📊 statistics

Weighted Extensions of the Kolmogorov-Smirnov, Cramer-von Mises, and Anderson-Darling Tests for Assessing Covariate Balance

本文将 Kolmogorov-Smirnov、Cramer-von Mises 和 Anderson-Darling 检验扩展到适用于因果推断中协变量平衡评估的加权数据，并通过模拟实验证明这些加权版本能够维持有效的第一类错误控制，并保持其各自针对不同差异类型的统计功效优势，同时推荐将 Anderson-Darling 检验作为一种稳健的通用默认方法。

原作者： Ariel Linden

发布于 2026-07-27

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ariel Linden

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

想象一下你是一名正在试图破解谜团的侦探：一种新药到底真的起作用了，还是仅仅因为患者原本就比较健康？在科学领域，这被称为“因果推断”。为了确保万无一失，你需要比较两组人群：接受治疗的人和未接受治疗的人。如果这两组人完美匹配——就像身高、体重和年龄都相同的双胞胎一样——那么之后健康的任何差异都可以归功于药物。但在现实生活中，我们并不总能进行那种可以随机分配人员的完美实验。相反，科学家经常使用一种聪明的技巧，叫做“加权”。把它想象成杂货店里的电子秤。如果“治疗组”里有太多重的人，而“对照组”里有太多轻的人，科学家就会给每个人分配一个“权重”。一个在重组里很轻的人会获得一个很大的权重（就像一个沉重的配重块）来平衡天平，而一个在轻组里很重的人则会获得一个极小的权重。这种做法在数学上强制让两组看起来是平衡的。

但这里有一个棘手之处：仅仅因为“平均”重量看起来相同，并不意味着两组是真正完全一致的。想象两个装满弹珠的袋子。一个袋子里有十个1磅重的弹珠。另一个袋子里有五个1磅重的弹珠和五个2磅重的弹珠。如果你只看平均值，它们看起来可能很相似，但重量的“分布”是完全不同的。科学家需要检查整个数据的形状是否匹配，而不只是平均值。多年来，他们一直拥有检查这些工具的方法，但当你尝试将这些工具用于这些“加权”后的弹珠袋时，这些工具就失效了。它们无法处理这些数字化的计数器权重。这篇论文正是关于修复这些工具，使它们即使在数据经过权重调整后也能完美运行。

本文介绍了三个经典的“平衡性检验”的升级版本，它们可以处理这些加权数据。由 Ariel Linden 领导的作者们采用了三种著名的统计方法——柯尔莫哥洛夫-斯米尔诺夫检验 (KS)、安德森-达林检验 (AD) 和克拉默-冯·米塞斯检验 (CVM) ——并教会了它们如何读取权重。他们不仅仅是在靠猜测，而是构建了一种全新的、通用的“洗牌”方法。想象你有一副扑克牌，其中一些牌上面贴着沉重的贴纸。与其试图弄清楚为什么会有这些贴纸，不如直接通过重新洗牌标签（谁属于哪一组）的方法，同时保持卡牌本身及其贴纸的位置不变。通过进行成千上万次的这种操作，他们可以观察到所看到的差异是真实的，还是仅仅是偶然的巧合。

研究人员通过大规模计算机模拟测试了这些新工具。他们创建了四种不同的场景来观察工具的表现。首先，他们检查了当两组实际上完全一致时，工具是否会产生误报（第一类错误）。结果非常出色：所有三种工具都非常接近 5% 的正确误差率，这意味着当没有狼出现时，它们不会虚报狼来了。

然后，他们针对两组之间三种不同类型的“不匹配”情况测试了工具：

中心不匹配： 想象两组在各处都完全相同，唯独在正中间不同，就像两群人，其中一群人的中间部分都穿着红衬衫，而另一群人穿着蓝衬衫。在这种情况下，柯尔莫哥洛夫-斯米尔诺夫 (KS) 检验是明显的赢家。它就像一个只寻找单一最大差距的侦探；它比其他任何人都更快地发现了中间的不匹配。
尾部不匹配： 想象两组在中间部分是相同的，但“极端”的人（非常高或非常矮的人）是不同的。这就像一组里有几个巨人，而另一组里有几个侏儒。在这种情况下，安德森-达林 (AD) 检验表现得极其出色。它就像一个特别关注房间边缘的侦探。KS 检验几乎察觉不到这个问题。
弥散性不匹配： 想象两组在各处都有轻微的不同，比如一组整体上比另一组稍微高一点。在这种情况下，AD 和 CVM 检验都表现得非常好，且表现几乎持平，而 KS 检验则显得落后。

论文还研究了当“权重”本身非常混乱且变化很大（模拟现实世界中某些人获得巨大权重而其他人获得极小权重的真实数据）时会发生什么。即便在这种混乱状态下，这些工具依然能够应对。AD 检验仍然是识别尾部问题的最佳工具，而 KS 检验仍然是识别中心问题的最佳工具。

那么，对于科学家来说，结论是什么呢？如果你怀疑组间差异出现在正中间，请使用 KS 检验。如果你担心极端情况（尾部），AD 检验是你最好的帮手。如果你不确定差异可能出现在哪里，或者你认为差异是遍布各处的，那么 AD 检验是一个安全、可靠的“默认”选择，它在几乎所有情况下都表现良好，且往往优于其他工具。作者甚至将这些工具内置到了软件命令中（用于程序 Stata），以便其他研究人员可以立即使用。

简而言之，这篇论文不仅发明了新工具，还修复了那些无法处理现实科学产生的混乱加权数据的旧工具。它证实了虽然没有任何一种工具能完美胜任所有工作，但安德森-达林检验是检查两组是否真正平衡的最全能“全才”，尤其是当你担心极端情况时。

技术摘要：用于协变量平衡的分布拟合优度检验的加权扩展

问题陈述
评估协变量平衡是因果推断中的一个基本诊断步骤，旨在支持“未观测到的特征不会显著干扰估计的治疗效应”这一假设。虽然平衡通常通过事后调整（如倾向评分加权、熵平衡或分层法）来实现，但目前的诊断实践过度依赖于汇总指标，如标准化均值差（SMD）和方差比。这些汇总统计量具有一个关键局限性：它们仅针对协变量分布中的特定点（例如均值或方差）进行目标化，本质上无法检测出那些不会影响这些特定矩的偏度、质量位置或尾部行为的变化。

基于经验累积分布函数（ECDF）的分布拟合优度检验——具体包括 Kolmogorov–Smirnov (KS)、Cramér–von Mises (CVM) 和 Anderson–Darling (AD) 检验——通过比较整个分布，提供了一种更全面的替代方案。然而，在此项工作之前，这些检验仅适用于未加权数据。这一差距阻碍了它们在分布平衡最为关键的场景中的应用：即旨在使处理组与对照组趋于一致的加权分析。

方法论
本文将 KS、CVM 和 AD 检验扩展到了能够容纳任何来源的个案权重。其核心方法论创新在于一种统一的标签置换推断程序，该程序将观测值的权重视为一个固定的属性，而非与特定估计机制相关的量。这种方法不对权重的生成方式做任何假设，使得这些检验可以应用于任何加权方案（如逆概率加权、熵平衡），而无需修改。

加权统计量定义如下：

加权 KS ( $D^w$ )： 两组加权 ECDF 之间的最大绝对垂直距离。
加权 CVM ( $CVM^w$ )： 不同取值处加权 ECDF 之间平方差异之和，不进行方差标准化。
加权 AD ( $AD^w$ )： 在零假设下的方差进行标准化后的平方差异之和。至关重要的是，方差项中的样本量 $N$ 被 Kish 有效样本量 ( $n_e$ ) 所取代，以反映加权样本的信息含量。结（tie）乘数仍保持为共享同一数值的原始观测计数。

推断通过标签置换进行：在保持每个观测值的数值和权重固定的前提下，在 $N$ 个观测值之间随机重新分配组别标签。 $p$ 值由超过观测统计量的置换统计量比例得出。

模拟研究设计
本研究通过模拟实验评估了已知在未加权情况下具有优势的检验是否在加权条件下依然存在。研究构建了四种情景：

零假设（Null）： 无差异（用于评估第一类错误）。
中心位置差异（Centrally Located Discrepancy）： 局限于四分位距内的偏移。
尾部位置差异（Tail-Located Discrepancy）： 局限于极端尾部的偏移。
弥散性差异（Diffuse Discrepancy）： 整个分布范围内的均匀偏移。

研究改变了样本量（ $n = 1,000$ 至 $4,000$）和权重变异性（目标 Kish 有效样本量比率 $r_e = 0.6$ ，敏感性检查范围为 $0.2 $至$ 0.9$）。

主要结果

第一类错误控制： 在所有样本量以及显著的权重变异下，三种加权检验均能将第一类错误控制在名义 5% 水平附近。这证实了共享的标签置换程序有效地校准了零分布，而无需对权重生成机制做任何假设。
中心位置差异： KS 检验表现出最高的功效，显著优于 AD 和 CVM。这符合理论预期，即 KS 对单个、局部的大规模偏差最为敏感。
尾部位置差异： AD 检验表现出压倒性的最高功效，显著优于 KS 和 CVM。KS 和 CVM 的表现接近其第一类错误率，未能检测到尾部差异。这证实了 AD 由于其方差标准化项而对尾部偏差具有敏感性。
弥散性差异： AD 和 CVM 表现相当，且均显著优于 KS。尽管与“CVM 在弥散性差异中具有独特优越性”的理论预期相反，但在中大规模样本下，AD 对 CVM 保持了适度的、具有统计学意义的领先优势。
权重变异性敏感性： 检验的相对性能排序在广泛的权重变异范围（ $r_e$ 从 $0.2 $到$ 0.9 $）内保持稳定。在最极端的变异情况下（$ r_e = 0.2$），三种检验均显示出轻微的第一类错误上升（约 6.4–6.7%），但相对性能排名保持一致。

应用实例
本方法被应用于一项使用逆概率加权的健康教练干预措施的准实验评估。对 BMI 平衡性的评估得出了分歧的结论：AD 检验检测到了显著的残余差异（ $p = .018$ ），而 CVM 具有提示性（ $p = .079$ ），KS 则不显著（ $p = .123$ ）。通过对加权 ECDF 的视觉观察发现，差异表现为在一定 BMI 范围内持续且渐进的偏离，而非单一的尖锐缺口，这解释了为什么对全分布敏感的 AD 能够检测到失衡，而 KS 则不能。

意义与主张
本文做出了两个主要贡献：

方法论扩展： 它提供了首次加权的 KS、CVM 和 AD 检验的推广形式，使其可用于常规的加权因果推断研究中的协变量平衡评估。
推断框架： 它建立了一个适用于任何加权方案的单一、无假设的标签置换推断程序。

作者得出结论，这些检验在未加权时的已知比较优势在加权后得以保留。因此，他们建议将 Anderson–Darling 作为常规协变量平衡评估的合理通用默认工具，因为它在不同类型的差异下表现稳健，并且在处理尾部位置差异（这是倾向评分加权中的常见担忧）方面具有压倒性优势。然而，他们也指出，如果特别怀疑存在中心集中的失衡，Kolmogorov–Smirnov 仍具有明显的优势。论文建议，报告多种检验（例如同时报告 AD 和 KS）是防范单一统计量盲点的审慎策略。

作者对其研究范围保持谦逊，指出模拟使用了正态基分布，并且对于弥散性差异（其中 AD 和 CVM 表现相当）的比较排序，仍需进一步研究其底层机制。他们并非声称已证明这些检验在所有可能的加权方案或分布形状下均有效，而是展示了其在特定模拟条件下的连贯性。

技术摘要：用于协变量平衡的分布拟合优度检验的加权扩展

类似论文