跳转至

Doubly valid and doubly sharp sensitivity analysis to unobserved confounding for survival outcomes

作者: Jean-Baptiste Baitairian, Bernard Sebastien, Rana Jreich, Sandrine Katsahian, Agathe Guilloux
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2609.18713

一、领域脉络与小综述

这个方向是什么：在观测性研究中，未观测混杂（unobserved confounding）的存在使得"处理→结局"的因果效应无法被点识别。敏感性分析（sensitivity analysis）放弃点识别，转而回答一个更稳健的问题：在未观测混杂强度不超过某个用户指定的水平 Γ 时，因果效应可能落在什么范围内？本子方向的核心任务是构造这个识别区间（identification interval / bounds），并保证其统计性质（覆盖、宽度、计算可行性）。该方向在二值/连续结局下已相当成熟，但向生存结局（time-to-event）的推广仍不充分——这正是本文的切入点。

发展脉络：

  1. 奠基：Rosenbaum 的敏感性模型（2002）。Rosenbaum 提出用匹配框架下的隐偏差（hidden bias）来刻画未观测混杂，其核心思想是：若两个观测上同质的个体因未观测变量而处理几率相差最多 Γ 倍，则处理效应的推断结论最多在多大程度上被翻转。这一框架奠定了"用 odds ratio 界定混杂强度"的范式，但只给出检验的敏感性，不直接给出效应大小的识别区间。

  2. 关键转折：Tan 的边际敏感性模型 MSM（2006）。Tan 将 Rosenbaum 的思想重新表述为对"真实倾向得分 vs 名义倾向得分"之比的约束，即 Γ⁻¹ ≤ [P(A=1|X,U)/P(A=0|X,U)] / [P(A=1|X)/P(A=0|X)] ≤ Γ。 这一表述的关键优势在于：它直接约束了可观测的名义倾向得分 e(X) 与不可观测的真实倾向得分 e(X,U) 之间的偏差，从而为构造效应界的估计量提供了操作化基础。MSM 由此成为后续一系列工作的共同平台。

  3. 主要进展：从 sharp 界到 doubly robust 界。Zhao et al. (2019) 在 MSM 下给出了基于逆概率加权（IPW）的 ATE 界，但该界不一定是 sharp 的（即可能比真实识别区间更宽）。Dorn and Guo (2022) 证明了 sharp 界的存在性并给出构造方法。Dorn et al. (2024) 进一步提出 doubly valid and doubly sharp（DVDS）界：同时构造基于倾向得分和基于结果回归的两组界，取交集后仍保持 sharp，且只要两组 nuisance 估计中有一组正确，界就有效（double robustness）。这是本文直接继承的框架。

  4. 生存结局的推广：竞争与缺口。Lee et al. (2024) 将 MSM 推广到生存结局，但其界通过优化问题定义，计算代价高，且依赖较强的删失假设（独立删失）。本文的定位是：在生存结局下给出解析形式的 DVDS 界，同时将删失假设放宽为条件独立删失（informative censoring），并保留双重有效性和双重尖锐性。作者在引言中明确说："extensions to survival outcomes remain limited"、"accommodating both robust sensitivity bounds and informative censoring has received little attention"——这就是他们声称的缺口。

子线索聚类：

  • 线索 A：敏感性模型的表述方式。Rosenbaum (2002) 的匹配框架 vs Tan (2006) 的 MSM 框架。前者适合检验，后者适合构造效应界。本文走 MSM 路线。
  • 线索 B：界的构造与估计。Zhao et al. (2019) 的 IPW 界 → Dorn and Guo (2022) 的 sharp 界 → Dorn et al. (2024) 的 DVDS 界。这条线索的核心问题是：如何用可估计的 nuisance 函数（倾向得分、结果回归、分位数）构造既不保守又稳健的界。
  • 线索 C：生存结局与删失处理。Cheng et al. (2022) 给出了两种形式的生存函数估计量（Form I 和 Form II），分别对应不同的删失加权策略；Lee et al. (2024) 将 MSM 界推广到 RMST 但依赖优化；本文用 Cheng 的估计量 + DVDS 框架，得到解析界。
  • 线索 D：混杂强度的校准。Cinelli and Hazlett (2020) 和 Baitairian et al. (2025a) 讨论如何将 Γ 校准到可解释的尺度（如与观测协变量的混杂强度比较）。本文在实证部分用"informal benchmarking"（逐个剔除观测协变量，估计 Γ）来辅助解读。

这个方向在追问的核心问题：

  1. 识别问题：在 MSM 约束下，因果效应的识别区间是什么？如何证明 sharpness？
  2. 估计问题：如何用观测数据一致地估计识别区间的端点？需要估计哪些 nuisance 函数？
  3. 稳健性问题：当倾向得分或结果回归模型错误时，界是否仍然有效（覆盖真值）？
  4. 计算问题：界是否有解析表达式，还是需要数值优化？
  5. 删失问题：在生存结局中，删失机制本身可能依赖未观测变量，如何处理？

已知瓶颈：① sharp 界的构造通常需要对条件分位数或 CVaR 的估计，高维下不稳定；② 删失与未观测混杂的交互使问题复杂度上升；③ 现有方法（如 Lee et al. 2024）的优化求解在大样本下不可扩展。

⚠️ 作者的 framing（这是作者的说法）：作者把缺口 frame 成"DVDS 界尚未被推广到生存结局，且现有生存结局敏感性分析方法（Lee et al. 2024）依赖优化、计算慢、删失假设强"。因此本文的贡献被定位为"解析的、双重有效且双重尖锐的生存结局敏感性界，支持信息性删失"。被淡化或回避的竞争路线包括：① 基于贝叶斯或全似然方法的敏感性分析（如偏敏感性分析）；② 利用工具变量或负对照的替代识别策略；③ 对删失机制本身也建立敏感性模型（本文只假设删失独立于 U，见 Assumption 5）。什么明显该被引却没出现：① 关于生存结局下双重稳健估计的经典文献（如 Bang & Robins 2005 的 augmented estimation 在删失数据下的推广）未被讨论；② 关于 CVaR 估计的统计精度（如极值分位数回归的收敛速度）没有引用；③ 与 Rosenbaum 敏感性分析在生存数据上的其他推广（如协变量匹配 + Cox 模型的敏感性检验）没有对比。

张力：未见明显对立引用。但存在一个值得注意的张力：Dorn et al. (2024) 的 DVDS 界在二值结局下依赖"结果回归 + 倾向得分"的双重稳健性，而本文将其推广到生存结局时，需要额外估计删失函数 Ḡ。作者承认"我们的界缺乏对删失函数的稳健性"（见结论部分："our bounds ... lack robustness with respect to the censoring function"），并引用 Voinot et al. (2025) 的 double augmented correction 作为潜在解决方案——这等于承认本文的"双重"只是对倾向得分和结果回归的双重，而非对删失机制的双重。这是本文自身框架内的一个未闭合的张力。

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

符号 含义 类型
\(X \in \mathcal{X} \subseteq \mathbb{R}^{p_X}\) 观测到的协变量向量 随机变量（可观测）
\(U \in \mathcal{U} \subseteq \mathbb{R}^{p_U}\) 未观测混杂变量 随机变量（不可观测）
\(A \in \{0,1\}\) 二值处理 随机变量（可观测）
\(T^{(a)}\) 处理 \(a\) 下的潜在事件时间 潜在结果（counterfactual）
\(C^{(a)}\) 处理 \(a\) 下的潜在删失时间 潜在结果
\(T\) 实际事件时间 随机变量（可观测）
\(C\) 实际删失时间 随机变量（可观测）
\(\tilde{T} = T \wedge C\) 观测到的随访时间 随机变量（可观测）
\(\Delta = \mathbf{1}(T \le C)\) 事件是否被观测到 随机变量（可观测）
\(S^{(a)}(t) = P(T^{(a)} > t)\) 潜在生存函数 目标 estimand
\(e(X) = P(A=1 \mid X)\) 名义倾向得分 nuisance（可估计）
\(e(X,U) = P(A=1 \mid X,U)\) 真实倾向得分 nuisance（不可识别）
\(\bar{G}(t \mid X, A=a) = P(C > t \mid X, A=a)\) 条件删失生存函数 nuisance（可估计）
\(\Gamma \ge 1\) 敏感性参数 用户指定
\(Y_{I,t,1} = \Delta \mathbf{1}(\tilde{T} \le t) / \bar{G}(\tilde{T} \mid X, A=1)\) Form I 伪结果 构造的随机变量
\(Y_{II,t,1} = \mathbf{1}(\tilde{T} > t) / \bar{G}(t \mid X, A=1)\) Form II 伪结果 构造的随机变量

模型（数据生成机制）：

  • 对每个个体 \(i\)，存在潜在结果 \((T_i^{(0)}, T_i^{(1)}, C_i^{(0)}, C_i^{(1)})\) 和协变量 \((X_i, U_i)\)。
  • 观测到 \((X_i, A_i, \tilde{T}_i, \Delta_i)\)，其中 \(A_i\) 由 \((X_i, U_i)\) 决定，\(\tilde{T}_i = T_i^{(A_i)} \wedge C_i^{(A_i)}\)，\(\Delta_i = \mathbf{1}(T_i^{(A_i)} \le C_i^{(A_i)})\)。
  • Assumption 1 (SUTVA)：\(T = A T^{(1)} + (1-A) T^{(0)}\)，\(C = A C^{(1)} + (1-A) C^{(0)}\)（一致性，无干扰）。
  • Assumption 2 ((X,U)-ignorability)：\((T^{(a)}, C^{(a)}) \perp\!\!\!\perp A \mid X, U\)，即给定 \((X,U)\) 后处理分配与潜在结果独立。
  • Assumption 3 (条件独立删失)：\(T^{(a)} \perp\!\!\!\perp C^{(a)} \mid X, U, A\)。
  • Assumption 4 (Positivity)：\(0 < e(X) < 1\) 且 \(0 < e(X,U) < 1\)。
  • Assumption 5 (删失与 U 独立)：\(\bar{G}(t \mid X, U, A) = \bar{G}(t \mid X, A)\)，即删失机制不依赖未观测混杂。这是本文为可操作性付出的关键代价。
  • MSM (式 1)：对任意 \(x \in \mathcal{X}, u \in \mathcal{U}\)，
    \[\Gamma^{-1} \le \frac{e(x,u)/(1-e(x,u))}{e(x)/(1-e(x))} \le \Gamma.\]
    等价地，真实倾向得分与名义倾向得分的 odds 之比被限制在 \([\Gamma^{-1}, \Gamma]\) 内。\(\Gamma=1\) 时退化为 \(e(X,U)=e(X)\)，即无未观测混杂。

可观测数据：\(\mathcal{D} = \{(X_i, A_i, \tilde{T}_i, \Delta_i)\}_{i=1}^n\)，i.i.d. 样本。

目标 estimand：\(S^{(1)}(t) = P(T^{(1)} > t)\) 和 \(S^{(0)}(t) = P(T^{(0)} > t)\)，以及它们的差 \(\Delta S(t) = S^{(1)}(t) - S^{(0)}(t)\)。在 MSM 下，这些量不可点识别，只能识别到一个区间 \([S^{(1)}_-(t,\Gamma), S^{(1)}_+(t,\Gamma)]\)。

第二步：最小内核

把论文的所有技术细节剥掉，剩下的核心思想可以用一个无删失、无协变量的极端简化例子讲清楚。设 \(X\) 为空，\(A \in \{0,1\}\)，结局 \(Y = \mathbf{1}(T \le t)\)（即"在时间 \(t\) 之前是否死亡"），无删失。目标：\(S^{(1)}(t) = 1 - E[Y^{(1)}]\)。

在可忽略性（\(\Gamma=1\)）下，\(E[Y^{(1)}] = E[Y \mid A=1]\)，直接用样本均值估计即可。

现在假设 \(\Gamma > 1\)。MSM 告诉我们：真实倾向得分 \(e(U) = P(A=1 \mid U)\) 与名义倾向得分 \(e = P(A=1)\) 的 odds 比在 \([\Gamma^{-1}, \Gamma]\) 内。这意味着，在 \(A=1\) 的个体中，未观测混杂 \(U\) 的分布可以偏离其在总体中的分布，但偏差程度受 \(\Gamma\) 控制。

关键观察：\(E[Y^{(1)}]\) 可以分解为可识别部分 + 不可识别偏差：

\[E[Y^{(1)}] = E\left[ \frac{A Y}{e(U)} \right] = E\left[ \frac{A Y}{e} \cdot \frac{e}{e(U)} \right].\]

其中 \(A Y / e\) 是可计算的（用名义倾向得分），而 \(e/e(U) \in [\Gamma^{-1}, \Gamma]\) 是未知的"权重"。如果我们能找到一个函数 \(w(U)\) 满足 \(E[w(U) \mid A=1] = 1\) 且 \(w(U) \in [\Gamma^{-1}, \Gamma]\)，那么

\[E[Y^{(1)}] = E\left[ \frac{A Y}{e} w(U) \right].\]

由于 \(w(U)\) 未知，我们只能对 \(E[Y^{(1)}]\) 取所有可能 \(w\) 下的极值。Dorn et al. (2024) 的核心贡献是证明了：这个极值问题有解析解，且解由条件分位数（CVaR）给出。具体地，上界由"把最重的权重放在 \(Y\) 最大的个体上"实现，下界由"把最重的权重放在 \(Y\) 最小的个体上"实现。

这就是最小内核：

在 MSM 下，因果效应的识别区间端点 = 可识别的基线估计 ± 一个由条件分位数（CVaR）决定的偏差项。偏差项的大小由 Γ 和结局分布的尾部决定。

本文的推广在于：当结局是生存时间且有删失时，\(Y\) 不可完全观测。作者用 Cheng et al. (2022) 的两种估计量（Form I 和 Form II）把删失问题转化为"伪结果"问题——Form I 用逆删失概率加权（IPCW）构造伪结果 \(Y_{I,t,1} = \Delta \mathbf{1}(\tilde{T} \le t)/\bar{G}(\tilde{T}|X,A=1)\)，其期望等于 \(P(T^{(1)} \le t)\)；Form II 用条件生存函数构造 \(Y_{II,t,1} = \mathbf{1}(\tilde{T} > t)/\bar{G}(t|X,A=1)\)，其期望等于 \(S^{(1)}(t)\)。然后，把 Dorn et al. (2024) 的 DVDS 界套在这些伪结果上，就得到了生存结局的敏感性界。

为什么这个内核是"最小"的：去掉删失（假设 \(\bar{G}=1\)）、去掉协变量（假设 \(X\) 为空）、去掉生存时间（假设 \(Y\) 是二值的），剩下的就是 Dorn et al. (2024) 的原始 DVDS 界。本文的所有技术工作（Theorem 7, 10）本质上是在回答一个问题：当 \(Y\) 被删失污染时，DVDS 界的解析形式是否仍然成立？ 答案是：成立，但需要额外估计删失函数 \(\bar{G}\)，且 \(\bar{G}\) 的估计误差会进入界的误差。

三、这篇论文做了什么

三句话： 1. 研究了什么问题：在边际敏感性模型（MSM）下，如何对生存结局（时间-事件数据）的因果效应（生存函数差异、RMST 差异）进行敏感性分析，同时处理信息性删失。 2. 核心工具/方法：将 Dorn et al. (2024) 的 doubly valid and doubly sharp（DVDS）界推广到生存结局，使用 Cheng et al. (2022) 的两种生存函数估计量（Form I 和 Form II）构造伪结果，结合 K 折交叉拟合估计 nuisance 参数（倾向得分、条件分位数、删失函数）。 3. 主要结论：得到的界是解析的（无需优化求解），在倾向得分或结果回归之一正确时有效（doubly valid），且在给定 MSM 假设下是 sharp 的（doubly sharp）；模拟和真实数据（RHC、GBCSG）表明比 Lee et al. (2024) 的优化方法计算快 1-2 个数量级，且界更紧。

关键设定与假设：

  • Assumption 1 (SUTVA)：标准一致性假设，无干扰。
  • Assumption 2 ((X,U)-ignorability)：给定 \((X,U)\) 后处理分配与潜在结果独立。这是因果推断的基准假设，本文不试图检验它，而是在它可能被违反的程度上做敏感性分析。
  • Assumption 3 (条件独立删失)：\(T^{(a)} \perp\!\!\!\perp C^{(a)} \mid X, U, A\)。这是生存分析的标准假设，允许删失依赖处理、协变量和未观测混杂，但给定这些后与事件时间独立。
  • Assumption 4 (Positivity)：倾向得分严格在 0 和 1 之间。
  • Assumption 5 (删失与 U 独立)：\(\bar{G}(t|X,U,A) = \bar{G}(t|X,A)\)。这是本文最强的假设，它意味着删失机制可以依赖观测协变量和处理，但不能依赖未观测混杂。作者在结论中明确承认这是限制："we assume that the censoring function is independent from the unobserved confounders to avoid another sensitivity analysis to the violation of informative censoring." 相比 Lee et al. (2024) 的完全独立删失假设（\(C \perp\!\!\!\perp (A,X,U)\)），本文的假设更弱、更现实；但相比"删失也受 U 影响"的完全一般情形，仍有距离。
  • MSM (式 1)：Γ 界定真实与名义倾向得分的 odds 比。Γ=1 退化为无未观测混杂。

主要结果：

  1. Theorem 7（Form I 的 DVDS 界）：在 Assumptions 1-5 和 MSM 下，\(S^{(1)}(t)\) 的 sharp 上界为

    \[S^{(1)}_{I,+}(t,\Gamma) = 1 - E\left[ A Y_{I,t,1} + (1-A) \rho_-(t,X,1,\Gamma) \right],\]
    其中 \(\rho_-\) 是包含条件分位数 \(Q_{1-\gamma}(X,1)\) 的回归函数（\(\gamma = \Gamma/(1+\Gamma)\)）。下界类似，用 \(\rho_+\) 和 \(Q_\gamma\)。关键点是：这个界是解析的，不需要像 Lee et al. (2024) 那样求解优化问题。

  2. Theorem 10（Form II 的 DVDS 界）：类似地，用 \(Y_{II,t,1} = \mathbf{1}(\tilde{T} > t)/\bar{G}(t|X,A=1)\) 构造伪结果，得到 \(S^{(1)}(t)\) 的另一组 DVDS 界。Form II 的优点是直接估计生存函数而非累积风险，但代价是在删失较重时稳定性较差（模拟中观察到高 t 时的不稳定）。

  3. 双重有效性（doubly valid）：当倾向得分模型正确但结果回归模型错误时，界仍有效；反之亦然。这是通过将两组界取交集（上界取 min，下界取 max）实现的。具体地，式 (5) 和 (6) 分别对应基于结果回归和基于倾向得分的界，Theorem 7 证明了二者取交集后仍为有效界。

  4. 双重尖锐性（doubly sharp）：在给定 MSM 假设下，不存在比该界更紧的、同时对所有满足 MSM 的数据生成过程都有效的界。证明思路是构造达到界的"最坏情况"数据生成过程（adversarial construction），这与 Dorn et al. (2024) 的证明框架一致。

  5. 计算效率：模拟中，Lee et al. (2024) 的方法需要数小时（RHC 数据上 9 小时 54 分钟），本文方法只需数分钟（RHC 上 1.2 小时，且同时计算 Form I 和 II）。加速来自解析表达式避免了数值优化。

证明路线与技术技巧：

  • 整体路线：
  • 重写 estimand：将 \(S^{(1)}(t) = 1 - E[Y^{(1)}]\) 用观测数据 + 未知权重 \(w = e/e(U)\) 表示。
  • 界定权重空间：MSM 给出 \(w \in [\Gamma^{-1}, \Gamma]\) 且 \(E[w \mid A=1, X] = 1\)。
  • 极值问题：将 \(S^{(1)}(t)\) 的界转化为在权重空间上的线性规划问题。
  • 对偶表示：用 Fenchel-Moreau-Rockafellar 对偶（Herdegen and Munari 2023 的 CVaR 对偶表示）将线性规划转化为条件分位数（CVaR）的解析表达式。
  • 处理删失：用 IPCW（Form I）或条件生存函数（Form II）将删失数据转化为伪结果，使得伪结果的期望等于目标 estimand。

  • 估计：用 K 折交叉拟合估计 nuisance（倾向得分、条件分位数、删失函数），代入解析表达式得到界的估计。

  • 关键跳跃点：

  • 跳跃 1：从"权重空间上的无穷维优化"到"CVaR 解析解"。这是 Dorn et al. (2024) 的核心贡献，本文直接继承。难点在于证明极值在"两点分布"（把所有额外权重放在分位数点）处取得。
  • 跳跃 2：删失处理。Cheng et al. (2022) 的 Form I/II 估计量原本用于无未观测混杂时的因果推断，本文需要验证在 MSM 下这些估计量的"伪结果"性质仍然成立。关键验证是：\(E[\Delta \mathbf{1}(\tilde{T} \le t)/\bar{G}(\tilde{T}|X,A=1) \mid X, A=1] = P(T^{(1)} \le t \mid X, A=1)\)，这需要 Assumption 3 和 5。

  • 跳跃 3：双重有效性的证明。需要分别证明"倾向得分正确 + 结果回归错误"和"结果回归正确 + 倾向得分错误"两种情况下界的有效性。这涉及到对 \(\rho_\pm\) 和 \(Q_\pm\) 估计误差的仔细控制。

  • 技术技巧点名：

  • CVaR 对偶表示（Herdegen and Munari 2023）：将期望约束下的极值问题转化为分位数函数的积分。用于推导 \(\rho_\pm\) 的解析形式。
  • K 折交叉拟合（cross-fitting）：避免 nuisance 估计的过拟合偏差，使得界的估计在 nuisance 收敛速率较慢时仍然 \(\sqrt{n}\)-一致。
  • IPCW 伪结果（Koul et al. 1981; Cheng et al. 2022）：用逆删失概率加权处理右删失。
  • Adversarial construction（Dorn et al. 2024）：构造达到界的"最坏情况"数据生成过程来证明 sharpness。

真实例子与应用：

  1. RHC 数据集（Right Heart Catheterization，n=5735，p_X=47）：研究 ICU 中右心导管插入术对患者生存的影响。在 Γ=1.15 时，临界值（critical value）与 Dorn et al. (2024) 在二值结局（30 天死亡率）上的结果一致；在 Γ=1.2 时，本文的 DVDS 界比 Lee et al. (2024) 的界更紧。计算时间从 9.9 小时降至 1.2 小时（因子 8.25）。

  2. GBCSG 数据集（German Breast Cancer Study Group，n=686，p_X=7）：研究他莫昔芬联合化疗 vs 单纯化疗对乳腺癌无复发生存的影响。在 5 年时间点，临界值 Γ_c,I = 1.47（Form I）和 Γ_c,II = 1.58（Form II），而 Lee et al. (2024) 的临界值为 1.35。这意味着本文方法在更弱的未观测混杂强度下就能推翻"他莫昔芬有益"的结论——作者将此解释为本文界更紧的证据。但注意：Form II 的界在时间 t 较大时出现不稳定（模拟中观察到），作者将其归因于删失权重的极端值。

  3. 模拟实验：验证了 (i) 两种形式的界在 Γ=Γ⋆ 时覆盖真实效应；(ii) 双重有效性（在倾向得分或结果回归之一错误时界仍有效）；(iii) 计算时间优势。

🔎 结论是否比证明窄：

  • 窄的地方：Theorem 7 和 10 的证明依赖于 Assumption 5（删失与 U 独立），但论文摘要和引言中的表述（"accounting for informative censoring"）可能让读者以为删失可以依赖 U。作者在结论中承认了这一点，但正文中的表述确实有过度泛化之嫌。
  • 更窄的地方：双重有效性是"二选一"的有效性（倾向得分或结果回归之一正确），而非"同时正确"时的效率最优性。论文没有给出半参数效率界，也没有证明所提估计量在 nuisance 全部正确时达到效率界。作者在结论中说"our bounds inherit the efficiency property of the bounds from Dorn et al. (2024)"，但 Dorn et al. (2024) 的效率性质本身是在特定模型下证明的，本文没有重新验证。
  • 未证明但被暗示的：Form II 的"快速"方法（附录 C.2）在模拟中表现不佳（高 t 时不稳定），但正文仍将其作为主要贡献之一。作者在附录中承认"this approach suffers from instabilities for high values of τ and when censoring is important"，但正文的贡献列表中没有提及这一限制。

四、开放问题

  1. 放宽 Assumption 5（删失与 U 独立）：本文最核心的限制。若删失机制也依赖未观测混杂，则需要对删失函数建立额外的敏感性模型。作者在结论中明确说"Future works should tackle this issue"。这是一个自然的下一步：可以构造一个双参数敏感性模型（一个 Γ 控制处理分配，一个 Γ_c 控制删失），但界的解析形式可能不再存在。

  2. 对删失函数的双重有效性：本文的界对倾向得分和结果回归是双重的，但对删失函数 Ḡ 不是。Voinot et al. (2025) 的 double augmented correction 被引用为潜在方案，但尚未在 DVDS 框架下实现。具体要证明的是：当 Ḡ 估计错误但倾向得分和结果回归正确时，界是否仍然有效。

  3. 半参数效率：本文没有给出界的估计量的收敛速率或效率界。在 nuisance 全部正确估计时，界的端点估计是否达到半参数效率下界？这需要计算 efficient influence function 并验证。对于高维协变量（p_X 大）的情形，double machine learning 框架下的收敛条件也未讨论。

  4. Form II 的稳定性：模拟中观察到 Form II 在高 t 或重删失时不稳定。能否通过截断（trimming）或稳定化权重（stabilized weights）改善？作者说"we tried to stabilize the bounds, with no improvement"，但没有给出细节。

  5. 与其他敏感性模型的连接：MSM 只是众多敏感性模型之一。将 DVDS 界推广到其他模型（如 VanderWeele and Ding 2017 的 E-value 框架、Cinelli and Hazlett 2020 的偏 R² 框架）是否可行？这些框架在应用界上更直观，但缺乏 sharpness 保证。

  6. 扎根提醒：要确认上述哪条是真实 gap，建议去读以下文献的近期引用（约 5 篇的 intro）：Dorn et al. (2024) 的后续工作、Lee et al. (2024) 的后续工作、以及关于生存结局敏感性分析的综述。如果多个独立团队都在朝同一方向推进（例如都在尝试放宽删失假设），那就是共识性 gap；如果各团队在"删失是否应该依赖 U"上给出相反的建模选择，那就是一个值得深挖的分歧点。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论