Nonparametric Efficient Estimation of Dynamic Treatment Regimes with Competing Risks¶

作者: Nitya Shah, Laura D. Carbone, Howard A. Fink, John T. Schousboe, Jared D. Huling
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.28797

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向要解决的根本问题是：在存在竞争风险（如死亡）和右删失的纵向观察性研究中，如何对动态治疗策略（DTR） 下的累积发病率进行因果推断与高效估计。其核心挑战在于同时处理时变混杂、样本量随治疗路径分叉而递减、以及模型误设带来的偏差。当前该方向的成熟度处于“已有识别与基础估计方法，但缺乏非参数有效估计量”的阶段。

发展脉络（history）¶

奠基工作：因果推断框架的建立
- Robins (1986)：提出了 g-formula，为在时变暴露下识别因果效应提供了第一个通用框架。它通过建模整个结局和协变量的联合分布来工作。
- Robins (1993)：进一步发展了逆概率加权（IPW）方法，用于处理时变混杂和删失，并引入了“人工删失”的概念来处理与 DTR 的不兼容性。
- Murphy et al. (2001)：正式定义了动态治疗策略（DTR）的边际均值模型，为将 DTR 纳入因果推断框架奠定了基础。
- Robins & Finkelstein (2000)：展示了逆概率删失加权（IPC）如何有效纠正因不兼容性导致的选择偏差。
主要进展：双重稳健与效率理论
- Bang & Robins (2005)：提出了双重稳健估计量，该估计量在倾向得分模型或结局模型之一正确设定时仍能保持一致性，显著提升了方法的鲁棒性。
- van der Laan & Rubin (2006)：提出了 Targeted Maximum Likelihood Estimation (TMLE)，这是一种基于影响函数的估计方法，旨在实现半参数效率。
- Kennedy (2023)：对半参数双重稳健和 Targeted Double Machine Learning 进行了综述，系统化了基于有效影响函数（EIF）的估计框架，包括交叉拟合和产品率条件。
当前 Frontier：DTR 与竞争风险的结合
- Morzywołek et al. (2022)：首次将 DTR 框架扩展到竞争风险设定，提出了动态策略边际结构模型，并使用 IPW Aalen-Johansen 估计量进行估计。留下的口子：该方法依赖 IPW，易受高方差、权重不稳定和模型误设的影响。
- Díaz et al. (2025)：提出了纵向修正治疗策略（LMTP）框架，允许对时变暴露进行灵活的非参数估计。留下的口子：其因果 estimand 是总体层面的治疗修正，而非针对预设的、个体化的 DTR。
本文的位置
- 本文直接填补了 Morzywołek et al. (2022) 留下的效率缺口。它没有停留在 IPW 估计上，而是首次为 DTR 下的累积发病率推导了非参数有效影响函数（EIF），并基于此构建了一个序贯双重稳健的估计量，该估计量在允许使用灵活机器学习的同时，仍能保持 \(\sqrt{n}\)-一致性和渐近正态性。

子线索聚类¶

识别与估计框架：这条线索关注如何从观测数据中识别 DTR 下的因果效应。核心方法包括 g-formula (Robins, 1986; Young et al., 2020) 和 IPW (Robins, 1993; Robins & Finkelstein, 2000; Murphy et al., 2001)。这些方法提供了理论基础，但通常依赖参数模型，易受误设影响。
鲁棒与高效估计：这条线索致力于开发对模型误设更鲁棒、统计效率更高的估计量。核心方法包括 双重稳健估计 (Bang & Robins, 2005)、TMLE (van der Laan & Rubin, 2006) 和 基于 EIF 的估计 (Kennedy, 2023)。本文属于此线索，并将其推广到 DTR 与竞争风险并存的新设定。
DTR 与竞争风险的应用：这条线索将 DTR 框架应用于存在竞争风险的实际问题。Morzywołek et al. (2022) 的工作是直接先驱，但受限于 IPW 的缺陷。Díaz et al. (2025) 的 LMTP 框架提供了另一种思路，但目标 estimand 不同。本文在此线索上提供了第一个非参数有效的解决方案。

这个方向在追问的核心问题¶

识别：在序贯可忽略性、正性和一致性假设下，如何将 DTR 下的累积发病率表示为观测数据的函数？
鲁棒估计：如何构建一个估计量，使其在倾向得分模型或结局模型之一（或两者）误设时仍能保持一致性？
高效估计：如何构建一个估计量，使其渐近方差达到半参数效率界，从而在非参数模型中实现最优的推断精度？
处理数据稀疏性：随着时间推移，与特定 DTR 兼容的样本量急剧减少，如何在这种结构稀疏性下保持估计的稳定性？

当前主流方法与已知瓶颈：主流方法（IPW, g-formula）要么效率低、不稳定（IPW），要么对模型误设极其敏感（g-formula）。双重稳健方法（如 TMLE）在简单设定下有效，但尚未被系统性地扩展到 DTR 与竞争风险并存的复杂纵向设定。本文的 EIF 推导和序贯双重稳健估计量正是为了突破这一瓶颈。

⚠️ 作者的 framing¶

作者的缺口 frame：作者将缺口 frame 为“现有方法（Morzywołek et al., 2022 的 IPW-AJ）虽然能处理 DTR 和竞争风险，但受限于 IPW 的固有问题（高方差、不稳定、易误设），而 LMTP (Díaz et al., 2025) 虽然灵活，但目标 estimand 不同。因此，需要一个统一的、鲁棒的、高效的半参数框架来专门估计 DTR 下的累积发病率。” 这使得本文的 EIF 推导和序贯双重稳健估计量成为“显然的下一步”。
被淡化或回避的竞争路线：作者淡化了 g-formula 的潜力，指出即使模型“正确指定”，其递归结构也使其在估计累积发病率时存在结构性偏差（见模拟部分）。作者也回避了与 TMLE 的直接比较，尽管 TMLE 是另一种基于 EIF 的流行方法。作者选择使用“one-step estimator”而非 TMLE，可能因为其推导和实现更直接。
值得研究者去查的问题：什么明显该被引 / 该存在、却没出现在 intro 里？
- 关于高维统计或随机矩阵理论在 DTR 中的应用（例如，当协变量维度很高时，如何保证倾向得分或结局模型的估计质量？）。本文假设使用机器学习，但未讨论高维场景下的理论性质。
- 关于统计-计算权衡的文献。本文的 EIF 估计量需要估计多个 nuisance 函数，其计算复杂度随时间点 K 线性增长。是否存在更简单的、计算上更便宜的替代方案，即使牺牲一些效率？这与研究者的“statistical-computational tradeoff”兴趣点直接相关，但本文未触及。
- 关于敏感性分析的文献。本文依赖于无未测量混杂的强假设。如何评估这个假设的违反程度对估计结果的影响？这是一个重要的开放问题，但本文仅在讨论中提及。

张力¶

未见明显对立引用。所有被引工作都在因果推断的框架内，彼此互补而非矛盾。主要的张力在于不同方法（IPW vs. g-formula vs. 双重稳健）在不同场景下的性能优劣，这正是本文通过模拟和理论要解决的问题。

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：
- \(k = 0, ..., K\)：离散时间点。
- \(Y_k\)：到时间 \(k\) 为止，是否已发生目标事件（如骨折）。\(Y_k = 1\) 表示已发生。
- \(Z_k\)：到时间 \(k\) 为止，是否已发生竞争事件（如死亡）。\(Z_k = 1\) 表示已发生。
- \(X_k\)：时间 \(k\) 的协变量（时变或静态）。
- \(A_k\)：时间 \(k\) 的治疗指示变量（\(0\)=未治疗，\(1\)=治疗）。
- \(U_k\)：到时间 \(k\) 为止，是否未被删失（因失访）。\(U_k = 1\) 表示未被删失。
- \(d = \{d_0, ..., d_{K-1}\}\)：一个动态治疗策略（DTR），\(d_k\) 是一个根据历史 \(H_k\) 决定 \(A_k\) 的规则。
- \(C^{(d)}_k = \mathbf{1}(A_k = d_k)\)：兼容性指示变量，表示个体在时间 \(k\) 的治疗是否与策略 \(d\) 一致。
- \(\psi_k\)：在时间 \(k\) 的发病率（incidence），即 \(Pr(Y^d_k = 1, Z^d_k = 0)\) 的增量部分。
- \(\psi^*_k = \sum_{t=1}^k \psi_t\)：到时间 \(k\) 为止的累积发病率（cumulative incidence）。
- \(W^{(d)}_k\)：到时间 \(k\) 为止的逆概率删失权重，用于纠正因不兼容性和失访导致的选择偏差。
- \(G^{(k)}_t\)：g-formula 中的迭代期望项，用于通过建模结局来识别发病率。
- \(\varphi_k\)：\(\psi_k\) 的有效影响函数（EIF）。
模型：
- 数据生成机制是一个离散时间、纵向观测研究。在每个时间点 \(k\)，观测数据的顺序为：\(Z_k, Y_k, X_k, A_k, U_k\)。
- 治疗分配 \(A_k\) 依赖于历史协变量和结局（时变混杂）。
- 失访 \(U_k\) 可能依赖于历史数据（信息性删失）。
- 死亡 \(Z_k\) 是一个竞争风险，它的发生会阻止目标事件 \(Y_k\) 的发生。
- 目标 estimand：在假设所有人都遵循某个预设 DTR \(d\) 的情况下，到时间 \(k\) 为止目标事件的反事实累积发病率 \(Pr(Y^d_k = 1)\)。
可观测数据：
- 研究者能观测到的是每个个体在每个时间点的 \(\{Z_k, Y_k, X_k, A_k, U_k\}\) 序列。
- 想要但观测不到的：
  - 反事实结局 \(Y^d_k, Z^d_k\)：如果个体遵循了策略 \(d\) 会怎样？我们只能观测到他们实际遵循的治疗路径下的结局。
  - 无混杂的潜在机制：我们假设观测到的协变量 \(X_k\) 足以控制所有混杂（序贯可忽略性），但这无法从数据中验证。

第二步：讲最小内核¶

最简特例：K=2（只有两个时间点）

为了看清本文的核心思路，我们考虑最简单的情况：只有基线（\(k=0\)）和第一个随访点（\(k=1\)）。目标 DTR \(d\) 很简单：\(d = \{d_0\}\)，即基线时是否治疗。

目标 estimand：到时间 1 为止的累积发病率 \(\psi^*_1 = \psi_1 = Pr(Y^d_1 = 1)\)。
可观测数据：\(\{Z_0, Y_0, X_0, A_0, U_0\}\) 和 \(\{Z_1, Y_1, X_1, A_1, U_1\}\)。根据假设，\(Y_0 = Z_0 = 0\)。

核心思路：EIF 作为“一阶泰勒展开”

本文的核心想法是，要高效地估计 \(\psi_1\)，不能只靠 IPW 或 g-formula，而是要把它们结合起来。EIF \(\varphi_1\) 就是这个“结合”的关键。它像一个“一阶泰勒展开”，告诉我们当数据分布发生微小扰动时，\(\psi_1\) 会如何变化。基于 EIF 的 one-step 估计量可以写成：

\[\hat{\psi}_1 = \frac{1}{n} \sum_{i=1}^n \left[ \text{IPW部分} + \text{g-formula部分} - \text{调整项} \right]\]

在这个 \(K=2\) 的特例下，EIF 公式 (16) 大大简化。我们一步步来看：

IPW 部分：它试图通过加权来模拟一个随机试验。权重 \(W_0\) 纠正了基线治疗选择 \(A_0\) 和失访 \(U_0\) 的偏差。这部分是：
\[\hat{W}_{i,0} \times \mathbf{1}(Y_{i,0}=0, Z_{i,0}=0) \times Y_{i,1}(1-Z_{i,1})\]
这相当于用 IPW 估计的“在时间 1 发生目标事件”的期望。
g-formula 部分：它试图通过建模结局来预测，如果所有人都遵循策略 \(d\)，会发生什么。这部分是：
\[\hat{G}^{(1)}_{i,1}\]
其中 \(\hat{G}^{(1)}_{i,1}\) 是 g-formula 对 \(\psi_1\) 的估计，它通过建模 \(Pr(Y_1=1 | Z_1=0, A_0=d_0, X_0)\) 和 \(Pr(Z_1=0 | A_0=d_0, X_0)\) 并取期望得到。
调整项：这是 EIF 的精髓，它确保了双重鲁棒性。它减去了 IPW 部分中“预测”的部分，并加上了 g-formula 部分中“加权”的部分，以避免重复计算。具体形式是：
\[\hat{W}_{i,0} \times \mathbf{1}(Y_{i,0}=0, Z_{i,0}=0) \times \hat{G}^{(1)}_{i,1}\]

为什么这个 EIF 估计量是“序贯双重稳健”的？

把这三部分加起来，我们得到：

\[\hat{\psi}_1 = \frac{1}{n} \sum_{i=1}^n \left[ \hat{W}_{i,0} \times \mathbf{1}(\text{at risk}) \times (Y_{i,1}(1-Z_{i,1}) - \hat{G}^{(1)}_{i,1}) + \hat{G}^{(1)}_{i,1} \right]\]

现在，考虑两种极端情况： * 如果 IPW 权重 \(\hat{W}_0\) 是正确的（即倾向得分模型正确）：那么 \(\hat{W}_0\) 会使得 \(Y_{i,1}(1-Z_{i,1})\) 的加权期望等于 \(\psi_1\)。此时，即使 \(\hat{G}^{(1)}_{1}\) 是错的，只要它是有界的，整个估计量仍然是一致的。因为 \(\frac{1}{n} \sum \hat{W}_0 \times \cdots \times (Y(1-Z) - \hat{G})\) 的期望会收敛到 \(\psi_1 - \psi_1 = 0\)，只剩下 \(\frac{1}{n} \sum \hat{G}\) 部分，但它的偏差会被 IPW 部分“纠正”掉。 * 如果 g-formula 模型 \(\hat{G}^{(1)}_1\) 是正确的：那么 \(\frac{1}{n} \sum \hat{G}^{(1)}_1\) 会收敛到 \(\psi_1\)。此时，即使权重 \(\hat{W}_0\) 是错的，第一项 \(\frac{1}{n} \sum \hat{W}_0 \times \cdots \times (Y(1-Z) - \hat{G})\) 的期望也会收敛到 0（因为 \(Y(1-Z)\) 的条件期望就是 \(\hat{G}\)，而权重是独立于这个残差的），所以整个估计量仍然是一致的。

结论：在这个 \(K=2\) 的最小例子里，本文的核心思路就是构造一个估计量，它由 IPW 和 g-formula 两部分组成，并通过 EIF 将它们巧妙地结合起来，使得只要其中一部分是正确的，整个估计量就是正确的。这就是“双重稳健”的含义。对于更长的 \(K\)，这个思路被“序贯”地应用在每个时间点上，形成了“序贯双重稳健”。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在存在竞争风险和右删失的纵向观测数据中，如何对动态治疗策略（DTR）下的累积发病率进行非参数有效估计。
核心工具 / 方法：推导了该 estimand 的有效影响函数（EIF），并基于此构建了一个序贯双重稳健的 one-step 估计量，该估计量采用交叉拟合技术，允许使用灵活的机器学习估计 nuisance 函数。
主要结论：该估计量在满足产品率条件（product rate condition）下是 \(\sqrt{n}\)-一致的、渐近正态的，且渐近方差达到非参数效率界。模拟和实际数据分析验证了其有限样本性能优于 IPW-AJ 和 g-formula。

关键设定与假设¶

设定：离散时间 \(k=0,...,K\)，每个时间点观测到 \(\{Z_k, Y_k, X_k, A_k, U_k\}\)。目标 DTR \(d\) 是一系列根据历史决定治疗的规则。
假设：
1. 序贯可忽略性 (Assumption 1)：在给定历史下，治疗分配和失访与未来潜在结局无关。这是无未测量混杂的核心假设。
2. 正性 (Assumption 2)：在每个时间点，给定历史，遵循 DTR \(d\) 和不失访的概率都大于 0。这保证了权重的稳定性。
3. 一致性 (Assumption 3)：观测到的结局等于其潜在结局。这包括无干扰假设。
相比已有文献的强化/放宽：
- 相比 Morzywołek et al. (2022)：本文放宽了对 nuisance 函数（倾向得分、结局模型）必须正确参数化指定的要求，允许使用非参数机器学习。同时，本文强化了效率目标，要求达到非参数效率界，而 Morzywołek et al. (2022) 的 IPW 估计量通常不是有效的。
- 相比 Díaz et al. (2025)：本文的 estimand 是预设的、个体化的 DTR，而非总体层面的治疗修正。这使得本文的假设和推导更贴近于评估特定临床指南（如“药物假期”）的效果。

主要结果¶

定理 1 (识别)：在三个因果假设下，DTR 下的反事实事件特异性风险 \(h^{(Y)}_k(d)\) 和 \(h^{(Z)}_k(d)\) 可以通过 IPW 权重 \(W^{(d)}_{k-1}\) 的期望之比来识别。这为 IPW-AJ 估计量提供了理论基础。
定理 2 (g-formula 识别)：在相同假设下，发病率 \(\psi_k\) 可以通过 g-formula 的迭代期望 \(E[G^{(k)}_1]\) 来识别。这为 g-formula 估计量提供了理论基础。
定理 3 (EIF 推导)：这是本文的核心理论贡献。它给出了发病率 \(\psi_k\) 的非参数有效影响函数 \(\varphi_k\)。这个 EIF 是 IPW 部分和 g-formula 部分的巧妙组合，其形式如公式 (16) 所示。解决的技术难点：在 DTR 和竞争风险并存的复杂纵向设定下，推导出闭合形式的 EIF。这需要对数据生成过程的路径结构有深刻理解，并运用路径导数（pathwise derivative）的技巧。
定理 4 (渐近性质)：这是本文的核心方法论贡献。它证明了基于 EIF 的 one-step 估计量 \(\hat{\psi}_k\) 是 \(\sqrt{n}\)-一致、渐近正态的，且其渐近方差达到非参数效率界。必要条件是产品率条件 (18)：在每个时间点 \(t\)，g-formula 项 \(G^{(k)}_t\) 的估计误差与 IPW 权重倒数 \(1/(\pi^U_{t-1}\pi^C_{t-1})\) 的估计误差的乘积必须为 \(o_p(1/\sqrt{n})\)。这个条件比要求每个 nuisance 函数都达到 \(\sqrt{n}\)-一致要弱得多，从而允许使用收敛速度较慢的机器学习方法。

证明路线与技术技巧（理论型）¶

整体路线：
1. 识别：首先，通过定理 1 和 2，将反事实 estimand \(\psi_k\) 表示为观测数据分布的两种不同函数：IPW 形式和 g-formula 形式。
2. EIF 推导：然后，在非参数模型中，计算 \(\psi_k\) 作为数据分布泛函的路径导数。通过巧妙地利用数据生成过程的因子分解和得分函数的性质，证明 \(\varphi_k\) 正是这个路径导数，从而确认其为 EIF（定理 3）。证明的关键在于将复杂的路径导数积分化简为 \(\varphi_k\) 的形式。
3. 估计量构建与渐近分析：基于 EIF 的性质 \(E[\varphi_k + \psi_k] = \psi_k\)，构建 one-step 估计量 \(\hat{\psi}_k = P_n[\hat{\varphi}_k + \hat{\psi}_k]\)。然后，将估计误差分解为：
  \[\hat{\psi}_k - \psi_k = (P_n - P)[\varphi_k] + (P_n - P)[\hat{\varphi}_k - \varphi_k] + R_2(\hat{P}, P)\]
  其中第一项是影响函数项，由 CLT 控制；第二项是经验过程项；第三项是二阶余项。
4. 控制余项：通过引理 5 和 7，证明在交叉拟合和产品率条件下，经验过程项和二阶余项都是 \(o_p(1/\sqrt{n})\)。引理 7 的关键是将二阶余项 \(R_2\) 化简为一系列乘积项 \(b_t\) 的和，每个 \(b_t\) 都是时间 \(t-1\) 的倾向得分误差与时间 \(t\) 的结局模型误差的乘积。这正是“序贯双重稳健”的数学体现。
关键跳跃点：
- EIF 的闭合形式推导：这是最吃功夫的部分。作者需要从 \(\psi_k\) 的路径导数出发，通过一系列复杂的条件期望操作和代数化简，最终得到公式 (16) 这个简洁而结构化的形式。这个形式不是显而易见的。
- 二阶余项 \(R_2\) 的化简：将 \(R_2\) 化简为 \(b_t\) 的和（引理 7）是证明序贯双重稳健性的关键。这个化简过程需要巧妙地运用引理 6 中的加权期望恒等式，将复杂的期望项进行“望远镜”式的抵消。
技术技巧点名：
- 路径导数 (Pathwise derivative)：用于推导 EIF 的核心工具。
- 得分函数性质 (Score property)：利用 \(E[\ell'_\epsilon(V|B;0)|B] = 0\) 来简化路径导数积分。
- 条件期望的塔式性质 (Tower property)：在 EIF 推导和余项分析中反复使用。
- 交叉拟合 (Cross-fitting)：用于打破经验过程项中的依赖关系，避免 Donsker 条件。
- 产品率条件 (Product rate condition)：这是本文理论分析的核心创新，它量化了“序贯双重稳健”所需的收敛速度条件，比传统双重稳健的条件更弱。

真实例子与应用¶

数据：来自 Veterans Health Administration (VHA) 的电子健康记录数据，包含 109,286 名老年男性退伍军人，他们已完成 3 年的口服双膦酸盐（BP）治疗。
场景：评估两种 DTR 对临床骨折累积发病率的影响：
1. 停药策略：在 3 年治疗后完全停药。
2. 持续治疗策略：继续口服 BP 治疗 4 年（总共 7 年）。
方法应用：使用高维随机森林估计所有 nuisance 函数（倾向得分、删失模型、结局模型），然后应用本文提出的 EIF 估计量、IPW-AJ 和 g-formula 进行比较。
结果：
- EIF 估计量 vs. 未加权估计：未加权的 Aalen-Johansen 估计量显著低估了骨折风险（约 7-8%），而 EIF 估计量给出了更高的估计（约 10-11%），表明存在强烈的时变混杂和信息性删失。
- EIF 估计量 vs. IPW-AJ vs. g-formula：在随访末期，EIF 和 g-formula 的估计值接近（约 10-11%），而 IPW-AJ 的估计值更低（约 7-9%）。这表明结合结局建模的估计量（EIF, g-formula）可能比纯 IPW 方法更有效地纠正了偏差。
- 临床结论：EIF 估计量显示，停药组和持续治疗组的 4 年骨折累积发病率分别为 10.13% 和 10.88%，其 95% 置信区间高度重叠。这表明，对于已完成 3 年 BP 治疗的老年男性患者，继续治疗 4 年并未带来显著的额外临床获益或风险。
例子想说明什么：这个例子旨在展示本文方法在真实世界大规模数据上的实用性，并说明不调整混杂和删失会如何导致严重偏差。同时，它也展示了 EIF 估计量能够提供临床可解释的累积风险估计，为临床决策（如是否采用“药物假期”）提供依据。

🔎 结论是否比证明窄¶

窄的地方：定理 4 的证明严格依赖于交叉拟合（或使用独立样本估计 nuisance 函数）。作者在定理陈述中明确写了“假设所有 nuisance 函数是从一个不同的、独立的样本中估计的”。然而，在模拟和实际数据分析中，作者使用了交叉拟合。这是一个标准的做法，但值得注意：如果不使用样本分割，证明需要更强的 Donsker 条件，而本文的证明并未覆盖这种情况。
泛泛 claim 的地方：作者在摘要和引言中声称该方法“允许使用灵活的机器学习”，但定理 4 的条件 (18) 对机器学习的收敛速度有隐含要求（乘积为 \(o_p(1/\sqrt{n})\)）。对于某些非常复杂、收敛速度极慢的机器学习方法（如深度神经网络），这个条件可能不成立。作者在模拟中使用了 SuperLearner，其内部包含了多种方法，但并未严格证明这些方法满足条件 (18)。这是一个常见的 gap，即理论条件与实际应用之间的差距。

四、开放问题¶

条件效应估计：本文估计的是总体平均累积发病率。作者在讨论中提出，可以将其扩展到条件效应，即估计在给定基线协变量 \(X_0 = x\) 下的 \(Pr(Y^d_k = 1 | X_0 = x)\)。这需要推导条件 EIF，并可能涉及更复杂的非参数回归问题。扎根点：Section 5 Discussion 中的“incorporation of covariate information... into an estimator of conditional effects”。
正性假设的放松：本文的正性假设要求在每个时间点，遵循 DTR \(d\) 的概率都大于 0。在长随访期和复杂 DTR 下，这个假设很容易被违反（例如，某些治疗路径在数据中从未出现）。如何放松这个假设，例如通过截断权重或定义新的、更可行的 DTR，是一个重要的开放问题。扎根点：Section 5 Discussion 中的“positivity violations, leading to extreme IPC weights”。
无未测量混杂假设的敏感性分析：本文的核心识别假设是序贯可忽略性。这个假设无法从数据中验证。开发针对 DTR 和竞争风险的敏感性分析方法，以评估违反该假设对估计结果的影响，是未来研究的重要方向。扎根点：Section 5 Discussion 中的“our framework relies on the assumption of no unmeasured confounding”。
与统计-计算权衡的联系：本文的 EIF 估计量需要估计 \(O(K)\) 个 nuisance 函数，其计算复杂度随 \(K\) 线性增长。是否存在计算上更便宜的替代估计量，即使牺牲一些统计效率？例如，能否使用一个单一的、更简单的模型来近似整个 DTR 的效果？这个问题直接连接了研究者的“statistical-computational tradeoff”兴趣，但本文未涉及。扎根点：这是一个未被本文触及的张力，值得研究者去探索。

Maintained by 陈星宇 · Homepage · Source on GitHub