Causal Survival Forests with Negative Controls¶

会议: NeurIPS 2026
arXiv: 2608.19749
OpenReview: https://openreview.net/forum?id=IDeaI3k5kC
代码: https://github.com/py-why/EconML
领域: 因果推理
关键词: 负控制变量, 因果生存森林, 未观测混杂, 限制平均生存时间, 近端因果推断

一句话总结¶

将近端因果推断的负控制变量机制与因果生存森林相结合，提出了负控制因果生存森林（NC-CSF），通过奈曼正交化残差构造在存在右删失和未观测混杂的情境下稳健估计异质性因果生存效应。

研究背景与动机¶

在临床医学、生物统计和公共卫生等观测性生存分析研究中，事件发生时间（time-to-event）结果普遍伴随着右删失（right-censoring）现象。随着精准医疗与异质性分析的兴起，研究者迫切需要评估条件平均处理效应（CATE）如何在不同协变量定义的亚组之间变化。因果生存森林（Causal Survival Forests, CSF）等非参数机器学习算法应运而生，能够灵活拟合生存数据中的异质性处理效应。

然而，现存绝大多数因果生存森林及机器学习生存推断方法均建立在条件可忽略性假设（无未观测混杂）之上。在真实的临床与流行病学观测数据中，关键的混杂因素（例如未记录的潜在疾病严重程度、患者隐性偏好或生活习惯）往往难以全面采集。一旦存在未观测混杂，传统的因果生存森林估计量将产生严重的混杂偏差，导致推断失效与错误的医疗决策。

近端因果推断（Proximal Causal Inference）通过引入负控制处理（negative-control treatments, $Z$）与负控制结果（negative-control outcomes, $W$）作为未观测混杂的代理变量，为消除潜在混杂偏差提供了极具吸引力的理论框架。然而，现有负控制生存推断方法主要局限于群体平均处理效应（ATE）或依赖严苛的参数化生存模型，缺乏针对异质性因果效应的非参数估计能力。本文的核心 idea 是将近端因果推断的负控制桥函数与因果生存森林相结合，利用奈曼正交化（Neyman Orthogonalization）构建抵御删失与潜在混杂的正交化残差损失，实现对异质性因果生存效应的非参数森林估计与稳健局部推断。

方法详解¶

整体框架¶

NC-CSF 旨在同时应对观测生存数据中的双重挑战：右删失与未观测混杂。系统假设存在负控制处理变量 $Z$（与潜在混杂相关，但在给定混杂与基线协变量下独立于潜在生存时间与删失）以及负控制结果变量 $W$（与潜在混杂相关，但在给定混杂与基线协变量下不受真实处理与负控制处理的影响）。整体流程采用样本交叉拟合（Cross-fitting）策略：首先在训练折上拟合删失分布、臂特异性生存分布以及处理和结果桥函数；随后在测试折上构建奈曼正交化的处理残差与删失修正结果残差；最后利用残差化目标驱动因果森林进行递归节点分裂与叶节点效应拟合。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入数据<br/>基线协变量 X、代理变量 W 与 Z、处理 A、时间 Y、事件指示 Δ"] --> B["阶段 1：可观测条件矩桥函数求解<br/>拟合处理桥 q(Z,X) 与逆删失加权结果桥 f_a(W,X)"]
    B --> C["阶段 2：删失分布与事件生存模型拟合<br/>基于 Cox 模型估计删失风险 Λ_C、生存函数 S_C 及延拓项 ρ_a"]
    C --> D["阶段 3：奈曼正交化残差构造<br/>构建桥调整处理残差 A_res 与删失稳健结果残差 Y_res"]
    D --> E["阶段 4：因果生存森林训练与亚组推断<br/>基于加权残差平方损失最小化训练 EconML CausalForestDML"]
    E --> F["输出：异质性因果生存效应预测<br/>限制平均生存时间 RMST / t时刻生存概率"]

关键设计¶

1. 可观测条件矩桥函数求解：利用负控制代理变量消除未观测混杂

直接基于未观测混杂变量 $U$ 建立桥函数关系在现实中不可行。NC-CSF 利用代理变量的条件独立性条件 $(A, Z) \perp (T(a), C(a), W) \mid (U, X)$，将潜变量桥函数转化为完全基于可观测数据的无偏条件矩方程。处理桥函数 $q(Z, X)$ 和结果桥函数 $f_a(W, X)$ 满足： $$ \mathbb{E}[A - q(Z, X) \mid X, W] = 0, \quad \mathbb{E}[G(a; h) - f_a(W, X) \mid X, Z, A = a] = 0 $$ 其中 $G(a; h)$ 表示关注的目标生存泛函（如限制平均生存时间 RMST：$\min\{T(a), h\}$，或 $h$ 截断生存概率：$\mathbf{1}\{T(a) > h\}$）。在存在右删失时，$G(a; h)$ 可能不可见，算法引入逆删失概率加权（IPCW）构造伪结果 $\widetilde{Y}^{\mathrm{bridge}}$ 来拟合结果桥。在实现中，处理桥采用带有极值截断（$\epsilon_q$ clipping）的 Logistic 回归拟合，结果桥则采用 ExtraTrees 随机森林回归拟合，保证了非线性代理映射下的鲁棒性。

2. 删失稳健与潜在混杂修正的双重残差化：奈曼正交化保障

为了使第二阶段的随机森林对第一阶段冗余函数（nuisance functions）的估计误差具备局部正交性（即一阶变分在真值处期望为零），NC-CSF 提出了创新的残差构造机制。处理残差直接由处理变量减去处理桥预测得到：$A_i^{\mathrm{res}} = A_i - \widehat{q}(Z_i, X_i)$，满足条件均值 $\mathbb{E}[A_i^{\mathrm{res}} \mid X_i, U_i] = 0$。而结果残差 $Y_i^{\mathrm{res}}$ 则将桥边际均值 $\widehat{m}_i = \widehat{q}_i \widehat{f}_{1,i} + (1 - \widehat{q}_i) \widehat{f}_{0,i}$ 融入三项删失稳健评分： $$ Y_i^{\mathrm{res}} = \frac{\widetilde{\Delta}_i^{(h)}\bigl(G_i(h) - \widehat{m}_i\bigr) + \bigl(1 - \widetilde{\Delta}i^{(h)}\bigr)\bigl(\widehat{\rho}{\widehat{S}(\widetilde{Y}_i^{(h)}, X_i; h) - \widehat{m}_i\bigr)_C(\widetilde{Y}_i^{(h)} \mid X_i, W_i, _i, A_i)} - \int_{0}^{\widetilde{Y}_i^{(h)}} \frac{d\widehat{\Lambda}_C(t \md X_i, W_i, Z_i, A_i)}{\widehat{S}_C(t \mid X_i, Wi, Z_i, A_i)} \bigl(\widehat{\rho}_{A_i}(t, X_i; h) - \widehat{m}_i\bigr) dt $$ 其中 $\widehat{\rho}_a(t, X; h)$ 是受试者生存至时刻 $t$ 后预期生存结果的延拓估计。由于该正交评分对删失鞅积分与混杂桥扰动均具备零一阶漂移性质，第一阶段冗余估计只需满足收敛速度 $o_p(n^{-1/4})$，即可保证下游因果森林估计量的二阶稳健性与渐近正态性。

3. 因果生存森林训练与亚组效应推断：最小化加权残差损失

在得到交叉拟合的正交残差对 $(A_i^{\mathrm{res}}, Y_i^{\mathrm{res}})$ 后，算法在增强特征向量 $X_i^{\mathrm{final}} = [X_i, W_i, Z_i, \widehat{q}_i, \widehat{f}_{1,i}, \widehat{f}_{0,i}, \widehat{m}_i, \widehat{S}_{1,i}(h), \widehat{S}_{0,i}(h), \widehat{S}_{1,i}(h) - \widehat{S}_{0,i}(h)]$ 上拟合因果森林。树分裂与叶节点估计最小化残差损失： $$ \ell^{\mathrm{NC\text{-}CSF}} = \sum_{i=1}^n \left(Y_i^{\mathrm{res}} - \tau(X_i) A_i^{\mathrm{res}}\right)^2 $$ 理论证明该损失函数无偏识别的泛函为方差加权因果效应 $\tau^w(x) = \frac{\mathbb{E}[(A_i - q(Z_i, X_i))^2 \tau(X_i, U_i) \mid X_i = x]}{\mathbb{E}[(A_i - q(Z_i, X_i))^2 \mid X_i = x]}$。当潜在混杂变量 $U$ 不额外产生效应修饰时，$\tau^w(x)$ 严格退化为标准的 CATE $\tau(x)$；而在存在残差异质性时，该权重在正向加权估计族中最小化了渐近方差。通过 Honest 分裂机制，固定或诚实亚组内的效应估计量满足 $\sqrt{n_{\mathcal{S}}}(\widehat{\tau}_{\mathcal{S}} - \tau_{\mathcal{S}}^w) \overset{d}{\longrightarrow} \mathcal{N}(0, \sigma_{\mathcal{S}}^2)$，从而允许直接构建可靠的亚组置信区间。

实验关键数据¶

主实验¶

论文在包含 $12 \times 22 = 264$ 种兼具线性/非线性、不同混杂强度与代理强度的基准模拟数据集上进行了详尽评测（样本量 $n=4{,}000$，右删失率固定为 35%）。评估指标为针对真实个体异质性效应的均方根误差（RMSE）与平均绝对误差（MAE）。外部对比方法均提供完整的 $[X, W, Z]$ 作为常规协变量输入。

模型	RMST RMSE	RMST MAE	截断生存概率 RMSE	截断生存概率 MAE
NC-CSF Oracle（可观测 U 上界）	0.0516	0.0380	0.0361	0.0275
NC-CSF（本文方法）	0.0994	0.0768	0.0613	0.0491
grf R-CSF（R语言官方因果生存森林）	0.1211	0.0971	0.0686	0.0581
Censored Baseline（同结构无桥消融基线）	0.1662	0.1247	0.0788	0.0642
RSF T-learner（随机生存森林 T-学习器）	0.1773	0.1416	0.0796	0.0721
RSF S-learner（随机生存森林 S-学习器）	0.1637	0.1274	0.0889	0.0638
Survival BART（贝叶斯加性回归树）	0.1762	0.1318	0.0699	0.0657

消融实验¶

为了严格厘清性能增益的来源，论文设计了最终阶段输入特征消融与代理变量非线性破坏应力测试： 1. 最终阶段特征消融：评估负控制桥调整本身与特征增强的相对贡献。 2. 代理变量形式应力测试：在标准高斯线性代理（P0）之外，测试双曲正切非线性映射（P1）、$t_3$ 重尾噪声（P2）、二次不可逆映射 $g(u)=u+0.5u^2$（P3）以及单比特二值化粗粒度代理（P4）。

配置 / 代理应力测试组	RMST RMSE	RMST MAE	生存概率 RMSE	说明
NC-CSF 完整模型（P0 线性高斯）	0.0994	0.0768	0.0613	完整负控制桥 + 冗余特征增强
NC-CSF (X, W, Z)（无冗余增强）	0.1081	0.0861	0.0675	仅输入原始变量，保留桥残差化
NC-CSF (X)（仅主协变量）	0.1147	0.0914	0.0717	仅输入 X，移除代理变量特征
Censored Baseline（无桥调整）	0.1662	0.1247	0.0788	移除负控制桥残差化，误差增加 67.2%
P1: $\tanh$ 非线性代理	0.1012	0.0782	0.0620	保持可逆性，性能基本无损
P2: $t_3$ 重尾分布噪声	0.0993	0.0765	0.0603	保持可逆性，鲁棒性良好
P3: 二次非单射映射（不可逆）	0.1159	0.0898	0.0693	破坏单射性导致桥条件数变差，误差上升
P4: 1-bit 二值化粗粒度代理	0.1079	0.0835	0.0661	严重信息损失，但仍显著优于无桥基线

关键发现¶

负控制桥函数是误差削减的核心动力：单纯引入负控制桥残差化（从 Censored Baseline 到 NC-CSF (X, W, Z)）即可将 RMST RMSE 从 0.1662 骤降至 0.1081（相对削减 35.0%）；附加冗余变量摘要后进一步降至 0.0994。相比之下，切换条件删失模型或边际删失模型对性能的影响微乎其微（RMST RMSE 仅从 0.0994 变为 0.0996）。
非单射信息损失比样本量不足更为致命：代理应力测试表明，当代理映射保留可逆单射性时（如 P1 与 P2），随着样本量增加误差能稳步消除；但当映射存在非单射性（P3）或严重离散化（P4）时，算子逆问题的不适定性（ill-posedness）会带来持续的固有误差。
真实临床数据发现重要异质性反转：在 ACTG175 艾滋病临床试验中，传统 R-CSF 在所有年龄段均预测双联疗法（ZDV+ddI）优于单药（ddI），峰值增益达 14.43 天；而消除未观测混杂的 NC-CSF 则揭示出强烈的年龄异质性：在 20 岁年轻患者中增益为负（-5.69 天），直到 40 岁以上才转为正收益（峰值 6.37 天），这与既往文献中年轻群体对强化治疗方案耐受度与免疫应答不同的临床指南高度吻合。在 MIMIC-IV 急性肾损伤（AKI）药物相互作用真实数据中，NC-CSF 敏锐捕捉到了他克莫司联合 CYP3A 抑制剂导致的 7 天无 AKI 生存率显著下降（-0.2410，E-value 达 4.40），而在无活性的惰性对照组中未产生假阳性信号。

亮点与洞察¶

将近端因果推断框架无缝嵌入残差化树模型：巧妙地将处理桥和结果桥求解嵌入两阶段双重机器学习（Double ML / R-learner）范式中，使原本针对群体平均效应的近端因果工具能够无缝驱动现代因果森林进行异质性探索。
严格满足奈曼正交性的删失-混杂双重稳健损失：所构造的目标损失不仅对生存分析中的独立删失具有计数过程鞅正交保护，同时对混杂桥函数扰动具备一阶零均值变分，使得黑盒机器学习估计的一阶冗余误差在下游森林训练中被二阶抵消。
工程实现的完备性与鲁棒控制：针对近端因果推断中常见的条件矩算子病态不稳定性，库中内置了严谨的倾向性截断（clipping）、两阶段交叉拟合以及冗余变量维度增强策略，为解决高维观测生存数据的因果推断提供了开箱即用的工业级工具。

局限与展望¶

目标 estimand 存在异质性权重修饰：当潜在混杂变量 $U$ 自身也是未被观测的效应修饰项（treatment effect modifier）时，NC-CSF 估计的目标为处理桥残差方差加权的效应 $\tau^w(x)$，与传统的无混杂 CATE $\tau(x)$ 存在加权协方差偏移。
负控制代理假设不可直接从数据中检验：负控制变量必须严格满足排他性限制与条件独立性，这高度依赖具体医学或生物领域的先验知识，选错代理变量可能引入新的偏差。
算子不适定性缺乏自适应正则化保证：完备性假设仅保证了可识别性，但在有限样本下当代理关联较弱时，逆算子求解会遭遇严重的数值病态放大，未来需要探索基于极小极大或平滑正则化的自适应桥估计器。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次系统性融合负控制近端因果推断与因果生存森林，理论与算法设计优雅自洽。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖 264 种全景模拟配置、非单射应力测试以及 ACTG175、RHC、MIMIC-IV 三大权威真实医学数据集。
写作质量: ⭐⭐⭐⭐⭐ 理论推导清晰，正交性与渐近正态性表述严密，实证与消融设计层次分明。
价值: ⭐⭐⭐⭐⭐ 为临床医学中普遍存在的“右删失 + 未记录混杂”异质性疗效评估痛点提供了强有力的非参数工具与开源实现。