Chapter 3 summary

以下是 Chapter 3 "Observational Studies" 的核心内容总结，包含所有重点、Technical Points 和 Fine Points 的结论，严格使用 Markdown 的 LaTeX 公式格式。中英双语呈现：

---

核心概念总结

1. 观察性研究 vs. 随机实验

• 关键区别：观察性研究中治疗分配非随机，需依赖可识别性条件（identifiability conditions）估计因果效应。
  数学表达：

  $$\text{因果风险比} = \frac{\Pr[Y^{a=1}=1]}{\Pr[Y^{a=0}=1]} \quad \text{需满足可识别性条件}$$

• 挑战：混杂（confounding）可能使关联不等于因果效应（例：天空注视研究中雷声混杂）。

2. 可识别性条件 (Identifiability Conditions)

观察性研究需满足三个条件才能估计因果效应：

1. 一致性 (Consistency)

   • 反事实结果 $Y^a$ 需明确定义，且观测结果满足 $Y = Y^a$ 当 $A = a$。
   • 要求：干预 $a$ 必须明确定义（如心脏移植手术的详细协议）。
   • 问题：模糊干预（如"减肥"）无法明确定义 $Y^a$。

2. 可交换性 (Exchangeability)

   • 条件可交换性：给定协变量 $L$，治疗组与对照组可交换。

     $$Y^a \perp\!\!\!\perp A \mid L \quad \text{(关键条件)}$$

   • 挑战：未测混杂 $U$ 可能导致 $Y^a \not\perp\!\!\!\perp A \mid L$（如吸烟状态未测量）。
   • 验证：不可直接检验，依赖领域知识选择足够 $L$。

3. 正值性 (Positivity)

   • 所有 $L$ 层中，各治疗组概率为正：

     $$\Pr[A=a \mid L=l] > 0 \quad \text{对所有} \ l \ \text{满足} \ \Pr[L=l] \neq 0$$

   • 违反后果：若某 $L$ 层无治疗组，则无法外推反事实结果（如危重患者 $L=1$ 未接受移植）。

---

Technical Points 结论

Technical Point 3.1: 正值性对标准化与 IP 加权的影响

• 标准化均值：需 $\Pr[A=a \mid L=l] > 0$ 对所有 $l$ 成立，否则未定义。
• IP 加权均值：

  $$E\left[\frac{I(A=a)Y}{f[A \mid L]}\right] \ \text{恒有定义，但当正值性不成立时，其估计的是} \ E[Y^a \mid L \in Q(a)]\Pr[L \in Q(a)]$$

  其中 $Q(a) = \{l: \Pr(A=a \mid L=l)>0\}$。若 $Q(1) \neq Q(0)$，因果对比无意义。

---

Fine Points 结论

Fine Point 3.1: 因果效应的可识别性

• 可识别性定义：若假设能唯一确定因果效应量，则效应可识别。
• 观察性研究：需外部假设（如 $Y^a \perp\!\!\!\perp A \mid L$）补充数据，否则效应可能偏离真实值（如未测混杂导致偏倚）。

Fine Point 3.2: 交叉随机实验

• 假设：无残留效应、个体效应不随时间变化。
• 随机分配顺序：若处理无残留效应，可估计平均因果效应 $E[\alpha_i]$。

Fine Point 3.3: 状态与干预

• 问题：状态（如肥胖）作为"处理"时反事实结果 $Y^a$ 定义模糊（因干预方式未指定）。
• 解决方案：明确定义干预（如"通过运动减重 5kg"）。

Fine Point 3.4: 协议歧义

• 影响：若协议未规定治疗细节（如外科医生经验），则 $\Pr[Y^a=1]$ 因治疗版本差异而变化。
• 建议：在务实试验（pragmatic trials）中允许现实世界变异。

Fine Point 3.5: 可能世界理论

• Lewis 反事实理论：$Y^a$ 定义为最接近现实世界中个体接受 $a$ 的结果，故当 $A=a$ 时 $Y^a=Y$ 恒成立。
• 局限：依赖"最接近世界"概念仍模糊；Robin & Greenland 主张用明确定义的干预替代。

Fine Point 3.6: 归因分数

• 超额分数 (Excess Fraction)：

  $$\frac{\Pr[Y=1] - \Pr[Y^{a=0}=1]}{\Pr[Y=1]} \quad \text{(可观察数据计算)}$$

  表示可归因于暴露的病例比例（如食用仙馐致病的比例）。
• 病因分数 (Etiologic Fraction)：需强假设估计暴露直接致病的比例。

---

关键方法论：目标试验框架 (Target Trial)

核心思想

• 观察性分析应模仿目标随机试验的协议：
  1. 合格标准 (Eligibility)
  2. 干预细节 (Intervention protocols)
  3. 结局指标 (Outcome)
  4. 随访时间 (Follow-up)
  5. 因果对比 (Causal contrast)

作用

• 解决一致性问题：明确反事实 $Y^a$ 的定义（如"心脏移植+术后免疫抑制"）。
• 提高可交换性：指导选择协变量 $L$ 以模拟条件随机化。
• 避免空想因果：如"减肥效应"需指定具体干预（如"每年减 BMI 5%"）。

数学保障

若可识别性条件成立，则：

• IP 加权 或 标准化 可估计因果效应：

  $$\Pr[Y^a=1] = \sum_l \Pr[Y=1 \mid A=a, L=l] \Pr[L=l]$$

  或

  $$\Pr[Y^a=1] = E\left[\frac{I(A=a)Y}{\Pr[A=a \mid L]}\right]$$

---

中英术语对照

英文	中文
Observational Study	观察性研究
Identifiability Conditions	可识别性条件
Consistency	一致性
Exchangeability	可交换性
Positivity	正值性
Counterfactual Outcome ($Y^a$)	反事实结果
Target Trial	目标试验
Confounding	混杂

---

此总结严格覆盖原文所有核心内容、技术细节及案例，数学公式符合 LaTeX 标准格式，关键术语中英对照。