Simple Covariate Adjustment for Many Estimands Using Stable Balancing Weights¶

作者: Kayla Irish, Jos\'e Zubizarreta, Alex Luedtke
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2609.01638

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向解决的根本问题是：在随机对照试验（RCT）中，如何利用基线协变量（baseline covariates）来提高治疗效应估计的精度（即获得更窄的置信区间和更高的统计功效），同时保持方法的简单性、透明性和跨不同 estimand 的通用性。当前成熟度较高，已有大量理论和方法，但实际应用仍不普遍，主要障碍在于现有方法往往需要针对每个 estimand 定制调整程序，增加了实施复杂度。

发展脉络（history）¶

奠基工作：协变量调整的理论基础与线性回归基准
- Tsiatis et al. (2008) 和 Lin (2013) 奠定了协变量调整的理论基础。Lin (2013) 的关键贡献是证明了：对于平均处理效应（ATE），使用带有处理-协变量交互项的普通最小二乘（OLS）回归，即使线性模型设定错误，其渐近效率也不低于未调整的均值差估计。这为协变量调整提供了一个“无风险”的基准方法。
- ICH E9 (1998) 和 FDA (2023) 的监管指南强调了协变量调整的重要性，但 FDA (2023) 也指出，实施需要预先指定协变量、函数形式和针对特定 estimand 的调整程序，这构成了实际应用的主要障碍。
主要进展：针对特定 estimand 的定制化调整方法
- 大量工作开发了针对特定终点的调整方法，例如：
  - Díaz et al. (2019); Ye et al. (2024); Zhang et al. (2025) 针对生存终点和对数秩检验。
  - Li et al. (2022) 针对限制性平均生存时间（RMST）。
  - Cao et al. (2025); Scheidegger et al. (2026) 针对基于胜率的 estimand。
  - Benkeser et al. (2021) 覆盖了二元、有序和生存时间结局，但为每个 estimand 提供了单独的估计量。
- 这些方法虽然能带来效率增益，但其实现依赖于 estimand，且可能需要选择特定的程序，这促使研究者寻求一种可预先指定、透明且跨 estimand 可复用的调整策略。
当前 Frontier：加权方法与统一框架
- 加权方法 成为实现透明调整的一条路径。Shen et al. (2014); Williamson et al. (2014) 使用基于倾向性评分模型的逆概率加权（IPW）。Shao et al. (2026) 将 IPW 扩展到右删失生存终点，并证明加权 Cox 和 Kaplan-Meier 分析在渐近意义上等价于最优线性增广估计量。
- 平衡权重方法 是另一条路径，通过优化问题直接选择权重以平衡协变量。Zubizarreta (2015) 提出了稳定平衡权重（SBW），最初用于观察性研究。Ben-Michael et al. (2021) 对平衡权重进行了综述。
- 线性回归与加权的关系 被进一步阐明。Chattopadhyay and Zubizarreta (2023) 证明线性回归估计量可以写成观测结果的加权平均。Bruns-Smith et al. (2026) 表明结合结果模型和平衡权重的估计量可以简化为单个回归估计量。这些工作表明，对于线性泛函，加权和回归是同一估计量的不同表示。特别是，对于 ATE，SBW 估计量与 Lin (2013) 的估计量数值上一致。
- Kong (2025) 最近为一种相关的极小极大加权估计量建立了渐近正态性和置信区间，但使用了基于初步回归拟合的定制方差估计量。
本文的位置
- 本文旨在填补上述定制化方法与统一框架之间的空白。它提出了一种基于 SBW 的通用模板，适用于任何是 arm-specific 分布函数的 Hadamard 可微泛函的 estimand，包括风险比、Mann-Whitney 估计量和生存比等非线性泛函。与 Kong (2025) 不同，本文通过非参数 bootstrap 进行推断，无需为每个 estimand 定制方差估计量。其核心主张是：通过一次权重计算，即可为多种 estimand 提供渐近有效的调整，且效率不低于未调整估计。

子线索聚类¶

基于回归的调整：以 Lin (2013) 为代表，通过线性回归（特别是带交互项的 OLS）进行协变量调整。优点是理论清晰，有“无风险”保证；缺点是主要适用于线性泛函（如 ATE），且对非线性和非 collapsible 的 estimand 处理复杂。
基于权重的调整：包括 IPW（Shen et al., 2014; Williamson et al., 2014; Shao et al., 2026）和平衡权重（Zubizarreta, 2015; Ben-Michael et al., 2021）。优点是透明、可解释，且权重计算独立于结果。IPW 依赖于倾向性评分模型，而平衡权重通过优化直接实现平衡。本文属于此线索。
针对特定 estimand 的定制化方法：如 Díaz et al. (2019); Benkeser et al. (2021); Li et al. (2022); Cao et al. (2025) 等。优点是针对性强，可能达到最优效率；缺点是缺乏通用性，实施复杂。

这个方向在追问的核心问题¶

如何实现“一次调整，多处使用”？ 即能否开发一种通用的协变量调整方法，使其能应用于临床试验中常见的多种 estimand（ATE、RR、MW、SR 等），而无需为每个 estimand 设计专门的调整程序？
如何保证调整后的估计量在效率上不劣于未调整估计？ 这是任何调整方法的基本要求。对于线性泛函，Lin (2013) 已给出保证。对于更广泛的泛函，需要建立类似的理论。
如何为通用调整方法提供简单、有效的推断？ 如果调整方法本身是复杂的（如涉及交叉拟合、机器学习），其推断（如标准误计算）也可能变得复杂。能否使用像 bootstrap 这样简单、统一的方法？
如何保持子组分析与整体分析的一致性？ 在临床试验中，报告整体效应和子组效应是常规要求。调整方法应确保子组效应能从整体分析中自然地导出，而不是来自两个不兼容的模型。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么？ 作者将缺口 frame 为：现有协变量调整方法要么是“estimand-specific”（需要定制），要么是“model-based”（可能复杂且不透明），缺乏一个“simple, transparent approach that can be used across a wide range of estimands”。他们将自己的方法定位为这个“显然的下一步”：一个基于 SBW 的通用模板，它简单（只需一次权重计算）、透明（权重通过凸优化得到）、且适用于一大类 Hadamard 可微的 estimand。
哪些竞争路线被他淡化或回避了？
- AIPW 等基于影响函数的方法：作者在引言中提到了 AIPW，并在模拟中将其作为比较对象。但在理论部分，他们并未深入讨论 AIPW 与 SBW 在效率上的理论关系（例如，SBW 是否达到半参数效率界？）。他们只是证明了 SBW 优于未调整估计，但未声称其是半参数有效的。这暗示了 SBW 可能不是最优的，但胜在简单。
- 数据自适应方法：作者在讨论部分提到了变量选择和自适应程序（Balzer et al., 2024; Liu et al., 2026），但本文的核心方法并未采用这些技术。他们选择了一个固定的、预先指定的协变量集进行精确平衡。
什么明显该被引 / 该存在、却没出现在 intro 里？
- 半参数效率理论：本文的核心理论贡献是证明了 SBW 估计量的渐近方差小于未调整估计量。这个结果与半参数效率理论中“使用协变量可以提高效率”的经典结论一致。但作者没有引用任何关于半参数效率界（semiparametric efficiency bound）的文献（如 Bickel et al., 1993; Tsiatis, 2006）。这可能是作者有意为之，因为他们并未声称 SBW 达到了效率界，只是证明了它优于未调整估计。然而，对于熟悉半参数理论的读者来说，这是一个明显的缺失，因为效率界是衡量任何调整方法优劣的黄金标准。
- 关于非 collapsibility 的深入讨论：作者提到了 odds ratios 和 hazard ratios 是非 collapsible 的，并指出他们的方法不会将无条件效应转换为条件效应。这是一个重要的点，但讨论不够深入。例如，对于非 collapsible 的 estimand，调整后的估计量究竟估计的是什么？它与未调整的 estimand 有何关系？这些问题的讨论可以更充分。

张力¶

未见明显对立引用。所有被引工作都认同协变量调整能提高效率，分歧主要在于如何实现（回归 vs. 加权 vs. 定制化方法）以及方法的复杂度和通用性。本文试图在通用性和简单性之间取得平衡。

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：
- n: 样本量。
- i = 1, ..., n: 个体索引。
- X_i ∈ ℝ^q: 个体 i 的基线协变量向量（包含截距项 1）。
- A_i ∈ {0, 1}: 个体 i 的处理分配（0 = 对照组，1 = 处理组）。
- Y_i ∈ 𝒴: 个体 i 的结局变量（可以是连续、二元、有序、生存时间等）。
- P: (X, A, Y) 的联合分布。
- P_a: 给定 A=a 时 (X, Y) 的条件分布。
- ψ = Ψ(P_0, P_1): 目标 estimand，是 P_0 和 P_1 的一个标量泛函。
- Ψ: 将一对 arm-specific 分布映射到实数的泛函。
- P_{n,a}: 处理组 a 的经验分布。
- ŵ_a: 处理组 a 的稳定平衡权重向量。
- P̂^{sbw}_a: 使用 SBW 加权后的处理组 a 的经验分布。
- ψ̂^{sbw} = Ψ(P̂^{sbw}_0, P̂^{sbw}_1): SBW 估计量。
- π_a = P(A=a): 处理分配概率。
- N_a: 处理组 a 的样本量。
- X̄_n: 全样本协变量均值向量。
- X_a: 处理组 a 的协变量矩阵（N_a × (q+1)）。
- 1_a: 长度为 N_a 的全 1 向量。
- B = E_P[XX^T]: 协变量二阶矩矩阵。
- c = E_P[X]: 协变量均值向量。
模型：
- 随机化试验：A ⟂ X。处理分配 A 独立于基线协变量 X。P(A=1) 被假定远离 0 和 1。
- 目标参数：ψ = Ψ(P_0, P_1)，其中 Ψ 是 Hadamard 可微的。例子包括 ATE (E_{P_1}[Y] - E_{P_0}[Y])、相对风险 (E_{P_1}[Y] / E_{P_0}[Y])、Mann-Whitney 估计量 (P(Y_1 > Y_0) + 0.5 * P(Y_1 = Y_0))、生存比 (S_1(t_0) / S_0(t_0))。
- SBW 权重：通过求解一个凸优化问题得到，目标是最小化权重的方差，约束条件是加权后的协变量均值等于全样本均值，且权重非负、均值为 1。
可观测数据：
- 可观测：(X_i, A_i, Y_i) 三元组，i=1,...,n。研究者能观测到每个个体的基线协变量、处理分配和结局。
- 想要但观测不到：反事实结局 Y_i(0) 和 Y_i(1)（即个体在另一种处理下的潜在结局）。这是因果推断的核心问题。本文通过随机化保证了 E[Y(a)] = E[Y|A=a]，从而识别了边际处理效应。SBW 方法不直接估计反事实，而是通过加权来调整协变量分布的不平衡，以提高对 E[Y|A=a] 的估计精度。

第二步：讲最小内核¶

本文的最小内核是：在随机化试验中，对于 ATE 这个最简单的 estimand，SBW 估计量是如何工作的，以及它为什么能提高效率。

最简特例：考虑 ATE，ψ = E[Y(1)] - E[Y(0)]。在随机化下，E[Y(a)] = E[Y|A=a]。未调整估计量是两组样本均值的差：ψ̂^{unadj} = Ȳ_1 - Ȳ_0。
SBW 的核心想法：虽然随机化保证了 E[X|A=1] = E[X|A=0]，但在有限样本中，X̄_1 和 X̄_0 可能不同。这种“偶然不平衡”会导致 ψ̂^{unadj} 的方差增大。SBW 通过给每个个体赋予权重 w_i，使得加权后的协变量均值在两组中相等，且都等于全样本均值 X̄_n。即：
- 在对照组 (A=0): 找到权重 w_{0,i}，使得 (1/N_0) Σ_{i:A_i=0} w_{0,i} X_i = X̄_n。
- 在处理组 (A=1): 找到权重 w_{1,i}，使得 (1/N_1) Σ_{i:A_i=1} w_{1,i} X_i = X̄_n。
- 同时，权重被优化以最小化方差（即尽可能接近 1），并且非负。
为什么能提高效率？ 一旦权重使得两组协变量均值相等，ATE 的 SBW 估计量 ψ̂^{sbw} = (1/N_1) Σ_{i:A_i=1} w_{1,i} Y_i - (1/N_0) Σ_{i:A_i=0} w_{0,i} Y_i 就相当于在两组之间“匹配”了协变量分布。这消除了由于协变量不平衡带来的那部分方差。从线性回归的角度看，当非负约束不活跃时，ψ̂^{sbw} 在数值上完全等于 Lin (2013) 的带交互项的 ANCOVA 估计量。Lin (2013) 已经证明，这个估计量的渐近方差不大于未调整估计量的方差。因此，SBW 继承了这一“无风险”的效率保证。
推广到一般 estimand：对于更一般的 Ψ，SBW 的核心思想不变：先用权重调整 arm-specific 的协变量分布，使其与全样本一致，然后在这个“调整后”的分布上直接应用 plug-in 估计量。由于 Ψ 是 Hadamard 可微的，这个两步过程（先加权再 plug-in）的渐近性质可以通过 functional delta method 来分析，并且可以证明其效率不低于未调整的 plug-in 估计量。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究如何在随机对照试验中，使用稳定平衡权重（SBW）对一大类常见的治疗效应 estimand（包括 ATE、相对风险、Mann-Whitney 估计量、生存比等）进行简单、统一的协变量调整。
核心工具 / 方法：核心工具是稳定平衡权重（SBW），通过求解一个凸二次规划问题得到。方法上，先计算 SBW 以平衡两组协变量分布，然后在加权后的 arm-specific 经验分布上直接应用 plug-in 估计量。推断通过非参数 bootstrap 实现。
主要结论：该方法在理论上被证明是渐近正态的，其渐近方差不大于未调整估计量的方差（即效率不会损失），且 bootstrap 推断是一致的。该方法还保持了 arm-specific 的 plug-in 一致性，使得子组分析与整体分析自然协调。模拟和实际数据应用验证了其有效性。

关键设定与假设¶

设定：
- 随机对照试验，A ⟂ X。
- 处理分配概率 P(A=1) 远离 0 和 1。
- 协变量 X 有界支撑。
- 目标 estimand ψ = Ψ(P_0, P_1) 是 Hadamard 可微 的。这是应用 functional delta method 的关键条件。附录 B 验证了 ATE、RR、MW、SR 等常见 estimand 满足此条件。
- 对于方差缩减定理（Theorem 2），还需要一个额外的条件：Ψ 的导数可以分解为 arm-specific 的线性分量之和（Assumption 3）。这保证了 SBW 的调整效果可以分解到每个处理组。
相比已有文献的放宽或强化：
- 放宽：相比 Lin (2013) 主要针对线性泛函（如 ATE），本文的方法适用于更广泛的 Hadamard 可微泛函，包括非线性的 RR、MW、SR 等。
- 强化：相比 Benkeser et al. (2021) 等为每个 estimand 提供单独估计量的方法，本文提供了一个统一的框架。
- 与 Kong (2025) 的关系：Kong (2025) 为一种相关的极小极大加权估计量建立了渐近正态性，但使用了基于初步回归拟合的定制方差估计量。本文则证明了非参数 bootstrap 的有效性，这更简单、更通用。

主要结果¶

Theorem 1 (Asymptotic normality and bootstrap consistency):
- 陈述：在正则条件下，SBW 估计量 ψ̂^{sbw} 满足 √n(ψ̂^{sbw} - ψ) ⇝ N(0, σ²_{sbw})。Algorithm 2 中的 bootstrap 标准误是 σ_{sbw} 的一致估计。
- 直觉：由于 Ψ 是 Hadamard 可微的，且 SBW 构造的加权分布 P̂^{sbw}_a 是 P_a 的一个“平滑”的、基于经验分布的估计，因此 functional delta method 适用。证明的核心是将 SBW 估计量表示为一个复合泛函 Φ(P_n) 的 plug-in 估计，然后证明 Φ 是 Hadamard 可微的。
- 必要条件：Ψ 的 Hadamard 可微性，X 有界支撑，E[XX^T] 非奇异。
- 解决的技术难点：证明 SBW 权重本身（作为 P_n 的函数）是 Hadamard 可微的，并且整个复合泛函 Φ 的导数可以连续地扩展到包含经验过程方向的空间。
Theorem 2 (Asymptotic variance reduction):
- 陈述：在 Theorem 1 的条件和 Assumption 3 下，σ²_{sbw} ≤ σ²_{unadj}。当平衡的协变量与进入 estimand 的 arm-specific 量有任何非零线性关联时，不等式严格成立。
- 直觉：SBW 估计量的影响函数等于未调整估计量的影响函数减去一个与协变量不平衡空间正交的投影项。这个投影项降低了方差。这类似于半参数理论中，通过使用协变量来获得更有效的估计量。
- 必要条件：Assumption 3（导数分解条件）。
- 解决的技术难点：推导出 SBW 和未调整估计量的影响函数，并证明它们的差属于协变量不平衡空间 H，且 SBW 的影响函数与 H 正交。
Proposition 3 (Arm-specific plug-in coherence):
- 陈述：对于任何（加权）经验分布 P̂^g_a，有 Ê^g_a[Y] = Σ_v Ê^g_a[Y|V=v] P̂^g_a(V=v)。即 arm-specific 的边际均值可以精确地由其子组均值和子组比例的加权和重构。
- 意义：这个性质保证了 SBW 调整后的整体分析和子组分析是内部一致的，都来自同一个加权经验分布。而基于模型的调整方法（如 AIPW）如果对整体和子组分别拟合模型，则可能破坏这种一致性。

证明路线与技术技巧（理论型）¶

整体路线：
1. 定义复合泛函：将 SBW 估计量 ψ̂^{sbw} 表示为 Φ(P_n)，其中 Φ 是一个从分布 P 到实数的复合泛函。Φ 的构造是：P → (P_0, P_1, π_1) → (γ_0, γ_1) → (η_0, η_1) → Ψ(η_0, η_1)。这里 γ_a 是 SBW 的系数，η_a = f(P_a, γ_a) 是加权后的 arm-specific 分布。
2. 证明各组件是 Hadamard 可微的：
  - λ: P → (P_0, P_1, π_1) 是条件分布映射，其可微性由期望泛函的可微性和除法运算保证。
  - γ_a: (P_0, P_1, π_1) → ℝ^{q+1} 是平衡系数映射，其可微性由期望泛函和矩阵求逆的可微性保证。
  - f: (P_a, g) → ℓ^∞(V_{XY}) 是加权分布映射，其可微性由期望泛函的可微性保证。
  - Ψ 是目标 estimand，假设其是 Hadamard 可微的。
3. 应用链式法则：通过 Hadamard 可微的链式法则，证明复合泛函 Φ 是 Hadamard 可微的。
4. 应用 Functional Delta Method：由于 √n(P_n - P) ⇝ G_P（经验过程收敛到 Brownian bridge），且 Φ 是 Hadamard 可微的，因此 √n(Φ(P_n) - Φ(P)) ⇝ Φ'_P[G_P]，这是一个均值为零的正态分布。这就证明了 Theorem 1。
5. 推导影响函数并证明方差缩减：通过计算 Φ'_P[δ_z - P] 得到 SBW 估计量的影响函数 θ_{sbw}(z)。类似地得到未调整估计量的影响函数 θ_{unadj}(z)。然后证明 θ_{sbw}(z) = θ_{unadj}(z) + (a' - π_1)(x - c)^T β，并且 E[θ_{sbw}(Z) * (A - π_1)X] = 0。由此可得 Var(θ_{unadj}) = Var(θ_{sbw}) + Var(θ_{unadj} - θ_{sbw}) ≥ Var(θ_{sbw})，证明了 Theorem 2。
6. 证明 Bootstrap 一致性：由于 Φ 是 Hadamard 可微的，且 bootstrap 经验过程 G^*_n 条件收敛到 G_P，应用 bootstrap delta method 即可证明 bootstrap 标准误的一致性。
关键跳跃点：
- 证明 SBW 权重映射的 Hadamard 可微性：权重 w_a 是 P_n 的隐函数。作者通过先求解无非负约束的闭式解 w̃^{cf}_a，并证明在温和条件下非负约束渐近不活跃，从而将问题简化为证明闭式解映射的可微性。这个闭式解是协变量二阶矩和均值的简单函数，其可微性容易处理。
- 处理加权分布映射 f：加权后的分布 η_a 可能不再是概率测度（因为权重可能为负，尽管渐近不活跃）。作者将 f 的像空间设为 ℓ^∞(V_{XY})，这是一个更大的函数空间，使得 Hadamard 可微性的讨论成为可能。
- 导数的连续扩展：为了得到影响函数表示，需要将 Φ 的导数从切线空间 L_P 连续扩展到更大的 càdlàg 扰动空间 C。这需要验证各组件导数的连续性，并依赖于 Ψ 的导数也能连续扩展（Assumption 1）。
技术技巧点名：
- Functional Delta Method：核心工具，用于从 Hadamard 可微性推导渐近分布。
- Hadamard 可微性的链式法则：用于分解复杂泛函。
- 经验过程理论：用于处理 √n(P_n - P) 的收敛性。
- Bootstrap Delta Method：用于证明 bootstrap 的一致性。
- 影响函数分析：用于比较不同估计量的渐近方差。
- Lebesgue-Stieltjes 积分与 Hardy-Krause 变差：用于处理期望泛函的 Hadamard 可微性，特别是当被积函数是示性函数时。
- 凸优化与闭式解：SBW 的闭式解简化了理论分析。

真实例子与应用¶

数据 / 场景：抗体介导预防（AMP）试验，两项评估广泛中和抗体 VRC01 预防 HIV-1 感染的随机双盲安慰剂对照 2b 期试验。分析包括 3039 名参与者。
如何应用：目标 estimand 是边际预防效力 PE(τ) = 1 - P_1{T ≤ τ} / P_0{T ≤ τ}，其中 τ = 86 周。这是一个非线性的、非 collapsible 的 estimand。作者使用 SBW 调整了年龄和入组国家两个基线协变量。推断使用 bootstrap Wald 检验。
结果：
- 未调整估计：PE = 28.8%，95% CI (-4.1%, 51.3%)，p = 0.079。
- SBW 调整后估计：PE = 29.2%，95% CI (-3.1%, 51.4%)，p = 0.072。
- 相对效率增益为 2.1%，相当于有效样本量增加了约 65 人。
这个例子想说明什么：
- 通用性：展示了该方法可以应用于一个复杂的、非线性的、非 collapsible 的 estimand（预防效力），而无需定制调整程序。
- 实际效果：即使只调整了少数中等预后能力的协变量，也能带来一定的效率提升。作者指出，当使用强预后变量时，增益会更大。
- 简单性：调整后的点估计与未调整的非常接近，说明调整没有改变 estimand 的含义（没有将无条件效应转换为条件效应），只是提高了精度。

🔎 结论是否比证明窄¶

结论：作者声称该方法适用于“any estimand that is a Hadamard differentiable functional of the arm-specific distributions”。
证明的覆盖范围：理论证明（Theorem 1 和 2）依赖于 Ψ 的 Hadamard 可微性。附录 B 验证了 ATE、RR、MW、SR 等常见 estimand 满足此条件。然而，对于某些更复杂的 estimand，如条件处理效应（CATE） 或分位数处理效应（QTE），其作为 (P_0, P_1) 的泛函是否 Hadamard 可微，需要具体分析。作者在附录 B 中讨论了分位数，并指出需要额外的条件（如 CDF 在目标分位数处连续且导数非零）。因此，虽然声称是“通用”的，但实际应用时仍需验证目标 estimand 的 Hadamard 可微性。
方差缩减定理（Theorem 2） 依赖于 Assumption 3（导数分解条件）。作者声称该条件对常见 estimand 成立，但并未给出一个通用的充分条件。这意味着对于某些 Hadamard 可微但不满足 Assumption 3 的 estimand，SBW 可能无法保证效率提升（尽管 Theorem 1 的渐近正态性仍然成立）。这是一个潜在的窄化。

四、开放问题¶

扩展到更复杂的试验设计：本文仅考虑了简单随机化。作者在讨论中指出，现代试验常使用协变量自适应随机化、组序贯设计和适应性设计。如何将 SBW 框架扩展到这些设计，特别是权重构建如何与随机化程序和中期分析交互，是一个开放问题。（扎根于 Section 7 Discussion 第一段）
协变量选择和变换的自适应方法：本文使用预先指定的协变量集进行精确平衡。如何通过数据自适应程序（如变量选择）来决定平衡哪些协变量、哪些矩或非线性变换，以进一步优化效率，是一个值得研究的方向。（扎根于 Section 7 Discussion 第二段）
近似平衡与精确平衡的权衡：本文设定不平衡容忍度 δ=0，强制精确平衡。在协变量极端或高度共线的情况下，这可能导致权重方差过大。允许受控的不平衡（δ>0）可能减少权重变异性，改善有限样本表现。正式刻画这种权衡是一个重要的未来工作。（扎根于 Section 7 Discussion 第三段）
SBW 的半参数效率：本文证明了 SBW 优于未调整估计，但未声称其达到半参数效率界。一个自然的问题是：对于给定的 estimand，SBW 是否是最优的？如果不是，它与最优估计量（如基于 efficient influence function 的估计量）之间的差距有多大？在什么条件下 SBW 可以达到效率界？这个问题扎根于本文理论贡献的局限性——作者没有将 SBW 与半参数效率界进行比较。

Maintained by 陈星宇 · Homepage · Source on GitHub