📊 statistics

Partial Identification under High-Dimensional Potential Outcomes and Confounders via Optimal Transport

本文提出了一种用于高维因果设定下部分识别的新型估计量，该估计量通过将最优传输问题分解为一个低维信号子空间和一个高维残差子空间，克服了维度灾难，其中后者利用切片 Wasserstein 距离进行高效恢复，从而产生更紧密、更具信息量的因果边界。

原作者： Yunfeng Wang, Zhiheng Zhang, Zijun Gao

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yunfeng Wang, Zhiheng Zhang, Zijun Gao

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观： “缺失的拼图块”问题

想象你是一名侦探，正试图查明一种新药物的真实疗效。你拥有服用药物的患者和未服用药物的患者的数据。然而，这里有一个陷阱：对于每一位患者，你只能看到一种结果（是服用药物后的情况，还是如果不服药的情况），但两者无法同时观测到。

在统计学中，这被称为部分识别（Partial Identification）。你无法精准定位出确切的答案（即“点识别”），但你可以画出一个包含所有可能答案的方框。目标是让这个方盒尽可能地小且紧凑，从而使你的决策更加精确。

为了让这个方框更紧凑，你会观察其他影响因素（如年龄、体重或血压），这些因素被称为混杂因素（Confounders）。如果你能将非常相似的患者进行分组，你就能获得更好的估计。

问题所在：“高维”陷阱

该论文指出，现代数据通常是**高维（High-dimensional）**的。想象一下，你不仅要看年龄和体重，还要观察 30 个不同的健康指标，甚至是数千个基因标记。

当你试图在 30 或 100 个维度上比较患者时，标准的数学工具就会失效。这就像是在一个拥有 1,000 个维度而非 2 个维度的地图上寻找两座城市之间的最短路径。数学计算会变得极其复杂且沉重，导致结果变得毫无意义或极度不准确。这就是所谓的“维度之咒”。

现有的方法试图通过忽略大部分数据来解决这个问题。它们会说：“我们只看最重要的 5 个因素，把剩下的全部扔掉。”

类比： 想象你正在尝试估算一个行李箱的总重量。你称量了沉重的书（“信号”），但决定忽略衣服、袜子和洗漱用品（“残差”），因为它们实在太多了。你得到了一个数字，但这个数字肯定偏低，因为你扔掉了大量的重量。

解决方案：“信号与切片”法 (CSS)

作者提出了一种名为**条件子空间切片法（Conditioned Subspace–Slicing, CSS）**的新方法。该方法并不直接扔掉“剩余”数据，而是通过一种巧妙的方式在不进行不可能的复杂运算的情况下对其进行加权。

其工作原理分为两个步骤：

1. 信号子空间（沉重的书）

首先，该方法识别出两组人群（用药组 vs 不用药组）之间出现最大差异的少数几个维度。

类比： 你找到了行李箱里沉重的书，并精确地称量了它们。这就是“信号”。

2. 切片残差（衣服）

这是本文的创新之处。他们并没有忽略衣服（“残差”），而是使用了一种名为**切片 Wasserstein 距离（Sliced Wasserstein Distance）**的技术。

类比： 想象你无法一次性称量整堆衣服。于是，你拿出一把刀，将行李箱切成薄薄的一维条状（就像切面包片一样）。你单独称量每一片。
为什么有效： 即使行李箱很大，称量单个切片也是简单且快速的。通过对所有这些随机切片的重量进行平均，你可以得到一个非常接近真实的衣服总重量的估计值。
结果： 你将书的精确重量（信号）加上估计出的衣服重量（残差）。

为什么这种方法更好

论文在数学上证明了这种新方法具有以下特性：

有效性（Valid）： 它绝不会高估效应。它始终提供一个“安全的下界”（一个保证真实的保守估计）。
更紧凑（Tighter）： 由于它找回了其他方法丢弃的“衣服”（残差数据）的重量，最终得到的可能答案的范围（方框）更小，也更具信息量。
高效（Efficient）： 它不需要超级计算机。这种“切片”技巧使得数学运算足够快，能够处理高维数据。

“尖峰”假设

该方法在作者称为**扩展尖峰传输模型（Extended Spiked Transport Model）**的特定条件下表现最佳。

类比： 想象行李箱大部分是空的，但里面有几个非常密集、沉重的物体（信号）和大量分布均匀的蓬松棉花（残差）。
如果“蓬松的棉花”分布得非常均匀（各向同性），那么“切片”方法就能完美地估算其重量。论文表明，在许多现实场景中，那些“噪声”或剩余数据表现得就像这种蓬松的棉花，这使得该方法非常有效。

结果总结

作者通过以下方式测试了该方法：

模拟数据： 他们创建了一个已知确切答案的场景。新方法（CSS）比旧方法（仅查看前 5 个因素的方法）更接近真实答案。
真实数据： 他们使用了关于心脏导管术的医疗数据集。即使不知道“真实”答案，新方法产生的可能性范围也比旧方法更紧凑、更有用。

简而言之： 这篇论文为解决高维数据中的复杂因果问题提供了一个新工具。它不再忽略那些混乱、复杂的部分，而是利用“切片”技巧高效地估算它们，从而得出更精确、更可靠的答案。

技术摘要：通过最优传输实现高维潜在结果与混杂因素下的部分识别

1. 问题陈述

本文探讨了在潜在结果（potential outcomes）与混杂因素（confounders）均为高维的情况下，因果推断中**部分识别（partial identification, PI）所面临的挑战。在许多因果设定中，由于观测数据无法确定潜在结果的联合分布，点识别（point identification）是无法实现的。虽然基于协变量的预处理可以收紧可行的因果效应集合（即 PI 集），但现有的基于最优传输（Optimal Transport, OT）**的方法在高维机制下表现不佳。

具体而言，经典的基于 OT 的界限受制于维度诅咒（curse of dimensionality），导致估计结果统计不稳定且收敛速率不理想。现有的协变量辅助 PI 框架通常面临以下权衡：

**粗糙的分层（Coarse stratification）**会导致过于保守的界限。
**直接插件式估计（Direct plug-in estimation）**条件 Wasserstein 距离在计算上极其昂贵，且在统计上非常脆弱。
仅投影法（Projection-only methods）（例如 Wasserstein 投影追求法，Wasserstein Projection Pursuit）会丢弃残差信息，当正交补空间中存在不可忽视的传输差异时，会导致系统性偏低的下界。

核心问题在于构建一个维度自适应且统计稳定的传输量，该量作为高维环境下二次 Wasserstein 距离的有效下界，且不牺牲理论有效性。

2. 方法论：条件子空间切片（Conditioned Subspace–Slicing, CSS）

作者提出了一种名为**条件子空间切片（CSS）**证书的新型估计器。该方法将传输问题分解为两个组成部分：低维信号子空间与高维残差子空间。

2.1 CSS 目标函数

对于一个候选的 $r$ 维子空间 $V$ 及其正交补空间 $V^\perp$ ，CSS 目标函数 $L(V)$ 定义为：
$L(V) = W_2^2(\mu_V, \nu_V) + k \cdot SW_2^2(\mu_{V^\perp}, \nu_{V^\perp})$
其中：

$W_2^2(\mu_V, \nu_V)$ 是投影后的信号子空间 $V$ 上的平方二次 Wasserstein 距离。
$SW_2^2(\mu_{V^\perp}, \nu_{V^\perp})$ 是残差子空间 $V^\perp$ 上的切片 Wasserstein 距离（Sliced Wasserstein distance）。
$k = d - r$ 是缩放因子（残差空间的维度）。

2.2 理论依据

有效性（Validity）： 定理 3.1 证明了 $L(V)$ 是真实平方 Wasserstein 距离 $W_2^2(\mu, \nu)$ 的一个有效下界。通过 $k$ 进行缩放至关重要；若不进行缩放，切片项会随 $d^{-1}$ 衰减并变得无意义。通过缩放，它能够实现对残差传输能量的认证恢复。
紧致性（Tightness）： 在**扩展尖峰传输模型（Extended Spiked Transport Model, ESTM）下（即传输能量集中在低维信号子空间，而残差近似为各向同性），CSS 界限是近乎紧致的。真实距离与该界限之间的差距由单一的残差各向异性缺陷（residual anisotropy deficit）**决定。
子空间稳定性（Subspace Stability）： 定理 3.6 表明，在 ESTM 条件下，只要信号与残差成分之间存在足够的特征值间隙（eigengap），最大化 CSS 目标函数的子空间将保持接近真实的信号子空间。

2.3 估计算法

提出的插件式估计器（算法 1）遵循两阶段策略：

信号恢复： 使用 Wasserstein 投影追求法（WPP） 寻找最优的 $r$ 维子空间 $\hat{U}$ ，以最大化投影后的 Wasserstein 距离。
残差恢复： 通过对随机的一维投影进行蒙特卡洛采样，计算正交补空间 $\hat{U}^\perp$ 上的切片 Wasserstein 距离。
聚合： 将信号项与缩放后的残差项结合，形成最终的下界。

3. 主要贡献

本文做出了三个主要贡献：

一个认证下界： 它引入了用于二次 Wasserstein 距离的 CSS 下界，这提供了一个维度自适应的部分识别区域。它能产生高维环境下经过认证的条件及无条件传输下界。
结构化理论： 它形式化了扩展尖峰传输模型（ESTM），在该模型下 CSS 界限是近乎紧致的，且最优子空间可通过 WPP 识别。它确立了近似差距受控于残差传输的各向异性。
有限样本保证： 它提供了 CSS 估计器的非渐近误差界限。这些界限随**内在维度（intrinsic dimension/信号秩）**而非环境维度缩放，确保了统计上的可处理性。其误差分析将信号项的内在维度速率与切片残差项的参数化速率进行了分离。

4. 实验结果

作者将 CSS 估计器与 WPP（仅投影法）以及 全空间切片 Wasserstein（Full Sliced Wasserstein，在整个环境空间上取平均）基准进行了对比评估。

合成数据：
- 在高斯推前（Gaussian pushforward）设置下（ $d=30$ ，信号秩 $r=5$ ），CSS 估计器比 WPP 更一致地接近真实值 $W_2^2$ 。
- WPP 因丢弃了残差能量而低估了距离；而 Full Sliced 基准由于在全空间随机方向上取平均，也低估了距离。
- 即使在残差各向异性参数增加时，CSS 也能通过缩放后的切片项成功恢复“丢失”的传输能量。
- 有限样本分析显示，子空间恢复误差随样本量 $n$ 一致下降，证明了其稳定性。
真实数据（RHC 数据集）：
- 应用于具有 27 维结果向量的右心导管造影数据集。
- 在各种子空间维度下，CSS 比 WPP 生成了更高（更具信息量）的留出样本下界证书（held-out lower certificates）。
- CSS 与 WPP 之间的差距在较小维度处最为显著，因为此时正交补空间中仍保留了更多的结果变异。
- 两种方法都优于全量缩放切片 Wasserstein 基准，这凸显了学习任务自适应信号子空间的重要性。

5. 重要性与主张

本文声称提供了一个模块化的、维度自适应的几何原语，可以集成到现有的协变量辅助部分识别框架中。

互补性： 本研究与之前的基于 OT 的 PI 研究（如 Ji 等人，2024；Lin 等人，2025）具有互补性。虽然之前的研究侧重于推断鲁棒性、松弛紧致性和拓扑一致性，但本文解决了高维传输估计中的统计瓶颈问题。
“免费午餐”： 作者将该方法描述为一个有原则的“免费午餐”：它用低维 OT 与廉价的切片计算的组合，取代了高维传输问题。在温和的条件（残差各向同性）下，这种方法可以在不放宽界限的前提下，恢复完整的传输能量。
鲁棒性： 该方法为仅投影策略（会系统性丢弃残差信息）以及直接的高维估计（统计上不稳定）提供了一个鲁棒的替代方案。

文章总结道，CSS 估计器有效地在信号尺度上弥合了总体差距，并以极小的有限样本开销，为无法实现点识别的高维因果推断提供了一个鲁棒的原语。