跳转至

Discretization in covariate-adaptive randomization: gains and losses

作者: Zixuan Zhao, Feifang Hu
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2609.11012

一、领域脉络与小综述

这个方向是什么

协变量自适应随机化（Covariate-Adaptive Randomization, CAR）是临床试验中用于平衡治疗组间预后协变量的随机化方法。其根本问题是：如何利用协变量信息设计分配机制，使得后续对处理效应的估计和检验更精确、更稳健。当前该子方向的成熟度较高，已有大量DCAR方法被广泛应用，但连续CAR（CCAR）和混合CAR（MixCAR）方法近年才出现，理论尚不完整。本文聚焦于一个长期存在但缺乏理论分析的问题：连续协变量在CAR中常被离散化为分层变量，这种离散化对设计过程和推断结果究竟有何影响。

发展脉络（history）

作者在引言中引用的工作可串成如下线索：

  • 奠基工作：Pocock and Simon (1975) 提出PS方法（DCAR），Efron (1971) 提出biased coin设计，Zelen (1974) 提出STR-PB。这些工作奠定了离散CAR的基本框架，但未处理连续协变量。
  • 主要进展：Hu and Hu (2012) 提出HH方法（DCAR），统一了多种DCAR并给出渐近性质。Ma et al. (2015, 2020) 建立了DCAR下基于模型的推断理论。Bannick et al. (2025) 和Bugni et al. (2019) 发展了模型-稳健推断框架。这些工作主要针对离散协变量或离散化后的分层。
  • 当前frontier：Ma et al. (2024) 提出了统一的CAR族（包括CCAR如COV、KER），并给出了渐近性质。Qin et al. (2024) 提出基于马氏距离的ARM方法。这些连续CAR方法提供了更灵活的平衡方式，但作者指出其可能引入方差膨胀问题。
  • 本文的位置：作者声称“the theory for the broader class of CAR procedures remains largely unexplored”，并系统研究离散化在CAR中的影响，给出何时应该/不应该离散化的原则性指导。

子线索聚类

被引文献大致落在三条子线索上：

  1. 离散CAR（DCAR）方法：包括STR-PB (Zelen 1974)、STR-BC (Baldi Antognini & Zagoraiou 2011)、PS (Pocock & Simon 1975)、HH (Hu & Hu 2012)。这些方法将连续协变量离散化后平衡分层指示变量。作者引用[29]指出82%的RCT使用DCAR。
  2. 连续CAR（CCAR）方法：包括ARM (Qin et al. 2024)、COV和KER (Ma et al. 2024)。这些方法直接平衡连续协变量的函数（如均值、协方差、核函数）。作者引用[44, 35]作为代表。
  3. 混合CAR（MixCAR）方法：如MIX (Liu et al. 2025)，同时平衡离散和连续特征。作者在附录D.1中讨论。

核心问题与已知瓶颈

该方向追问的核心问题包括： - 离散化是否必然导致效率损失？——作者指出“concerns have been brought up regarding the potential loss of efficiency due to discretization”，但现有证据主要是经验性的[51, 48]。 - 何时应该离散化，何时应该使用连续平衡？——作者试图给出原则性建议。 - 模型误设下不同设计-分析策略的稳健性如何？——本文重点之一。 - 已知瓶颈：缺乏处理连续协变量的理论工具，以及临床实践中离散化更符合临床意义分组（如胆固醇水平分三分位）。

⚠️ 作者的framing

作者将缺口frame为：“Despite the prevalence of such discretization practice, its properties have been examined only empirically and many results advocate against naïve discretization. The theory for the broader class of CAR procedures remains largely unexplored.” 因此本文成为“显然的下一步”：提供全面的理论结果和原则性指导。

竞争路线被淡化或回避的方式： - 连续CAR方法（如COV）虽然灵活，但作者强调其可能引入方差膨胀（Proposition 2.2, Example 3），从而暗示离散化更稳健。 - 模型-稳健推断（Section 6）被指出“the existing theory limit the discussion about discretization”，因为CCAR不满足条件独立性假设，且后分层在层数多时崩溃。

什么明显该被引/该存在、却没出现在intro里？ 作者引用了Cox (1957)关于离散化信息损失的经典论文，但未引用近期关于“最优匹配对设计”的工作（如Bai 2022），后者也是离散化的一种极端形式（每层2个单元）。此外，关于“连续协变量离散化在回归中的坏处”的广泛讨论（如Royston et al. 2006）被引用，但作者将其视为需要反驳的观点。值得研究者去查：是否有其他关于CAR中离散化理论的工作（如Zhang 2026的预印本[63]被引用在附录中，但未在intro中讨论）？

张力

未见明显对立引用。但存在一种隐含张力：DCAR的保守性（type I error偏低）vs CCAR的可能膨胀（type I error偏高）。作者通过bootstrap调整来解决，但CCAR的bootstrap一致性仅被猜想（Remark 6）。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \(n\)：样本量（受试者数）。 - \(p\)：连续协变量维数。 - \(I_i \in \{0,1\}\)：处理指示变量（1=治疗，0=对照）。 - \(\mathbf{Z}_i = (Z_{i,1}, \ldots, Z_{i,p})^\top \in \mathbb{R}^p\)：第i个受试者的连续协变量向量。 - \(\psi: \mathbb{R}^p \to \mathbb{R}^{p'}\)：特征映射，用于定义不平衡度量。 - \(\Lambda_n = \sum_{i=1}^n (2I_i - 1) \psi(\mathbf{Z}_i)\)：特征不平衡向量。 - \(S_i \in [m]\)：离散化后的分层标签，由边际分箱映射 \(b_j: \mathbb{R} \to [m_j]\) 和枚举得到，\(m = \prod_{j=1}^p m_j\)。 - \(\chi_s(\mathbf{Z}) = \mathbf{1}\{S = s\}\)：第s层的指示函数。 - \(q_s = P(S=s)\)：层概率。 - \(\tilde{\mathbf{Z}} = \mathbf{Z} - E(\mathbf{Z}|S)\)：层内中心化协变量。 - \(\theta_1, \theta_0\)：处理组和对照组的潜在均值（在模型(3)中）。 - \(g: \mathbb{R}^p \to \mathbb{R}\)：未知的协变量响应函数。 - \(\varepsilon_i\)：独立同分布误差，均值为0，方差\(\sigma_\varepsilon^2\)。 - \(\beta^{(a)}\)：工作模型(4)的伪真参数（投影系数）。 - \(\tau^{(r,a)}\)：处理效应估计的渐近标准差（见Theorem 3.1）。 - \(\pi_\Lambda\)：CCAR下马尔可夫链的平稳分布（用于定义\(\pi_\Lambda(\zeta_f)\)）。

模型： 真实响应模型为部分线性模型：

\[Y_i = \theta_1 I_i + \theta_0 (1 - I_i) + g(\mathbf{Z}_i) + \varepsilon_i,\]
其中\(g\)未知，\(\varepsilon_i\)独立于所有协变量和随机化变量。这是本文推断的基础。

可观测数据： 研究者实际能观测到的是：\(\{ (I_i, \mathbf{Z}_i, Y_i) \}_{i=1}^n\)。此外，通过离散化方案得到分层标签\(S_i\)。潜在量包括：潜在结果\(Y_i(1), Y_i(0)\)（在Section 6模型-稳健框架中出现），以及反事实的不平衡度量。本文主要基于可观测数据做模型-based推断，因此关键假设是模型(3)的正确性（但允许工作模型误设）。

第二步：最小内核

考虑最简特例：\(p=1\)，单个连续协变量\(Z \sim N(0,1)\)。离散化为两个等概率层（中位数0处二分），即\(m=2\)，\(S = \mathbf{1}\{Z > 0\}\)。响应函数\(g\)未知，但假设其平方可积。我们比较两种设计： - DCAR：使用HH方法（Example 2）平衡层指示变量\(\chi_1, \chi_2\)（以及整体平衡）。 - CCAR：使用COV方法（Example 1）平衡\(Z\)本身（即\(\psi(Z) = (\sqrt{\omega_0}, \sqrt{\omega_1} Z)^\top\)）。 - CR：完全随机化作为基准。

核心问题：当\(g\)未知时，离散化（DCAR）是否比连续平衡（CCAR）更稳健？效率损失多少？

定理2.1在这个特例下的退化： 对于任意函数\(f\)（如\(f = g\)），不平衡度量\(D_n^{(r)}(f) = \sum_{i=1}^n (2I_i - 1) f(Z_i)\)的渐近方差为： - CR：\(\sigma_f^2 = E[f^2(Z)]\)。 - DCAR：若\(f\)未被强平衡，则\(\sigma_f^2 = E[\text{var}(f(Z)|S)]\)。由于\(S\)是二值，\(\text{var}(f(Z)|S) = \frac{1}{2}[\text{var}(f|Z>0) + \text{var}(f|Z\leq 0)] + \frac{1}{4}(E[f|Z>0] - E[f|Z\leq 0])^2\)。这总是小于等于\(E[f^2]\)（因为总方差=组内方差+组间方差，而组内方差被保留，组间方差被平衡掉）。 - CCAR：\(\sigma_f^2 = E[f^2(Z)] + 2\pi_\Lambda(\zeta_f)\)。其中\(\pi_\Lambda(\zeta_f)\)可正可负。当\(f\)与\(\psi\)不正交时，可能大于\(E[f^2]\)（方差膨胀）。

命题2.2的直观：对于标量\(\psi\)（如\(\psi(Z)=Z\)），最坏情况方差膨胀比为\(1 + \text{var}(|\psi|)/(E|\psi|)^2\)。例如，取\(f^*(z) = \sqrt{\pi/2} \text{sgn}(z) - z\)，则CCAR的渐近方差比CR大57%（Example 3）。这是因为CCAR的分配概率只依赖于\(\text{sgn}(\Lambda \psi(Z))\)，而不考虑幅度，导致不平衡更新与决策不匹配。

最小内核的核心思路：离散化相当于对协变量空间进行粗粒化，只平衡层均值，从而避免了CCAR中因符号决策与幅度不匹配导致的方差膨胀。当\(g\)未知时，这种“正则化”使得DCAR对模型误设更稳健（Theorem 3.1显示DCAR的渐近方差总是小于等于CR的，而CCAR可能更大）。如果\(g\)已知且能被强平衡，则CCAR可以达到最优精度（Proposition 3.2）。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在协变量自适应随机化（CAR）中，连续协变量离散化对设计阶段的不平衡度和推断阶段的处理效应估计、假设检验的影响，并给出何时应该/不应该离散化的原则性建议。
  2. 核心工具/方法：利用马尔可夫链、泊松方程、鞅中心极限定理推导渐近性质；提出组合模型（Combined Model, CM）和bootstrap调整来修正检验的保守性或膨胀性。
  3. 主要结论：若响应-协变量关系已知，最优策略是在设计中强平衡该关系（即使用CCAR）；若未知，推荐在设计中离散化（DCAR）并使用CM模型分析；bootstrap调整可恢复检验的有效性。

关键设定与假设

  • Assumption 1（协变量分布）：\(Z_i\)独立同分布，\(E(Z)=0\)；层数固定且每层概率\(q_s>0\)；\(\tilde{Z} = Z - E(Z|S)\)的协方差正定。这保证了层内中心化协变量的非退化性。
  • Assumption 2（特征映射矩条件）：\(E[\|\psi(Z)\|^{2+\upsilon}] < \infty\)，用于控制高阶矩。
  • Condition 1（强平衡条件）：设计\(r\)强平衡了特征映射的每个分量，且整体不平衡\(D_n = o_P(\sqrt{n})\)。DCAR还强平衡层指示函数，CCAR强平衡\(Z_j\)。这是技术证明所需，被一系列常见CAR方法满足（如STR-PB, STR-BC, HH, COV等）。
  • Assumption 3（bootstrap所需矩条件）：(1) 工作模型协变量和残差的四阶矩有限；(2) DCAR下，层内不平衡的四阶矩一致有界（由Lemma B.8验证）。

相比已有文献（如Ma et al. 2015, 2024），本文的设定更一般：允许\(g\)任意平方可积（不限于线性），工作模型可以误设，且同时处理DCAR和CCAR。

主要结果

  1. Theorem 2.1（不平衡度渐近分布）：对于任意平方可积函数\(f\)，\(n^{-1/2} D_n^{(r)}(f) \rightsquigarrow N(0, (\sigma_f^{(r)})^2)\)。其中\((\sigma_f^{(CR)})^2 = E[f^2]\)；若\(f\)被强平衡则\((\sigma_f^{(DCAR)})^2 = (\sigma_f^{(CCAR)})^2 = 0\)；否则\((\sigma_f^{(DCAR)})^2 = E[\text{var}(f|S)]\)，\((\sigma_f^{(CCAR)})^2 = E[f^2] + 2\pi_\Lambda(\zeta_f)\)。关键：DCAR的方差总是≤CR的，而CCAR可能更大（方差膨胀）。
  2. Theorem 3.1（处理效应估计渐近方差）：\(\sqrt{n} L(\hat{\beta}_n^{(r,a)} - \beta^{(a)}) \rightsquigarrow N(0, 4(\tau^{(r,a)})^2)\)，其中\((\tau^{(r,a)})^2 = \sigma_\varepsilon^2 + (\sigma^{(r,a)})^2\)，\((\sigma^{(r,a)})^2\)的具体形式见(24)-(27)。DCAR下\((\sigma^{(DCAR,a)})^2 = E[\text{var}(g - (W^{(a)})^\top \beta_W^{(a)} | S)]\)，总是≤CR的对应项。CCAR下可能更大。
  3. Proposition 3.2（最优精度条件）：三种情形可达到最优精度（\(\sigma^{(r,a)}=0\)）：(I) DCAR + SFE且\(g\)被强平衡；(II) CCAR + ANCOVA且\(g\)被强平衡；(III) 已知\(g\)并正确拟合。
  4. Theorem 3.5（ARE）：Pitman ARE由\((\tau^{(r',a')})^2 / (\tau^{(r,a)})^2\)给出。特别地，ARE(CR-SFE, DCAR-SFE) ≤ 1，当所有层被拟合时取等。
  5. Proposition 4.1（CM模型最优性）：在DCAR下，CM模型达到最小的模型-based渐近方差，且比ANCOVA或SFE的方差减少量由\(\tilde{\gamma}^\top \Sigma_{\tilde{Z},d_Z} \tilde{\gamma}\)或\((\gamma - \tilde{\gamma})^\top \Sigma_{\tilde{Z},d_Z} (\gamma - \tilde{\gamma})\)给出。
  6. Theorem 5.1（bootstrap一致性）：对于CR和DCAR，bootstrap调整后的检验统计量渐近服从标准正态分布，从而修正了DCAR的保守性和CCAR的可能膨胀（CCAR仅经验验证）。

证明路线与技术技巧

整体路线（以Theorem 3.1为例）： 1. OLS估计的渐近展开：Lemma A.4将\(\sqrt{n} L(\hat{\beta} - \beta)\)分解为\(R_{n,1} + R_{n,2} + o_P(1)\)，其中\(R_{n,1}\)来自设计矩阵的随机性，\(R_{n,2}\)来自残差与处理的协方差。 2. 简化\(R_{n,1}\)：Lemma A.5证明\(R_{n,1} = -4 v_1^{(a)} D_n / \sqrt{n} + o_P(1)\)，其中\(D_n\)是整体不平衡。 3. 简化\(R_{n,2}\)：利用\(L(\Omega^{(a)})^{-1} = (2, -2, 0^\top)\)（Lemma A.8的推论），得到\(R_{n,2} = 2n^{-1/2} \sum_i (2I_i - 1) e_i^{(a)} + o_P(1)\)。 4. 合并：得到\(R_{n,1}+R_{n,2} = 2n^{-1/2} \sum_i (2I_i - 1) (e_i^{(a)} - 2v_1^{(a)}) + o_P(1)\)。 5. 处理不同设计： - CR：直接CLT。 - DCAR：将\(e_i^{(a)} - 2v_1^{(a)}\)分解为层内波动+层均值，层均值项因强平衡为\(o_P(1)\)，层内波动项条件CLT给出方差\(4\{\sigma_\varepsilon^2 + E[\text{var}(\tilde{h}^{(a)}|S)]\}\)。 - CCAR：利用Poisson方程构造鞅差序列（Lemma A.1），鞅CLT给出方差\(4\{\sigma_\varepsilon^2 + E[h^2] + 2\pi_\Lambda(\zeta_h)\}\)。

关键跳跃点： - CCAR下Poisson方程的解：对于标量\(\psi\)，解有闭形式\(\hat{\kappa}_f(\lambda) = -b_f \lambda\)（Proposition A.3），从而显式计算\(\pi_\Lambda(\zeta_f)\)。对于多维\(\psi\)，解无闭形式，只能给出存在性。 - 方差膨胀的证明（Proposition 2.2）：通过将问题转化为最大化比率\(R(\tilde{f})\)，利用Cauchy-Schwarz和变分法得到最坏情况膨胀比\(1 + \text{var}(|\psi|)/(E|\psi|)^2\)，并构造达到该比率的\(f^*\)。 - bootstrap一致性（Theorem 5.1）：需要验证bootstrap下条件CLT成立。对于DCAR，利用Foster-Lyapunov漂移论证（Lemma B.8）证明层内不平衡的四阶矩一致有界，从而控制bootstrap的鞅差项。对于CCAR，仅经验验证（Remark 6）。

技术技巧点名： - 马尔可夫链与Poisson方程（用于CCAR的鞅分解）。 - 鞅中心极限定理（用于DCAR和CCAR的渐近分布）。 - Foster-Lyapunov漂移（用于bootstrap下DCAR的矩一致有界性）。 - 变分法与Cauchy-Schwarz（用于方差膨胀的最坏情况分析）。 - 分块矩阵求逆与Schur补（用于设计矩阵极限的推导）。 - 经验过程与条件CLT（用于bootstrap一致性）。

真实例子与应用

数据：来自一项比较sitagliptin与常规治疗对2型糖尿病患者动脉粥样硬化影响的随机临床试验（Oyama et al. 2016）。公开数据来自Shao et al. (2026)。分析的是24个月高分子量脂联素浓度（HMW）的对数。

方法应用： 1. 用spline模型(11)拟合真实数据，估计平滑效应（Figure 2），发现所有变量显著，处理效应\(\theta_1 - \theta_0 = -0.184\)。 2. 从真实数据中重采样协变量（n=400），通过不同随机化方法（CR, HH, COV）分配，按模型(11)生成响应。 3. 比较不同设计-模型组合（ANCOVA, SFE, CM）的估计和bootstrap调整后的检验功效（Table 3）。

结果： - 所有设计-模型组合估计无偏。 - 若所有层被拟合，CR和HH功效相近；但若省略重要层，CR功效大幅下降（66.9% vs 97.3%）。 - COV（CCAR）平均最有效，但SFE模型下功效低于ANCOVA（88.6% vs 96.7%），且当省略层时SFE功效反而上升（94.7%），作者在附录D.4中解释为设计诱导的半范数各向异性。 - HH（DCAR）下CM模型表现最佳，且对省略层稳健。

这个例子想说明：理论结果在实际数据中成立；离散化（DCAR）在模型误设下更稳健；CM模型在DCAR下达到最优；CCAR可能因方差膨胀而不稳定。

🔎 结论是否比证明窄

  • 论文声称“discretization in design is generally recommended”，但证明主要针对固定维数和固定层数。高维或发散层数情形（如\(m \to \infty\)）未证明，作者在Section 9中承认“extending the framework to high-dimensional or diverging-strata regimes is an important next step”。
  • 对于CCAR的bootstrap调整，Theorem 5.1只覆盖CR和DCAR，CCAR仅经验验证（Remark 6：“Bootstrap consistency for CCAR works empirically... the extension requires conditional control of the invariant-distribution \(\pi_\Lambda\)”）。
  • 模型-稳健推断（Section 6）的讨论指出现有理论限制，但未给出新结果，仅指出连接点。

四、开放问题（点到为止，扎根具体语句）

  1. 不等分配比例的扩展：论文假设等分配（1:1），但“extending the framework to unequal allocation ratios would increase its applicability”（Section 9）。可查：是否有现成的不等分配CAR理论（如Liu et al. 2025被引用）？

  2. 高维或发散层数下的非渐近性能：“our asymptotic results assume fixed covariate dimension and fixed strata counts, but in practice these may grow with sample size. Understanding non-asymptotic performance in high-dimensional or diverging-strata regimes is an important next step”（Section 9）。可查：当\(m\)随\(n\)增长时，DCAR的平衡性是否仍保持\(o_P(\sqrt{n})\)？CM模型是否仍最优？

  3. 模型-稳健推断在CAR下扩展到连续变量：“the extension of model-robust inference after CAR to incorporate continuous variables merit further study”（Section 9）。现有模型-稳健方法（如Bugni et al. 2019）依赖条件独立性假设，CCAR不满足。可查：是否有工作放松该假设？

  4. 其他结果类型（二元、计数、生存数据）的扩展：“extending the framework to other outcome types, e.g., binary/count with generalized linear models or survival data could broaden its practical relevance”（Section 9）。可查：GLM下离散化的影响是否类似？方差膨胀是否仍存在？

提醒：要确认某条是否真gap，可去读同子领域近期约5篇的intro（如Ma et al. 2024, Zhang 2026, Liu et al. 2025等）。若都指向同一问题，则是共识性gap；若互相打架，则是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论