跳转至

Data-adaptive identification of effect modifiers through stochastic shift interventions and cross-validated targeted learning

作者: David McCoy, Wenxin Zhang, Alan Hubbard, Mark van der Laan, Alejandro Schuler
来源: Biostatistics
主题: 因果推断
相关性: 7/10
机构绿灯: University of California, Berkeley(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是因果推断中的异质性处理效应(HTE)识别与估计,具体聚焦于:当暴露(exposure/treatment)为连续变量时,如何以数据驱动的方式发现"哪些亚群对暴露变化最敏感",并对这些亚群给出具有有效不确定度量化(valid uncertainty quantification)的效应估计。该方向的核心张力在于:一方面,研究者希望尽可能少地假设函数形式,让机器学习灵活地捕捉复杂的暴露-结局关系;另一方面,又希望最终输出的是可解释的、可操作的亚群规则(如"年龄 ≤ 14 的人群"),而非黑箱的 CATE 曲面。当前方法的成熟度处于"方法众多但缺乏统一框架"的阶段——从经典的回归交互项、分层分析,到 meta-learners(T/S/X-learners),再到贝叶斯非参数混合模型,各方法在灵活性、可解释性、推断有效性之间各有取舍,但鲜有方法能同时满足"连续暴露 + 数据自适应亚群发现 + 有效推断"这三个要求。

发展脉络(history)

作者在引言中勾勒的脉络大致如下:

  • 奠基工作:随机干预(stochastic interventions)的因果参数化。 Muñoz and van der Laan (2012) 在 Biometrics 上正式定义了"总体干预因果效应"(population intervention causal effects),提出通过修改暴露的分布(而非设定固定值)来定义因果参数,并建立了识别公式与半参数效率理论。这是本文方法论的直接基石——本文的 target parameter 本质上就是 Muñoz–van der Laan 框架在子群上的条件版本。Kennedy (2019) 进一步提出增量倾向得分干预(incremental propensity score interventions),通过"将倾向得分乘以一个常数"来定义干预,从而完全避开连续暴露下的 positivity 问题——这是本文能处理连续暴露的关键理论支撑。

  • 主要进展:HTE 估计的 meta-learning 框架。 Künzel et al. (2019) 系统比较了 T-learner、S-learner、X-learner 等元学习器,指出它们虽然能灵活估计 CATE,但"often focus on binary treatments and may lack the interpretability desired in environmental studies dealing with continuous exposures"(作者原话)。这一批评直接点出了本文要填补的缺口:meta-learners 输出的是整个 CATE 函数,而非"哪个子群最值得干预"的明确规则。

  • 并行进展:贝叶斯与机器学习亚群发现。 作者引用了 Zorzetto et al. (2023, 2024) 的 confounder-dependent Bayesian mixture model(CDBMM)作为贝叶斯路径的代表——这类方法能识别亚群,但 computationally intensive for very large datasets(作者原话),且推断框架与频率学派的有效置信区间衔接不畅。

  • 当前 frontier:数据自适应的 target parameter + 交叉验证的推断。 本文的位置在于:将"随机干预"的参数定义(Muñoz–van der Laan, Kennedy)与"数据自适应参数选择"(data-adaptive target parameter)结合起来,用交叉验证(cross-validated TMLE)来避免"先看数据选亚群、再用同一数据做推断"带来的选择性偏差(selection bias)。这一思路在 van der Laan 学派的 targeted learning 框架内有清晰的谱系——从 van der Laan & Rose (2011) 的 TMLE 教科书,到 CV-TMLE 的交叉验证思想,再到本文将其应用于"亚群发现"这一具体任务。

子线索聚类

被引文献大致落在三条子线索上:

  1. 随机干预与 modified treatment policies(MTPs):Muñoz & van der Laan (2012)、Kennedy (2019)、Díaz et al. (2023)。这条线关注的是"如何定义并识别非确定性干预的因果效应",核心贡献在于参数定义、识别条件与效率理论。本文的 ∆_i(W) 定义(Q₀(Aᵢ−δᵢ, A₋ᵢ, W) − Q₀(Aᵢ, A₋ᵢ, W))直接继承自这条线。

  2. HTE 估计的元学习与机器学习方法:Künzel et al. (2019)。这条线关注"如何用灵活模型估计 CATE",但如作者所言,缺乏可解释的亚群规则输出。

  3. 亚群发现与贝叶斯混合模型:Zorzetto et al. (2023, 2024)、Coker et al. (2018)。这条线关注"如何找到易感亚群",但计算成本高、推断框架与频率学派脱节。

  4. (隐含的)变量重要性度量:Williamson et al. (2020a, 2020b) 被引用在方法部分,为"如何衡量某个暴露在混合物中的相对重要性"提供了非参数效率推断的框架——本文的"variable importance measures"(第 3.6 节)直接借用了这一思想。

这个方向在追问的核心问题

  1. 如何为连续暴露定义有实际意义的因果参数? 固定值干预(如"将 PCB 暴露设为 0")在连续暴露下既不现实也易违反 positivity;随机干预(shift by δ)提供了更稳健的替代。
  2. 如何在发现亚群的同时保证推断有效? 这是本文的核心方法论贡献——"先探索、后推断"的两阶段过程如何避免选择性偏差?
  3. 如何在混合物中识别"最值得干预"的暴露? 环境暴露通常是混合物,单一暴露的效应可能受其他暴露的调节或混杂。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:现有 HTE 方法要么限于二元暴露(meta-learners),要么缺乏可解释性(黑箱 CATE),要么计算成本过高(贝叶斯混合模型),且普遍未解决"数据自适应亚群发现后的有效推断"问题。 因此本文的贡献被定位为"提供一个计算高效、可解释、且能给出有效置信区间的连续暴露亚群发现框架"。值得注意的是,作者在引言中没有讨论以下竞争路径:(a) 基于因果森林(causal forest)的 HTE 估计及其变种(Athey & Imbens, 2016; Wager & Athey, 2018)——这些方法同样能处理连续暴露且提供渐近正态的 CATE 估计;(b) 基于广义随机森林(GRF)的最优政策学习(optimal policy learning)框架——该框架同样以"数据自适应地找到最优干预子群"为目标。这些缺席的引用可能意味着作者有意将本文定位在"targeted learning + 随机干预"的谱系内,而非更广义的 HTE 文献。

张力

被引文献之间未见明显对立结论。一个值得注意的微妙差异是:Muñoz–van der Laan 的随机干预要求估计暴露密度 g(A|W),而 Kennedy (2019) 的增量倾向得分干预则通过重新参数化避开了密度估计——本文选择了前者(直接估计密度比),但在第 3.7 节提供了"通过分类重参数化"的替代方案,这实际上是在向 Kennedy 的策略靠拢。作者没有明确讨论这两种策略在何种条件下孰优孰劣。


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

符号清单(逐个点名):

记号 含义 类型
O = (W, A, Y) 单个观测单元的数据 可观测随机变量
W ∈ ℝᵈ 协变量向量(潜在效应修饰因子) 可观测随机变量
A = (A₁, …, Aₚ) p 维暴露向量(混合物) 可观测随机变量(连续)
Y 结局 可观测随机变量
Aᵢ 第 i 个暴露组分 可观测随机变量
A₋ᵢ 除 Aᵢ 外的所有暴露 可观测随机变量
δᵢ 对 Aᵢ 施加的随机移位量 用户指定的标量(干预参数)
Y_{Aᵢ−δᵢ, A₋ᵢ} 将 Aᵢ 移位 δᵢ 后的潜在结局 潜在(counterfactual)量
Q₀(a, w) = E[Y | A = a, W = w] 结局回归 未知 nuisance 函数
g₀(a | w) 暴露的条件密度 未知 nuisance 函数
∆ᵢ(W) = Q₀(Aᵢ−δᵢ, A₋ᵢ, W) − Q₀(Aᵢ, A₋ᵢ, W) 个体水平的干预效应(移位 δᵢ) 由 nuisance 导出的 estimand
V ⊆ W 协变量空间的子区域(亚群) 数据自适应选择的集合
π_V = P(W ∈ V) 亚群概率 由 V 决定
Ψ_V(P) = E[∆ᵢ(W) I{W∈V}] / π_V 亚群 V 内的平均干预效应 目标参数(estimand)
ψ_V = Ψ_V(P) − Ψ_{V^c}(P) 亚群 V 与其补集间的效应差 目标参数(estimand)
ψ* = sup_{Aᵢ, V} ψ_V 最大效应修饰参数(oracle) 目标参数(estimand)
ϕ_V(O), ϕ_{V^c}(O) 对应 Ψ_V, Ψ_{V^c} 的高效影响函数 推断工具

模型设定:

  • 数据生成机制:假设观测数据 O = (W, A, Y) 来自某个未知分布 P₀,满足一个非参数结构方程模型(NPSEM): W = f_W(U_W), A = f_A(W, U_A), Y = f_Y(W, A, U_Y), 其中 U_W, U_A, U_Y 为外生噪声。观测分布因式分解为 P₀(O) = P_{0,W}(W) · P_{0,A}(A|W) · P_{0,Y}(Y|A,W)。

  • 因果识别假设(作者明确列出):

  • 无未测量混杂(exchangeability):Y_a ⊥ A | W,即给定协变量 W 后,暴露分配与潜在结局独立。
  • positivity:移位后的暴露值 Aᵢ − δᵢ 仍在暴露的条件支持内,即存在 ε > 0 使得 g₀(Aᵢ−δᵢ|W) / g₀(Aᵢ|W) ≤ 1/ε 对所有相关 (A, W) 成立。

  • 可观测数据:n 个 i.i.d. 样本 {O₁, …, Oₙ},每个样本包含完整的 (W, A, Y) 三元组。注意:潜在结局 Y_{Aᵢ−δᵢ, A₋ᵢ} 不可观测,只能通过识别公式转化为可观测量的函数。

  • 哪些是参数/estimand,哪些是 nuisance:目标参数是 ψ_V(亚群效应差),它是 ∆ᵢ(W) 的函数的期望;∆ᵢ(W) 本身由 nuisance 函数 Q₀ 和 g₀ 决定。Q₀ 和 g₀ 都是未知的、需要从数据中估计的 nuisance 参数,可以用任意机器学习方法估计。

第二步:最小内核

剥掉所有一般性设定后,本文的核心数学问题是什么?

考虑最简单的设定:一个连续暴露 A、一个二元协变量 W ∈ {0,1}、一个连续结局 Y。我们想回答:"将 A 减少 δ 个单位,对 W=0 和 W=1 两个亚群的影响是否不同?"

第 1 步:定义个体效应。 对每个个体,其"暴露减少 δ"的效应是潜在结局之差: ∆(W) = E[Y | A−δ, W] − E[Y | A, W] = Q₀(A−δ, W) − Q₀(A, W)。

第 2 步:定义亚群效应。 对亚群 V(如 W=0 的人群),平均效应为: Ψ_V = E[∆(W) · I{W∈V}] / P(W∈V)。

第 3 步:定义效应修饰参数。 我们关心的不是 Ψ_V 本身,而是 V 与其补集 V^c 的差异: ψ_V = Ψ_V − Ψ_{V^c}。

第 4 步:oracle 问题。 如果 V 是未知的(我们不知道哪个亚群效应差异最大),oracle 参数定义为: ψ* = sup_{V ⊆ W} ψ_V。

这个问题的数学难点在哪里?

  1. 双重 nuisance 估计:∆(W) 依赖于 Q₀(结局回归)和 g₀(暴露密度,用于计算移位后的期望)。如果直接用机器学习估计 Q₀ 和 g₀,其收敛速度可能慢于 √n,导致 ∆ 的估计偏差无法忽略。

  2. 数据自适应选择的推断:如果我们"先看数据"选出使 ψ_V 最大的 V̂,再用同一数据估计 ψ_{V̂},那么估计量的抽样分布不再是正态的——因为 V̂ 本身是随机的,且与数据相关。这就是所谓的"选择性推断"(selective inference)问题。本文用交叉验证来解决:在训练集上选 V,在验证集上估计 ψ_V,从而切断选择与估计之间的相关性。

  3. 影响函数的结构:Ψ_V 的 efficient influence function(EIF)包含三项:协变量偏移项(I{W∈V}/π_V · g(A−δ|W)/g(A|W) · (Y − Q₀(A,W)))、替换项(I{W∈V}/π_V · (Q₀(A−δ,W) − Q₀(A,W) − Ψ_V))、以及归一化项((I{W∈V} − π_V)/π_V · Ψ_V)。第三项来自 π_V 的估计,是本文与标准 TMLE 的一个关键区别——因为 V 是数据自适应选择的,π_V 的估计误差会通过归一化项传播到 Ψ_V 的估计中。

为什么这个最小内核能支撑整篇论文?

本文的一般设定(p 维暴露混合物、连续协变量、递归划分)只是上述最小问题的"加壳": - 从 1 个暴露到 p 个暴露:∆ᵢ(W) 的定义逐组分扩展,EIF 的结构不变; - 从二元 W 到连续 W:划分从"W=0 vs W=1"变为"W ≤ s vs W > s"的阈值搜索,再递归进行; - 从单层划分到递归划分:贪心算法逐层选择最优分裂,每层都调用一次上述推断程序。

一句话总结本文的数学内核:在连续暴露下,如何对"数据自适应选择的亚群"给出具有 √n 收敛速度和有效置信区间的效应差估计——其核心挑战在于将"亚群选择"与"效应估计"解耦,并通过影响函数实现一阶无偏性。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在连续暴露(环境混合物)下,如何数据自适应地识别效应修饰亚群(即"哪些人群对暴露减少最敏感"),并对亚群效应差给出有效的推断。
  2. 核心工具/方法:将随机干预(stochastic shift intervention)的 target parameter 与交叉验证的 TMLE(CV-TMLE)结合,先估计个体干预效应(IIE)及其影响函数(ICE),再用贪心递归划分算法搜索效应差异最大的协变量子区域,最后用交叉验证的 pooled TMLE 给出亚群效应差的估计和置信区间。
  3. 主要结论:模拟研究表明该方法在有限样本下具有较低的偏差和良好的覆盖率;NHES 数据分析发现年龄是 PCB 暴露(3,3',4,4',5-pcnb)对白细胞端粒长度效应的显著修饰因子,年轻人群对暴露减少的反应更敏感。

关键设定与假设

完整设定(在第二节最小记号基础上补全):

  • 数据:O = (W, A, Y) ~ P₀,n 个 i.i.d. 样本。W 为基线协变量(含潜在效应修饰因子),A 为 p 维连续暴露向量,Y 为结局。
  • NPSEM:W = f_W(U_W), A = f_A(W, U_A), Y = f_Y(W, A, U_Y)。
  • 目标参数(oracle): ψ* = sup_{Aᵢ∈A, V⊆W} { E[Y_{Aᵢ−δᵢ, A₋ᵢ} − Y | W∈V] − E[Y_{Aᵢ−δᵢ, A₋ᵢ} − Y | W∈V^c] } 其中 Y_{Aᵢ−δᵢ, A₋ᵢ} 是仅将第 i 个暴露组分移位 δᵢ 的潜在结局。

关键假设(作者明确列出):

  1. 无未测量混杂:Y_a ⊥ A | W,对所有 a 成立。
  2. positivity:存在 ε > 0 使得 g₀(Aᵢ−δᵢ|W) / g₀(Aᵢ|W) ≤ 1/ε 对所有 (A, W) 成立。
  3. 交叉验证的样本分割:K 折交叉验证,训练集用于估计 nuisance 和选择亚群,验证集用于估计效应。

相比已有文献的放宽/强化:

  • 放宽:不要求暴露是二元的(放宽了 meta-learners 的限制);不要求暴露-结局关系是线性的或参数化的(允许机器学习)。
  • 强化:要求暴露密度 g₀(A|W) 可估计(或可通过分类重参数化间接估计)——这是随机干预框架的固有要求,而 Kennedy (2019) 的增量倾向得分干预在这一点上更宽松。

主要结果

理论结果(从文中推断,作者未给出完整定理陈述):

  • 识别:在无混杂和 positivity 下,Ψ_V(P) 可由观测数据识别为: Ψ_V(P) = E[ I{W∈V}/π_V · (Q₀(Aᵢ−δᵢ, A₋ᵢ, W) − Q₀(Aᵢ, A₋ᵢ, W)) ]。
  • 效率:Ψ_V 的 EIF 如第二节所述,包含协变量偏移、替换和归一化三项。基于 EIF 的估计量是渐近线性的,收敛速度为 √n(当 nuisance 估计满足一定条件时)。
  • 推断:通过交叉验证,亚群选择的随机性被"外化"到训练集,验证集上的估计可视为固定亚群下的标准 TMLE,从而获得渐近正态性和有效置信区间。

模拟结果:

  • 二元修饰因子:所有样本量下均正确识别 W₃ 为修饰因子,准确率、精确率、召回率、F1 均为 1.0。
  • 连续修饰因子:识别性能随样本量提升而改善。n=300 时准确率 59.1%、精确率 18.9%、召回率 100%、F1 29.9%;n=5000 时准确率 99.9%、精确率 99.1%、召回率 99.1%、F1 99.1%。高召回率表明方法几乎不会漏掉真正的修饰亚群,但小样本下精确率低意味着存在较多假阳性。
  • 效应估计:偏差、方差、MSE 随样本量增大而减小;覆盖率在 n≥1000 时接近 0.95。作者声称 MSE 以 √n 速率下降,与理论预期一致。

NHANES 数据分析:

  • 数据:2001-2002 NHANES,1,007 名参与者,18 种 POPs 暴露,结局为白细胞端粒长度(LTL)。
  • 发现:3,3',4,4',5-pcnb(LBXPCBLA)在 100% 的交叉验证折中被识别为效应修饰暴露;年龄是稳定的修饰因子,分界点在 11-17 岁之间波动。
  • 效应:在年轻亚群中,暴露减少 1 个标准差导致 LTL 增加约 0.49(95% CI 未跨零);在年长亚群中效应较小(约 0.32)。两亚群差异的 z 统计量约 5.06,p < 0.001。

证明路线与技术技巧

整体路线(3-5 步逻辑主干):

  1. 定义 oracle target parameter:将"最大效应修饰"形式化为一个 sup 问题,其中每个候选 (Aᵢ, V) 对应一个可识别的统计参数 ψ_V。
  2. 建立 EIF 与一阶无偏估计:对固定的 (Aᵢ, V),推导 Ψ_V 和 Ψ_{V^c} 的 EIF,构造 TMLE 估计量。关键技巧是将 π_V 视为 nuisance 的一部分,在 EIF 中加入归一化修正项。
  3. 数据自适应选择:用训练集估计 IIE(∆̂ᵢₖ)和 ICE(ϕ̂ᵢₖ),通过贪心递归划分搜索使 |T_V| 最大的 V̂。选择标准是 t 统计量,而非单纯的效应差大小,以纳入方差考量。
  4. 交叉验证的推断:将选出的 V̂ 应用到验证集,用 pooled CV-TMLE 估计 Ψ_{V̂} 和 Ψ_{V̂^c},构造置信区间。交叉验证的关键作用是打破选择与估计之间的相关性,使得验证集上的估计可视为固定亚群下的标准推断。
  5. 聚合与解释:跨折汇总结果,报告每个暴露被选中的频率、亚群规则的稳定性、以及 pooled 效应估计。

关键技术技巧:

  • 密度比的重参数化:受 Díaz et al. (2023) 启发,将密度比 g(Aᵢ−δᵢ|W)/g(Aᵢ|W) 的估计转化为分类问题(第 3.7.2 节),避免直接估计条件密度。具体做法是构造增广数据集(原始 + 移位),训练分类器预测 Z=1(移位组)的概率,再用贝叶斯公式反推密度比。
  • EIF 中的归一化修正:标准 TMLE 的 EIF 只包含协变量偏移和替换两项;本文因为目标参数涉及 π_V 的归一化,EIF 中额外出现 (I{W∈V} − π_V)/π_V · Ψ_V 项。这一项在文中被明确写出(公式 8-9),是保证渐近无偏性的关键。
  • 贪心递归划分:算法 1 描述了一个标准的 CART 式递归划分,但分裂准则用的是 t 统计量而非均方误差。这确保了选出的亚群不仅在效应大小上有差异,而且在统计上可区分。
  • 交叉验证的"选择外化":这是本文方法论的灵魂——将"选哪个亚群"和"亚群效应是多少"放在不同的数据子集上,从而避免"数据窥探"(data snooping)导致的推断失效。

🔎 结论是否比证明窄

是,存在多处"证明窄于结论"的情况:

  1. 理论结果未完整陈述:文中没有给出正式的定理陈述(如 EIF 的推导、√n 一致性的条件、交叉验证估计量的渐近正态性证明),而是以"我们采用 CV-TMLE 框架,因此估计量是渐近线性的"这样的泛泛表述带过。对于一篇方法学论文,这属于明显的"结论宽于证明"。

  2. 模拟设定较简单:模拟中的效应修饰是"阶跃式"的(W₃ > 55 时效应突变),这与真实场景中效应随协变量平滑变化的情况有差距。作者在结论中声称方法"适用于复杂高维数据",但模拟未包含高维协变量(仅 3 个 W)或非线性效应。

  3. NHANES 分析的因果解释:作者在结论中写道"younger individuals are more susceptible to the adverse effects of PCB exposure",但该分析是横断面观察性研究,仅依赖无未测量混杂假设。作者未讨论未测量的混杂因素(如饮食、生活方式)可能如何影响这一结论。

  4. "oracle"性质未严格证明:作者声称方法能识别"最大效应修饰"亚群,但贪心递归划分只能保证找到局部最优的划分,而非全局最优的 V*。作者未讨论这一近似对推断有效性的影响。

  5. 交叉验证的 pooled 估计:作者将 K 折的估计简单平均(公式 14-15),但未讨论折间亚群不一致时的处理。如果不同折选出不同的 V_k,pooled 估计的语义是什么?作者未明确说明。


四、开放问题

以下开放问题均扎根于文中具体语句:

  1. EIF 的严格推导与正则条件:文中公式 (8)-(9) 给出了 EIF,但未给出推导过程,也未说明 nuisance 估计需要满足何种收敛速度条件才能保证 √n 一致性。扎根点:第 3.2 节"we employ the efficient influence function"一句之后直接跳到估计程序,未给出任何定理。要确认这是否为真 gap,可去读 van der Laan & Rose (2011) 中 CV-TMLE 的通用理论,看是否能直接套用。

  2. 高维协变量下的行为:模拟仅含 3 个协变量,但方法声称适用于高维数据。当 W 的维度远大于样本量时,贪心递归划分的搜索空间指数增长,t 统计量的分布可能严重偏离正态。扎根点:第 4 节模拟设计"three binary confounders";第 7 节结论"can be computationally intensive for very large datasets"(作者在讨论贝叶斯方法时说的话,但同样适用于本文的递归划分)。

  3. 亚群选择的不确定性:本文只报告了给定 V̂ 下的置信区间,但 V̂ 本身的选择不确定性未被量化。即使每个折内 V̂ 是固定的,跨折的 V̂ 波动也未被纳入最终推断。扎根点:第 3.5 节"These regions may vary across different folds"——作者承认了这一点,但未给出处理方案。

  4. 连续暴露下密度比估计的稳定性:第 3.7.2 节的分类重参数化在理论上优雅,但当暴露分布尾部稀疏时,分类器在移位区域的预测可能极不稳定。扎根点:第 3.7.2 节"we implement a reparameterization strategy inspired by the work of Díaz et al."——作者引用了 Díaz 的方法但未讨论其在高维或稀疏暴露下的失效模式。

  5. 多个暴露同时移位(joint shift)的扩展:本文对每个暴露 Aᵢ 单独施加移位,但环境政策通常同时减少多种暴露。扎根点:第 3.6 节"we construct matrices of IIEs ∆̂ and ICEs ϕ̂, where rows correspond to individuals i and columns correspond to exposures k"——作者只考虑了单暴露移位,未讨论联合移位。

  6. 未测量的效应修饰因子:如果存在未观测的 W* 同时影响暴露分配和结局,且与 W 中的变量交互,则无混杂假设可能被违反。扎根点:第 2 节"Exchangeability (No Unmeasured Confounding)"——作者仅陈述假设,未讨论其可检验性或敏感性分析。


给研究者的一句话提醒:若要确认上述某条是否为真 gap,建议去读以下 5 篇近期论文的引言部分——(1) Díaz et al. (2023) 的 longitudinal MTP 论文;(2) Zorzetto et al. (2024) 的 CDBMM 论文;(3) Wager & Athey (2018) 的 causal forest;(4) Kennedy (2019) 的 incremental propensity score 论文;(5) van der Laan et al. (2007) 的 Super Learner 论文。若这些论文的引言都指向同一个未解决问题(例如"亚群选择的不确定性量化"),那大概率是共识性 gap;若各说各话,则可能是尚未成型的碎片化机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论