TMLE与AIPW的样本分割选择：交叉拟合与重复分割的影响

在因果推断的实践中，TMLE（Targeted Maximum Likelihood Estimation）和AIPW（Augmented Inverse-Probability Weighting）常被视为「即插即用」的稳健方法——只要把机器学习模型接入便可以获得双重稳健性。但一项发表在arXiv上的模拟研究给出了更细致的警告：样本分割方式本身就是一个不可忽视的设计维度，交叉拟合（cross-fitting）与否、靶向步骤（targeting）如何执行、以及是否重复划分（repetition），都会系统性地改变估计量的区间覆盖率。

研究设计：已知真值的对照实验

该研究采用已知真值的模拟框架，针对二值结局的平均处理效应（ATE）进行评估。八个「头条」估计量共享同一设定下的 nuisance 模型库、内部折数与截断界限（truncation bound），从而把差异归因于样本分割策略本身。覆盖率的判定标准是预先设定的两个百分点边际：超出这个范围的偏离才算「有实质差异」，避免把蒙特卡洛噪声当成结论。

模拟分为三层难度。第一层是低复杂度模型库加良好重叠（n=3000），此时除半样本基线外，所有估计量的覆盖率在0.928–0.939之间，彼此等价。第二层换成在主数据生成机制上使用随机森林，情况急转直下：在样本内拟合倾向得分（in-sample propensity）的估计量覆盖率跌至0.12–0.48，严重欠覆盖；而两个 nuisance 都做交叉拟合后，覆盖率回升到0.91–1.00，其中两个还出现过度覆盖。第三层是近正性（near-positivity）设定，此时每个AIPW估计量的覆盖率都好于每个采用未加权波动（unweighted fluctuation）的TMLE估计量，差距在主设定下为0.907–0.917对0.656–0.806，且所有TMLE都出现欠覆盖；放宽截断后差距进一步拉大。

双重稳健性（double robustness） 是AIPW与TMLE共同的卖点：估计量由「结局回归模型」与「倾向得分模型」两部分构成，只要其中之一设定正确，ATE估计就是一致的。这一性质在数学上依赖于两个nuisance函数的收敛速率与经验过程条件，因此实际表现高度依赖于机器学习模型的拟合方式。Nuisance函数指的是我们并不直接关心、但估计目标参数时必须先估出来的辅助函数，在此处即结局回归函数与倾向得分函数；TMLE正是通过对初始估计施加一个「靶向更新步」来消除这些nuisance估计误差带来的偏误。

交叉拟合：不是可选项，而是默认前提

上述结果中最有实践价值的一条是：当经验过程条件（empirical-process conditions）无法被严格论证时，应该对两个 nuisance 同时做交叉拟合。理由并不抽象——在样本内拟合倾向得分会让个体贡献之间产生依赖，基于独立同分布假设推导的方差估计因此低估真实不确定性。随机森林这类高方差、数据自适应强的模型会把这种依赖放大，于是覆盖率崩塌到0.12–0.48也就不足为奇。

交叉拟合把样本分成若干折，用其他折训练、留出折评估，恢复了贡献之间的近似独立性。研究显示，这一操作不仅修复了覆盖率，还在某些设定下略微过度覆盖，属于保守但安全的方向。对做实际数据分析的人而言，这意味着当重叠情况一般、模型复杂度较高时，不应为了节省计算量而跳过交叉拟合。

经验过程条件（empirical-process conditions） 是保证交叉拟合估计量渐近正态、方差估计有效的技术前提，直观上要求nuisance估计的复杂度不能太高，否则基于独立同分布假设的方差公式会失效。正性（positivity） 也称重叠（overlap），指在不同处理组中每个协变量取值都有非零概率被观测到；当倾向得分接近0或1时，权重会极端膨胀，方差急剧上升。截断界限（truncation bound） 就是人为把倾向得分限制在如[0.01, 0.99]区间内，以牺牲少量偏误换取方差稳定，这一选择本身也会影响覆盖率，因此研究建议在重叠较差时做敏感性分析。

靶向方式：合并与分折的取舍

研究还比较了合并（pooled）与分折（fold-specific）靶向、以及单次与双重交叉拟合构造，额外涉及四个估计量。在主设定下，这些变体通常等价；但在极端权重下，合并靶向的估计值离散度是分折靶向的1.7–1.8倍。原因在于合并靶向把所有折的残差汇到一起更新，个别高权重观测能对整体更新产生不成比例的影响；分折靶向则把这种影响限制在局部。

这提示一条实用规则：当权重分布尾部很厚时，分折靶向更稳；权重温和时，合并靶向因使用全部数据而方差更小，两者并无显著差异。

靶向步骤（targeting step） 是TMLE区别于AIPW的关键：AIPW直接在初始估计上做一步校正，而TMLE通过拟合一个以「倾向权重」为协变量的波动模型来更新初始结局回归，使更新后的估计满足有效影响函数方程。波动模型（fluctuation model） 通常对二值结局用logistic回归、连续结局用线性回归，其唯一协变量由倾向得分构造。合并靶向是把所有交叉拟合折的残差拼在一起更新一次，分折靶向则是每折单独更新。影响函数（influence function） 决定了估计量的渐近方差，交叉拟合后的有效影响函数依赖于折间平均，这也是为什么折数与划分方式会影响区间宽度。

重复划分：稳健但保守

重复样本分割（repetition）通过平均多个随机划分的结果，降低了对单次划分的依赖——这是它的核心价值，尤其在样本量有限、划分偶然性影响大时。但代价是多个区间取平均后整体变得更保守，研究观察到若干估计量的区间变宽。换言之，重复划分换来了稳定性，牺牲了部分效率。是否值得，取决于分析目标：若关注区间覆盖的可靠性，重复划分划算；若关注区间宽度与检验功效，则需权衡计算成本与保守程度。

对实践的启示

两项真实数据分析印证了上述敏感性，说明这些模式并非模拟人工产物。综合来看，研究给出两条明确建议：其一，在无法论证经验过程条件时，对两个 nuisance 都使用交叉拟合；其二，在重叠较差（poor overlap）时，主动评估截断界限的选择，并同时报告AIPW与TMLE的结果，而不是只选一个。

对使用机器学习做因果推断的研究者，这项工作的意义在于把「样本分割」从一个实现细节提升为需要报告和做敏感性分析的设计选择。仅说明用了TMLE或AIPW远远不够——怎么分割、在哪一步做交叉拟合、截断设在哪，都直接决定结论是否可信。

在报告因果推断结果时，敏感性分析（sensitivity analysis） 应至少覆盖三个维度：折数（如2折、5折、10折）、靶向方式（合并或分折）、截断界限（如0.01、0.025、0.05）。可以借助重复交叉拟合（repeated cross-fitting） 报告区间平均与覆盖率的经验表现，从而把样本分割的不确定性显式纳入推断。对于医学、经济等对结论可信度要求较高的场景，建议同时报告AIPW与TMLE的区间，并说明二者在极端权重下可能出现的分歧来源，便于审稿人与读者判断结论的稳健性。