Characterizing Survivor Principal Strata Over Time: Identification, Efficient Estimation, and Sensitivity Analysis¶
作者: Keith Barnatchez, Willow Butler, Julia A. Geller, Elizabeth A. Stuart
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2609.37821
一、领域脉络与小综述¶
这个方向是什么¶
本文属于因果推断中的主分层(principal stratification)与截断-by-death(truncation by death)这一子方向。其根本科学问题是:在随机对照试验或观察性研究中,当结局(如功能评分)只在存活者中可定义时,如何定义、识别和估计"治疗对结局的因果效应"?由于死亡会阻断结局的测量,简单的"幸存者平均"比较会因选择偏差而失去因果解释。主分层框架(Frangakis and Rubin, 2002)将人群按两种处理下的潜在生存状态分层,其中"在两种处理下都存活"的层(即幸存者主层)是唯一能定义功能结局因果效应的层。该方向已发展出大量关于幸存者平均因果效应(SACE)的识别与估计方法,但本文关注的是一个相对未被充分研究的侧面:幸存者主层的协变量分布与基线人群的差异,即"幸存者是谁"的问题,而非"治疗对幸存者结局的效应"的问题。
发展脉络(history)¶
- 奠基工作:Zhang and Rubin (2003) 首次系统提出截断-by-death下的因果推断问题,指出SACE的识别需要额外假设;Frangakis and Rubin (2002) 提出主分层的一般框架,将潜在结果分层作为因果推断的通用语言。
- 主要进展:Tchetgen Tchetgen (2014) 给出了SACE在单调性(monotonicity)和条件独立假设下的识别公式,并发展了半参数估计方法;后续工作(如 Wang et al., 2017; Colantuoni et al., 2018; Zehavi and Nevo, 2023; Lu et al., 2026; Grossi et al., 2025)进一步扩展了识别条件、估计效率和敏感性分析。这些工作大多聚焦于结局均值的因果效应。
- 并行线索:在工具变量(IV)文献中,Abadie (2003) 证明了在单调性下,complier(依从者)的协变量均值可由加权矩识别,并给出了complier特征描述;Singh and Sun (2024) 进一步发展了complier参数的double robust估计。本文明确将这一思想移植到截断-by-death场景,并推广到随时间变化的纵向设置。
- 当前前沿:近年来,随着机器学习在因果推断中的普及,double/debiased machine learning(如 Chernozhukov et al., 2018; Kennedy, 2024)成为标准工具。本文的估计方法正是基于交叉拟合的一步估计(one-step estimator),属于这一前沿。
- 本文的位置:作者在引言中明确指出,现有SACE文献主要报告"幸存者中的平均处理效应",但很少描述"幸存者主层本身如何随随访时间变化"。本文填补的缺口是:提出并估计随时间变化的幸存者主层协变量发散度度量(SMD和KL散度),作为SACE估计的补充诊断工具。作者强调,这些度量的识别只需要SACE识别所需假设的一个子集(不需要结局无混杂或交叉世界结局均值交换性),因此更稳健。
子线索聚类¶
被引文献大致落在三条子线索上:
- SACE的识别与估计:Zhang and Rubin (2003), Tchetgen Tchetgen (2014), Wang et al. (2017), Colantuoni et al. (2018), Zehavi and Nevo (2023), Lu et al. (2026), Grossi et al. (2025)。核心问题:在截断-by-death下,如何用可观测数据识别SACE?需要哪些假设(单调性、无混杂、结局均值交换性)?
- 主层特征描述(complier profiling):Abadie (2003), Marbach and Hangartner (2020), Singh and Sun (2024)。核心问题:如何刻画潜在主层(如complier)的协变量分布?这类工作通常使用加权矩或密度比。
- 半参数效率与double robust估计:Bickel et al. (1993), Tsiatis (2006), Kennedy (2024), Van der Laan et al. (2007)。核心问题:如何构造在nuisance估计误差下仍具有√n收敛性和有效性的估计量?本文的一步估计量属于这一技术传统。
这个方向在追问的核心问题¶
- 识别:在何种假设组合下,幸存者主层的特征(均值、分布、发散度)可由观测数据识别?哪些假设是必需的,哪些可以放松?
- 估计:如何构造对nuisance估计误差稳健、且允许使用机器学习的高效估计量?在纵向设置中如何利用跨时间点的结构?
- 敏感性:当单调性等关键假设违反时,结论如何变化?如何用少量参数(如ρ的均值和方差)刻画偏差?
- 可解释性:SACE估计值是否对应一个稳定的人群?如果幸存者主层随时间漂移,如何向临床解释?
⚠️ 作者的 framing(这是作者的说法)¶
作者在引言中将本文定位为"为SACE估计提供可解释性诊断":他们声称,SACE本身只给出一个数值,但临床医生需要知道"这个效应适用于谁"。因此他们提出用发散度度量来量化幸存者主层与基线人群的差异,并强调这些度量不需要SACE识别所需的全部假设(特别是不需要结局无混杂或交叉世界结局均值交换性),只需要单调性、一致性、无混杂和positivity。作者还声称,在随机试验中,SACE的识别需要额外的"结局均值交换性"假设,而他们提出的SMD估计量即使在g₀被任意误设时仍保持一致性(Proposition 1),因此比SACE本身更稳健。这一framing将本文从"估计因果效应"转向"描述潜在人群",是一个值得注意的视角转换。
张力¶
被引文献之间未见明显对立,但存在一个潜在张力:SACE识别通常需要较强的交叉世界假设(如结局均值交换性),而本文的发散度度量只需要单调性和无混杂。这意味着本文的度量可能比SACE更容易识别,但它们的解释力有限——它们只描述"幸存者是谁",而不回答"治疗对幸存者有什么影响"。作者承认这一点,并建议将两者结合使用。另一个张力是:Abadie (2003) 的complier均值识别依赖于单调性,而本文的SMD识别也依赖单调性;但本文的敏感性分析允许单调性以ρ(X,t)的形式部分违反,这比传统文献更灵活。
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(逐个点名):
- 处理:\(A \in \{0,1\}\),二元处理指示(0=对照,1=治疗)。
- 基线协变量:\(X = (X_1, \dots, X_p)^\top \in \mathbb{R}^p\),在基线时测量,视为随机向量。
- 潜在生存状态:\(S_t(a)\) 表示在基线分配处理 \(a\) 后,到时间 \(t\) 的潜在生存指示(1=存活,0=死亡),\(a=0,1\)。
- 潜在结局:\(Y_t(a)\) 表示在分配处理 \(a\) 且存活到 \(t\) 时的潜在功能结局(如ALSFRS-R评分)。当 \(S_t(a)=0\) 时 \(Y_t(a)\) 未定义。
- 观测变量:\(A\)(实际分配的处理),\(S_t\)(观测到的生存状态),\(Y_t\)(观测到的结局,仅在 \(S_t=1\) 时定义),\(X\)(基线协变量)。观测数据为 \(n\) 个独立同分布样本 \(O_i = (S_{i,0}\cdot Y_{i,0}, S_{i,0}, \dots, S_{i,T}\cdot Y_{i,T}, S_{i,T}, A_i, X_i)\)。
- 条件生存概率:\(g_a(X,t) = P(S_t = 1 \mid A = a, X)\),即给定处理 \(a\) 和协变量 \(X\) 时到时间 \(t\) 的生存概率。这是本文最重要的 nuisance 函数。
- 边际生存概率:\(\mu_{a,t} = E[g_a(X,t)] = P(S_t(a)=1)\)。
- 归一化生存概率(密度比):\(w_0(X,t) = g_0(X,t) / \mu_{0,t}\)。注意 \(E[w_0(X,t)] = 1\)。
- 倾向 score:\(e(X) = P(A=1 \mid X)\)。在随机试验中 \(e(X)\) 已知(如 \(1/2\))。
- 目标参数:
- 幸存者主层协变量均值:\(\theta_{k,t} = E[X_k \mid S_t(1) = S_t(0) = 1]\)。
- 标准化均值差(SMD):\(\delta_{k,t} = \frac{E[X_k] - \theta_{k,t}}{SD(X_k)}\)。
- KL散度:\(\psi_t = E\left[ w_0(X,t) \log w_0(X,t) \right]\),即幸存者分布 \(p(x \mid S_t(0)=1)\) 对基线分布 \(p(x)\) 的KL散度。
模型与假设:
- 一致性(Assumption 1):\(S_t = A \cdot S_t(1) + (1-A) \cdot S_t(0)\),\(Y_t = A \cdot Y_t(1) + (1-A) \cdot Y_t(0)\)。
- 无混杂(Assumption 3):\(S_t(a) \perp\!\!\!\perp A \mid X\),即给定 \(X\),处理分配与潜在生存独立。在随机试验中自动成立。
- 单调性(Assumption 4):\(S_t(1) \ge S_t(0)\) 以概率1成立,即治疗不会导致死亡(对每个个体,若在对照下存活则在治疗下也存活)。这是主层简化的关键。
- positivity(Assumption 2):\(0 < e(X) < 1\) 且 \(g_0(X,t) > 0\) 几乎必然。
- 可观测数据:研究者能观测到 \(X, A, S_t\),以及在 \(S_t=1\) 时的 \(Y_t\)。注意:潜在生存状态 \(S_t(0), S_t(1)\) 不可观测,只能观测到其中一个。
第二步:最小内核¶
问题:在一个随机试验中,我们想了解"在两种处理下都存活"的那群人(幸存者主层)的基线特征是否与全体入组人群不同。例如,如果只有年轻、肺活量高的患者才能活到12个月,那么SACE估计值就只适用于这一亚群,而不能推广到全体患者。我们想量化这种差异。
最简特例:假设只有一个协变量 \(X\)(如年龄),处理 \(A\) 完全随机(\(e(X)=1/2\)),我们只关心一个时间点 \(t\)。在单调性假设下,\(S_t(1) \ge S_t(0)\),因此"在两种处理下都存活"等价于"在对照下存活",即 \(\{S_t(1)=S_t(0)=1\} = \{S_t(0)=1\}\)。于是幸存者主层的协变量均值就是:
关键识别公式(Theorem 1 的特例):
其中 \(g_0(X,t) = P(S_t=1 \mid A=0, X)\) 是对照组的条件生存概率。为什么成立?因为
这里用到了无混杂(\(S_t(0) \perp A \mid X\))和一致性(\(S_t = S_t(0)\) 当 \(A=0\)),使得 \(P(S_t(0)=1 \mid X) = P(S_t=1 \mid A=0, X) = g_0(X,t)\)。
SMD:\(\delta_t = (E[X] - \theta_t)/SD(X)\)。如果 \(\delta_t = 0\),则幸存者主层的平均年龄与基线相同;如果 \(\delta_t < 0\),则幸存者比基线更年轻。
KL散度:\(\psi_t = E[w_0(X,t) \log w_0(X,t)]\),其中 \(w_0(X,t) = g_0(X,t)/E[g_0(X,t)]\)。注意 \(w_0\) 是幸存者分布对基线分布的似然比(Radon-Nikodym derivative),因为
所以 \(\psi_t = E_{x \sim p(x)}[w_0(x,t) \log w_0(x,t)]\) 正是 \(p(x \mid S_t(0)=1)\) 对 \(p(x)\) 的KL散度。\(\psi_t = 0\) 当且仅当 \(g_0(X,t)\) 不随 \(X\) 变化(即生存与协变量独立),此时幸存者主层与基线分布相同。
为什么这是最小内核:整个论文的核心就是——在单调性下,幸存者主层的任何特征(均值、分布、发散度)都可以通过对照组的条件生存概率 \(g_0(X,t)\) 来识别。SMD和KL散度只是这个原理的两个具体应用。估计时,只需要估计 \(g_0(X,t)\)(这是标准生存分析问题),然后代入上述公式即可。一步估计量则是为了纠正在 nuisance 估计误差下的一阶偏差。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在纵向研究中,当功能结局受截断-by-death影响时,如何量化随时间变化的幸存者主层与基线人群的协变量分布差异,以辅助解释SACE估计的适用人群。
- 核心工具/方法:基于主分层框架,在单调性等假设下,将幸存者主层的协变量均值(SMD)和KL散度识别为关于对照组条件生存概率 \(g_0(X,t)\) 的泛函;推导其高效影响函数(EIF),构造交叉拟合的一步偏差校正估计量,并发展放松单调性的敏感性分析。
- 主要结论:SMD和KL散度可由观测数据识别,且只需SACE识别假设的一个子集;在随机试验中,SMD的一步估计量对 \(g_0\) 的任意误设稳健(Proposition 1),而KL散度需要 \(g_0\) 以 \(n^{-1/4}\) 速率一致估计;模拟和ALS数据应用表明这些度量能有效揭示幸存者主层随时间的漂移。
关键设定与假设¶
- 数据:\(n\) 个独立同分布观测 \(O = (S_0 \cdot Y_0, S_0, \dots, S_T \cdot Y_T, S_T, A, X)\)。注意 \(S_0=1\) 通常成立(基线存活)。
- 假设1(一致性):观测到的 \(S_t\) 和 \(Y_t\) 等于对应潜在值。
- 假设2(positivity):\(0 < e(X) < 1\),且 \(g_0(X,t) > 0\) 几乎必然。
- 假设3(无混杂):\(S_t(a) \perp\!\!\!\perp A \mid X\),\(Y_t(a) \perp\!\!\!\perp A \mid X, S_t(a)=1\)。
- 假设4(单调性):\(P(S_t(1) \ge S_t(0)) = 1\)。这是将"两种处理下都存活"简化为"对照下存活"的关键。
- 假设5-6(识别SACE所需):结局无混杂和交叉世界结局均值交换性。本文强调,这些假设对识别发散度度量不是必需的。
- 假设7-8(处理缺失数据):在扩展部分,假设删失独立于潜在结局等。
主要结果¶
识别(Theorem 1 & 2):
- Theorem 1:在假设1-4下,\(\theta_{k,t} = E[X_k \cdot g_0(X,t)] / E[g_0(X,t)]\)。
- Theorem 2:\(\psi_t = E[w_0(X,t) \log w_0(X,t)]\),其中 \(w_0(X,t) = g_0(X,t)/E[g_0(X,t)]\)。
- 这两个定理的证明基于单调性将主层 \(\{S_t(1)=S_t(0)=1\}\) 等价于 \(\{S_t(0)=1\}\),然后利用无混杂和一致性将潜在事件概率转化为观测条件概率。
高效影响函数(Theorem 3):
- 在非参数模型下,\(\theta_{k,t}\) 的EIF为:
\[\varphi_{\theta_{k,t}}(O) = \frac{1}{\mu_{0,t}} \left[ \frac{I(A=0)}{1-e(X)} \{S_t - g_0(X,t)\} (X_k - \theta_{k,t}) + g_0(X,t)(X_k - \theta_{k,t}) \right].\]
- \(\psi_t\) 的EIF为:
\[\varphi_{\psi_t}(O) = \frac{I(A=0)}{1-e(X)} \frac{\log w_0(X,t) - \psi_t}{\mu_{0,t}} \{S_t - g_0(X,t)\} + w_0(X,t)\{\log w_0(X,t) - \psi_t - 1\} + 1.\]
- 这些EIF的推导使用了标准半参数理论:在非参数模型下,EIF可以通过对泛函求Gateaux导数得到。EIF的方差即半参数效率界。
一步估计量(Section 4.2):
- 给定交叉拟合估计的 \(\hat{g}_0\) 和 \(\hat{e}\),一步估计量为:
\[\hat{\eta}^{\text{OS}} = \hat{\eta}^{\text{PI}} + \frac{1}{n} \sum_{i=1}^n \hat{\varphi}_\eta(O_i),\]其中 \(\hat{\eta}^{\text{PI}}\) 是plug-in估计量。
- 对于 \(\theta_{k,t}\),一步估计量具有双稳健性:只要 \(g_0\) 或 \(e\) 之一正确指定,即一致。在随机试验中 \(e\) 已知,因此即使 \(g_0\) 完全误设,\(\hat{\theta}^{\text{OS}}_{k,t}\) 仍一致(Proposition 1)。这是SMD优于KL散度的一个关键性质。
- 对于 \(\psi_t\),由于泛函的非线性,一步估计量需要 \(g_0\) 以 \(n^{-1/4}\) 速率一致估计才能获得 \(\sqrt{n}\) 收敛和渐近正态性(Theorem 5)。这比SMD的要求更强。
敏感性分析(Section 5):
- 放松单调性假设,引入 \(\rho(X,t) = P(S_t(1)=0 \mid S_t(0)=1, X)\),即治疗导致死亡的概率。
- Proposition 2:若 \(\rho(X,t)\) 不随 \(X\) 变化,则 \(\theta_{k,t}\) 仍由原来的公式识别(因为常数 \(\rho\) 在加权矩中约去)。
- Proposition 3:若 \(\rho(X,t)\) 随 \(X\) 变化,则偏差有界:
\[|\theta_{k,t} - \theta^{\text{mono}}_{k,t}| \le \frac{\sigma_{\rho,t} \cdot SD(X_k \mid S_t(0)=1)}{1 - \bar{\rho}_t},\]其中 \(\sigma_{\rho,t} = SD(\rho(X,t) \mid S_t(0)=1)\),\(\bar{\rho}_t = E[\rho(X,t) \mid S_t(0)=1]\)。
- 这允许研究者通过设定 \(\bar{\rho}_t\) 和 \(\sigma_{\rho,t}\) 的合理范围来评估单调性违反的影响。
随机试验中的特殊结果(Section 4.4):
- 当 \(e(X)\) 已知时,\(\theta_{k,t}\) 的EIF中涉及 \(e\) 的项消失,一步估计量简化为:
\[\hat{\theta}^{\text{OS}}_{k,t} = \frac{\frac{1}{n}\sum_i X_{i,k} \hat{g}_0(X_i,t)}{\frac{1}{n}\sum_i \hat{g}_0(X_i,t)} + \frac{1}{n}\sum_i \frac{I(A_i=0)}{1-e(X_i)} \{S_{i,t} - \hat{g}_0(X_i,t)\} \frac{X_{i,k} - \hat{\theta}^{\text{PI}}_{k,t}}{\hat{\mu}_{0,t}}.\]
- 该估计量在 \(g_0\) 任意误设下仍一致(Proposition 1),因为第二项的期望为零(当 \(e\) 已知时,\(E[I(A=0)/(1-e(X)) \cdot (S_t - g_0^*(X,t)) \cdot h(X)] = 0\) 对任意 \(h\) 成立)。
证明路线与技术技巧¶
整体路线:
- 识别:利用单调性将主层指示 \(S_t(1)S_t(0)\) 替换为 \(S_t(0)\),然后通过无混杂将潜在概率转化为观测概率。这是整个证明的基石。
- 效率:在非参数模型下,通过计算泛函的路径导数得到EIF。对于 \(\theta_{k,t}\),将其视为两个线性泛函之比,利用delta method;对于 \(\psi_t\),直接对 \(w \log w\) 求导。
- 渐近理论:使用交叉拟合(cross-fitting)将 nuisance 估计与一步修正分离,避免Donsker类条件。证明中反复使用Cauchy-Schwarz不等式和乘积误差项的控制。
- 敏感性:通过概率恒等式将真实参数表示为 \(\rho\) 的函数,然后用Cauchy-Schwarz导出偏差界。
关键跳跃点:
- Theorem 3 中 \(\psi_t\) 的EIF推导:由于 \(w_0\) 是 \(g_0\) 的归一化,其EIF包含一个额外的"中心化"项 \(-w_0 \psi_t\),这来自 \(\mu_{0,t}\) 的估计误差。作者通过引入 \(C_{\psi_t} = E[w_0 \log w_0]\) 来处理。
- Theorem 5 中二阶项的处理:\(\psi_t\) 的泛函不是线性的,因此一步估计量的余项包含 \(\|\hat{g}_0 - g_0\|_2^2\),这导致需要 \(g_0\) 的 \(L_2\) 误差为 \(o_p(n^{-1/4})\)。作者明确指出这是与SMD的关键区别。
- Proposition 1 的证明:利用随机化试验中 \(e(X)\) 已知,且 \(E[I(A=0)/(1-e(X)) \cdot (S_t - g_0^*(X,t)) \cdot h(X)] = 0\) 对任意 \(h\) 成立,从而消除 \(g_0\) 的误设偏差。这一性质类似于AIPW估计量的双稳健性。
技术技巧点名:
- 交叉拟合(cross-fitting):将样本分成K折,用每折估计 nuisance,在另一折上计算一步修正,避免过拟合和Donsker条件。
- EIF的delta method分解:对于比值型参数 \(\theta = N/D\),利用 \(\varphi_\theta = (\varphi_N - \theta \varphi_D)/D\)。
- 密度比参数化:将KL散度表示为 \(E[w \log w]\),其中 \(w\) 是似然比,从而将问题转化为估计一个矩泛函。
- 敏感性偏差界:利用 \(\rho\) 的均值和标准差给出偏差的显式上界,避免指定整个 \(\rho\) 函数。
真实例子与应用¶
模拟实验(Section 6): - 数据生成:\(X \sim N(0, I_3)\),\(A\) 以1/2概率随机分配,生存概率 \(g_a(X,t)\) 由logistic模型生成,包含 \(X\) 的线性和二次项,且 \(g_1 = 0.6 g_0\) 以满足单调性。 - 评估指标:偏差、RMSE、95%覆盖率,样本量 \(n \in \{500, 1000, 2500\}\)。 - 结果:SMD的一步估计量在 \(g_0\) 正确指定和误设下均近似无偏,覆盖率接近名义水平;KL散度在正确指定时表现良好,但在误设时出现明显偏差和覆盖率下降。这与理论预测一致。
PRO-ACT数据(Section 7): - 数据:Pooled Resource Open-Access ALS Clinical Trials,包含13,717条记录,分析队列为2,082名具有完整基线协变量的参与者。 - 协变量:年龄、性别、基线ALSFRS-R、肺活量(%预测)、BMI、起病部位、利鲁唑使用、∆FRS。 - 方法:估计 \(t \in \{3,6,9,12\}\) 个月的SMD和KL散度,使用SuperLearner估计 \(g_0(X,t)\),交叉拟合一步估计。 - 结果:随时间推移,幸存者主层与基线人群的差异逐渐增大。12个月时,幸存者更年轻、肺活量更高、基线ALSFRS-R更高、∆FRS更慢(SMD约0.1-0.2),KL散度从接近0上升到0.031。这些结果说明SACE估计在后期随访中针对的是一个越来越"健康"的亚群。 - 敏感性分析:固定 \(\bar{\rho}_t = 0.05\),改变 \(\sigma_\rho\) 从0到0.1,发现SMD的界在 \(\sigma_\rho=0.1\) 时约为±0.1,结论对温和的单调性违反不敏感。
🔎 结论是否比证明窄¶
- 论文在摘要和引言中声称"识别不需要结局无混杂或交叉世界结局均值交换性",这在Theorem 1和2中确实成立。但敏感性分析部分只针对 \(\theta_{k,t}\) 给出了界,对 \(\psi_t\) 的敏感性分析仅在补充材料中提及,且没有给出类似Proposition 3的显式界。因此,关于KL散度的稳健性结论比SMD弱。
- 论文声称"允许使用机器学习估计 nuisance",但Theorem 4和5的条件中要求 \(\|\hat{g}_0 - g_0\|_2 = o_p(n^{-1/4})\)(对 \(\psi_t\))或乘积误差条件(对 \(\theta_{k,t}\))。这些条件在理论上合理,但论文没有讨论如何验证这些速率条件,也没有给出针对具体机器学习算法的验证结果。
- 论文的模拟只考虑了 \(g_0\) 的logistic误设(遗漏交互项),没有考虑更严重的误设(如完全错误的函数形式)或高维 \(X\) 的情况。因此,模拟对"任意误设"的支持有限。
- 论文的PRO-ACT分析将"Active"视为一个异质标签(多种试验药物),作者承认这是描述性分析,但未讨论这种异质性对发散度估计的影响。
四、开放问题(点到为止)¶
- 更一般的敏感性分析:论文的敏感性分析只针对常数 \(\rho\) 或 \(\rho\) 的均值和方差。如何对完全非参数的 \(\rho(X,t)\) 进行敏感性分析?能否构造更紧的界?(扎根于Proposition 3和Section 5的局限)
- KL散度的双稳健估计:论文指出KL散度的一步估计量需要 \(g_0\) 的 \(n^{-1/4}\) 速率,而SMD不需要。是否存在对 nuisance 误设更稳健的KL散度估计量(如通过额外 nuisance 估计实现正交性)?(扎根于Theorem 5和Section 4.4的对比)
- 高维与纵向结构的扩展:论文的估计是逐时间点进行的,没有利用时间上的平滑性。如何将发散度度量扩展到联合建模(如函数型数据或纵向生存模型)以提高效率?(扎根于Section 8的future work)
- 结果加权的发散度:论文提到"outcome-informed divergence measures"作为未来方向。如何定义和估计与结局相关的发散度,以更直接地反映SACE的异质性?(扎根于Section 8)
- 假设检验问题:论文只提供了点估计和置信区间,但没有讨论如何检验"发散度为零"(即幸存者主层与基线无差异)的假设。在零假设下,KL散度的估计量可能具有非标准渐近分布(边界参数问题)。(扎根于Section 4.3的推断部分)
- 实际应用中的删失处理:论文的扩展部分考虑了右删失,但假设删失独立于潜在结局。在ALS等疾病中,删失可能与疾病严重程度相关,如何放松这一假设?(扎根于补充材料F)
提醒:若要确认上述某条是否为真 gap,建议检索近5年主分层与截断-by-death文献(如 Journal of Causal Inference, Biometrics, Biostatistics)的引言部分,看是否已有类似方法被提出或正在被讨论。
Maintained by 陈星宇 · Homepage · Source on GitHub