Corollary 1 的条件是“H is fixed and known”。然而，在模拟和实际应用中，H 是从数据中估计的（凸包）。作者在 Section 5.2 和 8 中明确承认了这一点，指出“the cross-validated-region result...extends the guarantee...under a stability condition”，但“A region built once on the full analysis sample...lies outside this result”。因此，实际应用中报告的置信区间（如 CHAMACOS 例子）的严格理论保证，弱于论文中定理所证明的。
  2. Lipschitz 假设的违反：在模拟中，作者测试了 Q2，一个包含交互项且在无界域上没有全局 Lipschitz 常数的结局回归。作者诚实地说“coverage under Q2 is therefore an empirical finding outside Theorem 2”。这表明，当核心假设（Lipschitz）不成立时，方法的覆盖性质是一个开放问题，但论文的结论（“proposed intervals attain nominal coverage”）在模拟中似乎仍然成立，这比理论保证更强。
  3. Sharp 区间：论文主要关注投影区间 PI^Π，并承认它不是 sharp 的。作者在补充材料中讨论了 sharp 区间 PI*，但没有为其提供推断方法。因此，论文的“最优性”声明仅限于“one-anchor”类区间，而非所有可能的 Lipschitz 约束下的区间。

四、开放问题（点到为止，扎根具体语句）

1. 全样本数据自适应区域的推断：当区域 H 是在全样本上一次性构建的（如 CHAMACOS 例子），其不确定性如何纳入最终推断？作者在 Section 8 指出：“inference with a region built once on the full analysis sample...the region converges slowly and enters the bound functional through an indicator, so the resulting functional need not be pathwise differentiable”。这是一个明确的 gap。扎根于：Section 8, "One direction is inference with a region built once on the full analysis sample, which the present theory does not cover"。

2. Sharp Lipschitz 区间的推断：本文的投影区间 PI^Π 不是 sharp 的。sharp 区间 PI* 的端点涉及 McShane-Whitney 扩展包络，这是一个全局极值问题。如何为 PI* 的端点构造可操作的、正则的推断方法？扎根于：Section 3.3, "The endpoints of that intersection are the Lipschitz extension envelopes of McShane (1934) and Whitney (1934), and the resulting interval PI⋆ they generate satisfies PI⋆ ⊆ PIΠ: the projection interval is not sharp."

3. 纵向 MTP 的扩展：将本文框架扩展到纵向设定（如 Díaz et al., 2023）。作者在 Section 8 提到：“extend the framework to longitudinal policies, where positivity is a condition on histories...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”。这涉及到序贯决策下的部分识别，复杂度显著增加。扎根于：Section 8, "Another is to extend the framework to longitudinal policies...".

4. 数据自适应的 Lipschitz 常数选择：本文的 L 校准（公式 14）提供了一个基准，但本质上仍是用户指定的敏感性参数。如何从数据中自适应地选择 L，或者如何将 L 的不确定性纳入最终推断？Ma and Namkoong (2025) 的工作可能与此相关。扎根于：Section 5.4, "This is a benchmark rather than an estimate, because it cannot verify the behaviour of µ beyond the data."

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论