1. 项目概述当生存分析遇上复杂数据与因果推断在生物医学、流行病学乃至社会科学研究中我们常常关心一个关键事件发生的时间从接受某种治疗到疾病复发从开始暴露于某种风险因素到出现特定结局或者从产品发布到用户流失。这类“时间-事件”数据构成了生存分析的核心。然而现实世界的数据收集过程极少完美。我们常常面临两大“拦路虎”右删失和左截断。右删失大家相对熟悉研究结束时部分个体尚未发生目标事件我们只知道他们的生存时间“至少”超过了某个观察点。左截断则更隐蔽它关乎样本的“入场券”。想象一项针对某种慢性病患者的长期随访研究只招募那些在某个特定日期之后才确诊的患者。那么在招募开始前就已确诊并可能已经死亡或康复的患者就永远无法进入我们的研究队列。这种基于事件时间的“延迟进入”或“横断面抽样”机制导致我们观察到的样本并非来自目标总体的一个随机子集而是系统性地偏向于生存时间更长的个体。忽略左截断就像只通过观察马拉松比赛中途的选手来推断所有报名者的完赛时间结论必然存在严重偏差。传统生存分析方法如经典的Cox比例风险模型或Kaplan-Meier估计量在处理这类数据时往往依赖于较强的假设比如删失机制与事件时间独立非信息性删失或者要求截断时间与事件时间无关。在精心设计的随机对照试验中这些假设或许还能勉强成立但在观察性研究中混杂因素无处不在删失和截断机制往往与协变量如年龄、疾病严重程度密切相关变得“信息丰富”。此时传统方法的估计可能严重失真。近年来因果推断与机器学习的融合为这一领域注入了新的活力。因果推断为我们提供了在非随机化数据中评估处理效应的严谨框架如反事实、倾向得分而机器学习则赋予我们强大的工具以灵活、数据驱动的方式建模复杂的协变量关系。去偏机器学习正是这一交叉领域的利器。它的核心思想是利用机器学习算法如随机森林、梯度提升、神经网络高精度地估计数据生成过程中的“讨厌参数”如倾向得分、删失/截断机制同时通过基于影响函数或双稳健估计的统计校正步骤消除这些高维、非参数估计引入的偏差最终得到具有良好统计性质如√n相合性、渐近正态性的因果效应估计。本文聚焦的正是将去偏机器学习技术应用于左截断右删失数据这一更具挑战性的场景。我们不再满足于估计一个简单的边际生存函数而是瞄准更一般、更实用的目标反事实生存分布的函数。这可以是某个时间点的生存概率、限制性平均生存时间、生存时间的中位数甚至是评估预测模型性能的Brier分数。我们的目标是在允许删失和截断机制依赖于协变量的前提下构建非参数的、高效的统计推断方法为复杂现实数据下的因果生存分析提供一个既灵活又可靠的工具箱。2. 核心挑战与方案设计从理想数据到观测现实2.1 数据生成机制与核心符号定义要理解我们的方法首先要厘清从“理想世界”到“观测世界”的数据生成过程。我们定义以下随机变量Z: 基线协变量向量如年龄、性别、 biomarkers。A: 二元处理指示变量A1表示接受处理A0表示对照。T: 我们关心的事件时间生存时间。这是我们的核心结局变量。W:左截断时间。个体只有在事件时间T W时才有可能被纳入研究。W可以理解为个体的“进入研究时间”或“开始被观察的时间”。C:右删失时间。我们观测到的是Y min(T, C)和∆ I(T C)。当∆1时Y就是真实的事件时间T当∆0时我们只知道T Y。在理想的无偏目标总体中一个完整的数据单元是X (T, C, W, A, Z)服从某个未知分布P_{X,0}。而我们实际观测到的是经过左截断和右删失“过滤”后的数据O (Y, ∆, W, A, Z)服从观测数据分布P_0。两者的关系由以下采样机制决定P_0(O) ∝ I(Y W) * P_{X,0}(X)这个公式直观地说明了左截断的效应只有那些在截断时间W时尚未发生事件即T W且未被删失的个体才有机会出现在我们的数据集中。这直接导致了样本选择偏差——生存时间长的个体被过度代表。2.2 目标参数生存积分与因果解释我们的兴趣在于估计一个广泛的参数类别——生存积分υ_0 ∫∫ φ(t, z) F_{X,0}(dt | Aa0, z) H_{X,0}(dz)这里F_{X,0}(t | a, z)是在给定处理Aa和协变量Zz下事件时间T的条件分布函数。H_{X,0}(z)是协变量Z的边际分布。φ(t, z)是一个用户指定的核函数它决定了我们想要从生存分布中提取什么信息。这个框架的强大之处在于其通用性。通过选择不同的φ(t, z)我们可以恢复许多经典的生存分析和因果推断参数边际生存概率取φ(t, z) I(t t0)则υ_0 P(T t0)。反事实生存概率在满足一定的因果假设无混杂、正性等下取φ(t, z) I(t t0)则υ_0可以解释为P(T(a0) t0)即如果强制将整个人群的处理设置为a0时的生存概率。限制性平均生存时间取φ(t, z) min(t, τ)则υ_0 E[min(T, τ)]即在时间τ之前的平均生存时间。分位数如中位生存时间虽然φ函数形式稍复杂但生存积分框架可以通过变换间接定义。预测模型评估Brier分数取φ(t, z) {I(t τ) - b(z)}^2其中b(z)是一个基于协变量的预测模型则υ_0就是该模型在时间点τ的Brier分数。注意从理想参数υ_0基于P_{X,0}到可基于观测数据O估计的参数ψ_0基于P_0的转换是识别问题的核心。这需要一系列假设。2.3 关键识别假设何时能从观测数据中窥见真相要从充满噪声和偏差的观测数据O中无偏地估计出目标总体参数υ_0我们必须引入一些关于数据生成机制的假设。这些假设是连接观测世界与理想世界的桥梁。条件独立假设CIA:(B1) 给定 (A, Z)T 与 W 独立这意味着截断机制W不能提供关于事件时间T的额外信息一旦我们知道了处理A和协变量Z。这排除了由未观测混杂因素导致的截断-事件关联。(B2) 给定 (W, A, Z) 且 T WT 与 C 独立这是在可观测子群体即那些有资格进入研究的个体中关于删失机制的假设。它允许删失时间C依赖于协变量、处理甚至截断时间但不能在考虑这些因素后还与剩余生存时间相关。支持度与正性假设:(A1) 支持度恢复简单说就是对于每个协变量层(A, Z)我们观测数据的“时间窗口”[W, min(T, C)]必须足够宽以支持我们对目标生存函数F_{X,0}的推断。特别是核函数φ(t, z)在超过最大可能观测时间τ_C(a, z)后必须是常数否则超出部分无法识别。(A2) 倾向得分正性对于几乎所有的z有P(Aa0 | Zz) 0。这保证了在每个协变量层内都有个体接受了我们关心的处理a0否则无法进行有意义的条件比较。在这些假设下我们可以将基于理想分布P_{X,0}定义的υ_0表达为完全基于观测分布P_0的函数ψ_0 Ψ(P_0)。这个识别公式是后续所有估计和推断的基础。它本质上是通过逆概率加权IPW和风险集重构等技术对左截断和右删失进行纠偏。3. 方法论核心去偏机器学习估计器的构建识别问题解决后接下来的挑战是估计。我们手头有n个独立同分布的观测数据{O_i}。一个朴素的想法是“插件估计”先用某种方法比如机器学习模型估计出观测数据分布P_0中的所有必要成分称为讨厌参数然后代入识别公式Ψ(·)直接计算。然而当使用灵活的、高维的机器学习算法如深度学习来估计这些讨厌参数时插件估计器往往会有很大的偏差甚至不是√n相合的导致置信区间失效。去偏机器学习为我们提供了解决方案。其核心是构建一个渐近线性的估计器形式为ψ_n ψ_0 (1/n) Σ_{i1}^n ϕ_0(O_i) o_P(1/√n)其中ϕ_0是目标参数Ψ在P_0处的有效影响函数。这个表达式意味着估计误差的主要部分是一个样本均值的波动因此估计量是√n相合的并且依分布收敛到正态分布方差就是ϕ_0的方差。这为构建 Wald 型置信区间奠定了基础。3.1 有效影响函数与参数化策略对于我们的生存积分参数Ψ(P)在满足前述识别假设的非参数模型下我们可以推导出其有效影响函数ϕ_P。它形式复杂但具有清晰的统计意义它衡量了每个观测数据点O_i对参数估计的“贡献”或“影响”。为了实际构建估计器我们需要对讨厌参数集合做一个具体的参数化选择。一个关键的设计决策是选择哪些成分作为建模对象不同的选择会导致估计器具有不同的稳健性和可实现性。在本文中我们采用了以下参数化η (H, π, G, Q, S_X)H(z): 观测协变量分布P(Z ≤ z)。π(z): 观测倾向得分P(Aa0 | Zz)。G(w|a,z): 观测截断时间分布P(W ≤ w | Aa, Zz)。Q(c|w,a,z): 观测删失生存函数P(C c | Ww, Aa, Zz)。S_X(t|a,z):目标事件时间生存函数P(T t | Aa, Zz)。这个选择权衡了实用性与理论性质。H,π,G都可以直接基于观测数据(A, Z, W)用标准的回归/分类算法如逻辑回归、广义相加模型、随机森林进行估计。Q和S_X是针对生存数据的可以用适应于右删失或左截断右删失的生存分析模型来估计例如基于随机生存森林或深度学习如DeepSurv, DeepHit的灵活模型。实操心得这种参数化的一个巨大优势是模块化。团队中不同专长的人可以并行工作熟悉传统因果推断的人负责估计π(z)熟悉时间序列或生存分析的人负责估计G和Q而擅长复杂非线性建模的人可以用最先进的机器学习算法去攻克最难的S_X(t|a,z)。只要大家的模型输出格式约定好最后可以像搭积木一样组合起来。3.2 两种去偏估计器一步校正 vs. 估计方程基于有效影响函数ϕ_η和选定的参数化η我们构建了两种具体的估计器一步校正估计器 (One-step Debiased Estimator, ψ_n)*: 其形式为ψ*_n ψ_{η_n} (1/n) Σ_{i1}^n ϕ_{η_n}(O_i)。ψ_{η_n}是插件估计即把估计的讨厌参数η_n代入公式(4)计算。第二项(1/n) Σ ϕ_{η_n}(O_i)就是一个基于影响函数的偏差校正项。直观理解插件估计ψ_{η_n}可能因为η_n的估计误差而有偏。校正项的作用就是估计这个偏差并将其减去。如果η_n收敛得足够快速率快于n^{-1/4}那么校正后的ψ*_n就能达到√n速率和渐近正态性。估计方程估计器 (Estimating Equation Estimator, ψ_n)**: 其定义为方程Σ_{i1}^n ϕ_{η_n, ψ}(O_i) 0的解。这里ϕ_{η_n, ψ}是将有效影响函数ϕ_P中的参数真值Ψ(P)替换为待估参数ψ而讨厌参数替换为估计值η_n后的函数。对于我们的线性参数这个方程有显式解计算并不复杂。直观理解我们在寻找一个参数值ψ使得其对应的“经验影响函数之和”为零。这类似于矩估计的思想。3.3 交叉拟合释放机器学习的潜力无论是ψ*_n还是ψ**_n如果直接用全部数据来估计讨厌参数η_n然后又用同一批数据来计算校正项或解方程可能会因为机器学习算法的过度拟合而导致严重的过拟合偏差。即使理论上有n^{-1/4}的速率要求在实践中也常常被违反。交叉拟合是解决这个问题的标准技巧。其操作如下将样本随机划分为K份通常K5或10。对于第k份数据用除第k份外的所有其他数据训练得到讨厌参数估计η_{n}^{(-k)}。用仅第k份数据基于η_{n}^{(-k)}计算一个初步的估计值如ψ*_n^{(k)}或解方程得到ψ**_n^{(k)}。将K个初步估计值简单平均得到最终的交叉拟合估计器。交叉拟合的核心思想是样本分割确保用于估计讨厌参数的数据和用于构建估计方程的数据是独立的。这几乎完全消除了过拟合偏差允许我们使用任意复杂的机器学习算法来估计η而无需担心其收敛速率只要这些算法在样本量增加时是相合的即可。这极大地提升了方法的实用性和稳健性。注意事项虽然交叉拟合增加了计算量需要拟合K次模型但在现代计算资源下通常是可接受的。建议使用K5以保证效率。在划分数据时应进行分层抽样以保持处理组和对照组在各折中的比例大致稳定特别是当数据不平衡时。4. 理论性质与实操解读4.1 大样本性质何时我们的估计是可靠的定理2为我们两个估计器ψ*_n和ψ**_n的优良性质提供了理论保证。这些性质依赖于前文提到的识别假设 (A1)-(A2), (B1)-(B2) 以及对讨厌参数估计量的一些正则性条件 (C1)-(C4)。我们来解读一下这些条件在实践中的含义条件 (C1) 与 (C2)本质上是要求我们使用的机器学习算法对讨厌参数的估计是一致的并且相关变换如逆概率权重是一致有界的。例如(C1b) 要求估计的条件生存函数S_{X,n}和与之相关的函数L_φ要一致收敛到某个极限。在实践中这意味着我们选择的生存模型如随机生存森林应该是一个通用的近似器能够在足够大的样本下捕捉真实的生存函数形状。(C2) 中的有界性假设通常通过技术手段如对权重进行截断来满足以防止个别极端权重主导估计。条件 (C3)描述了估计器保持相合性所需的稳健性条件。这是一个非常关键且实用的结论对于一步校正估计器 ψ*_n只要目标生存函数S_X、截断分布G和倾向得分π被一致估计即使删失分布Q估计错误ψ*_n依然是ψ_0的相合估计。对于估计方程估计器 ψ_n**只要目标生存函数S_X和截断分布G被一致估计即使倾向得分π和删失分布Q都估计错误ψ**_n依然是相合的。条件 (C4)要求讨厌参数估计的二阶剩余项收敛速率是o_P(n^{-1/2})。在交叉拟合的框架下如果讨厌参数估计器是相合的并且影响函数ϕ_η在η处是足够平滑的通常满足那么这个条件通常就能成立。交叉拟合正是为了放松对收敛速率的苛刻要求。结论在交叉拟合下只要我们的机器学习算法能够一致地估计出目标生存函数S_X和观测截断分布G那么估计方程估计器ψ**_n就是√n相合的、渐近正态的、并且是半参有效的即达到了非参数模型下的最小可能渐近方差。这为基于ψ**_n构建置信区间ψ**_n ± z_{1-α/2} * σ_n / √n提供了理论基础。4.2 方差估计与置信区间构建有了渐近正态性我们就可以进行统计推断了。方差σ_0^2 Var[ϕ_0(O)]可以用经验影响函数的样本方差来估计σ_n^2 (1/n) Σ_{i1}^n [ϕ_{η_n}(O_i) - (1/n) Σ_{j1}^n ϕ_{η_n}(O_j)]^2同样这里也可以使用交叉拟合版本的方差估计σ_{n,*}^2用第k折的η_{n}^{(-k)}来计算第k折数据的影响函数值然后合并方差这通常在有限样本下表现更稳定。随后一个水平的(1-α)Wald 置信区间可以构造为CI [ ψ_n - z_{1-α/2} * σ_n / √n, ψ_n z_{1-α/2} * σ_n / √n ]其中z_{1-α/2}是标准正态分布的分位数。常见问题与排查问题1置信区间覆盖不足。可能原因(1) 样本量太小渐近近似不佳。可考虑使用bootstrap特别是基于交叉拟合的bootstrap来构造置信区间。(2) 讨厌参数估计质量差尤其是生存函数S_X在尾部估计不准。检查生存曲线在尾部是否过于不稳定考虑对估计的生存概率进行平滑或约束。问题2估计值明显不合理如生存概率大于1。可能原因(1) 核函数φ定义有误。(2) 识别假设特别是条件独立假设严重违背。需要进行敏感性分析例如评估未观测混杂的影响。问题3计算时间过长。主要瓶颈在于用机器学习算法反复拟合生存模型S_X。可以考虑(1) 使用计算效率更高的模型如梯度提升树而非深度网络。(2) 减少交叉拟合的折数K但不少于2。(3) 在保证性能的前提下对高维协变量Z进行预筛选。4.3 与现有方法的比较与拓展我们的方法是对现有文献的重要拓展与 Wang et al. (2024) 比较他们的工作聚焦于左截断数据下边际生存函数的推断且未充分考虑右删失下的效率问题。我们的方法同时处理左截断和右删失并将目标扩展到反事实生存分布的函数并恢复了半参效率界。与 Westling et al. (2024) 比较他们的方法是我们在无截断情形下的特例。当截断时间W恒为0时我们的估计方程ψ**_n会退化为他们的形式。因此我们的框架是更一般的。扩展到非线性泛函本文聚焦的生存积分是线性泛函。但通过Delta方法我们可以轻松地将其扩展到一系列非线性泛函如生存时间的中位数q_0.5、生存函数的某个变换等。具体做法是先估计一个生存积分序列例如对于不同的t估计生存函数S(t)得到一个过程然后通过函数Delta方法得到目标非线性泛函的估计及其推断。5. 模拟研究与实际应用考量5.1 模拟设置与评估指标为了验证方法的实际表现我们通常需要设计模拟研究。一个典型的模拟设置如下生成协变量与处理从多元分布生成协变量Z根据逻辑回归模型生成处理变量A。生成潜在事件时间根据一个给定的基线风险函数如Weibull分布和协变量/处理效应如比例风险模型生成潜在事件时间T。生成截断与删失时间分别根据依赖于协变量Z可能还有A的模型生成截断时间W和删失时间C。为了检验方法的稳健性可以设置W和C与T相关的场景违反非信息性假设但只要这种相关性完全由Z介导我们的条件独立假设就仍成立。构造观测数据计算Y min(T, C)∆ I(T C)并仅保留满足Y W的个体形成最终的观测数据集O。评估指标通常包括偏差估计值的均值与真实参数值之差。经验标准差估计值在多次模拟中的标准差。均方根误差偏差与方差的综合衡量。置信区间覆盖率95%置信区间包含真实值的模拟次数比例。区间平均宽度置信区间的平均长度。我们会将提出的去偏机器学习估计器 (DML-LTRC) 与多种基准方法比较朴素Kaplan-Meier (KM)忽略截断和协变量直接对整体数据使用KM估计。预期在存在截断和混杂时偏差很大。分层KM按处理组A分层估计KM曲线。可以调整部分混杂但无法处理连续型协变量和协变量依赖的删失/截断。逆概率加权Cox模型 (IPW-Cox)用倾向得分加权后的Cox模型。可以处理混杂但对模型误设敏感且通常假设比例风险。参数化插件估计器用参数模型如Cox模型估计S_X逻辑回归估计π,G等估计所有讨厌参数后代入公式。当模型正确时表现好但误设时偏差大。5.2 实际应用步骤与代码框架示意在实际数据分析中应用本方法可以遵循以下步骤步骤1数据准备与探索清理数据定义事件时间Y、事件指示∆、截断时间W、处理A、协变量Z。进行描述性分析计算各组的KM曲线需用调整左截断的KM方法检查删失比例、截断比例绘制协变量在处理组间的平衡表。步骤2假设评估与诊断支持度检查对于每个关心的(A, Z)组合检查观测时间Y的范围是否覆盖了感兴趣的时间点t。绘制Y对W的散点图直观查看截断模式。条件独立假设这是一个无法完全用数据验证的假设。但可以通过以下方式增强说服力(1) 收集尽可能多的相关协变量Z。(2) 检验估计的倾向得分在∆1和∆0组间以及在W的不同分层间是否平衡。(3) 进行敏感性分析例如假设存在一个未观测的混杂因子量化需要多强的混杂效应才能推翻当前结论。步骤3模型拟合与估计选择机器学习算法对于π(z)和G(w|a,z)后者可视为一个回归问题可以选择梯度提升机如XGBoost, LightGBM或弹性网络。对于生存函数S_X(t|a,z)可以选择随机生存森林如randomForestSRCR包或基于深度学习的生存模型如pycoxPython库。对于删失分布Q(c|w,a,z)可以类似地用生存模型处理。实施交叉拟合将数据分为K折。对于每一折用其他折的数据训练所有 nuisance 模型。计算估计值在每一折的验证集上利用训练好的 nuisance 模型计算ϕ_{η_n}函数的值然后组装得到ψ**_n^{(k)}最后平均。步骤4推断与报告计算估计值ψ**_n及其标准误σ_n/√n。构建95%置信区间。报告点估计、置信区间并解释其因果含义在满足因果假设的前提下。以下是一个高度简化的伪代码框架展示了ψ**_n的核心计算逻辑以K2折为例# 伪代码仅展示逻辑流程 estimate_psi_double_robust - function(data, K2) { n - nrow(data) folds - createFolds(data$A, kK) # 创建分层折 psi_hats - numeric(K) for (k in 1:K) { train_data - data[-folds[[k]], ] valid_data - data[folds[[k]], ] # 在训练集上拟合所有nuisance模型 # fit_pi: 估计倾向得分 π(z) P(A1|Zz) pi_model - fit_pi(train_data) # fit_G: 估计截断时间分布 G(w|a,z)。可视为一个条件分布估计问题。 G_model - fit_G(train_data) # fit_Sx: 估计目标生存函数 S_X(t|a,z)。使用适应左截断右删失的生存模型。 # 注意这里需要用到 (Y, Delta, W, A, Z)。需使用逆概率加权或风险集调整来处理左截断。 Sx_model - fit_Sx_LTRC(train_data) # fit_Q: 估计删失生存函数 Q(c|w,a,z)。可类似用生存模型但将事件指示取反。 Q_model - fit_Q(train_data) # 在验证集上计算影响函数 ϕ_{η, ψ} 的各个组成部分 # 需要计算: µ(z) ∫ φ(t,z) dF(t|a0,z), γ_{♮}, R(u|a,z) 等量 # 这是一个复杂的计算过程涉及数值积分和条件期望的估计 components - compute_phi_components(valid_data, pi_model, G_model, Sx_model, Q_model) # 解估计方程得到该折的估计值 ψ**_n^{(k)} psi_hats[k] - solve_estimating_equation(components) } # 最终估计为各折估计的平均 final_psi_hat - mean(psi_hats) # 同样可以计算交叉拟合的方差估计 final_variance - compute_cross_fitted_variance(psi_hats, components_across_folds) return(list(estimate final_psi_hat, se sqrt(final_variance/n))) }5.3 稳健性分析与模型选择在实际操作中有几个关键点直接影响结果的可靠性机器学习模型的选择与调参对于S_X的估计至关重要。随机生存森林通常是一个稳健的起点它不需要比例风险假设并能捕捉复杂的交互效应。需要小心调参以防止过拟合如控制树深度、节点最小样本数。深度学习模型潜力更大但需要更多数据和计算资源且结果可解释性较差。建议使用交叉验证在训练集即交叉拟合的外部折内部选择超参数以优化生存预测的区分度如C-index或校准度。权重截断在计算逆概率权重如1/π(A|Z),1/S_X(W|A,Z)时可能会出现极端值导致估计不稳定。一个常见的做法是将权重截断例如将所有大于某个分位数如99%的权重设置为该分位数值。这需要在偏差引入轻微偏差和方差降低方差之间做权衡。对识别假设的敏感性条件独立假设 (B1)-(B2) 无法检验。除了收集更丰富的协变量还可以进行定量偏差分析。例如可以假设存在一个未观测的混杂因子U并指定U与T、W、C之间关联的强度然后推导在这种违反假设的情况下我们的估计值可能会产生的偏差范围。这有助于读者理解结论的稳健性。处理连续型处理变量本文聚焦二元处理。对于连续型处理A核心思想不变但倾向得分π(a|z)变成了条件密度估计更为复杂可以使用广义倾向得分方法并用机器学习估计条件密度。6. 总结与展望处理左截断右删失数据下的因果效应估计是一个在观察性生存分析中极具现实意义又充满挑战的问题。本文系统介绍的去偏机器学习框架提供了一条兼顾灵活性、稳健性和统计效率的路径。我个人在实际操作中的体会是这套方法的威力在于其“模块化”和“去偏”的思想。它允许数据分析者利用最先进的预测模型去逼近数据中复杂的关联同时又通过影响函数校正这一统计学的“安全绳”确保最终因果估计的可靠性不会因机器学习模型的复杂性而崩塌。交叉拟合的引入更是将我们从对机器学习算法收敛速率的焦虑中解放出来。然而这套方法对实施者的要求也更高。它要求研究者不仅理解生存分析和因果推断的基本原理还要熟悉至少一两种机器学习工具并具备扎实的编程能力来实现整个流程。计算量也是一个现实考量尤其是当需要重复分析进行敏感性检验或bootstrap时。未来这一方向还有许多值得探索的扩展例如如何处理竞争风险数据如何将个体处理效应的异质性HTE估计纳入框架以及如何开发更高效、更稳定的软件包来降低应用门槛。随着数据复杂性的增加和因果科学需求的日益增长这种融合了现代机器学习与严谨统计推断的方法无疑将在生物医学、经济学、数字健康等领域发挥越来越重要的作用。