Chiseling方法：高效精准识别治疗优势亚组的统计推断框架

1. 亚组选择：从“一刀切”到“量体裁衣”的必然之路

在药物研发和临床实践中，我们长期面临一个核心矛盾：一种新疗法在整体人群的随机对照试验中可能只显示出微弱甚至不显著的疗效，但这背后，是否隐藏着一部分对治疗反应极佳的患者？答案是肯定的。这就是亚组选择问题，它旨在从复杂的患者特征（协变量）空间中，精准地“雕刻”出那些条件平均处理效应为正的群体。传统的数据分割方法虽然能保证统计推断的严谨性，却以牺牲一半甚至更多样本为代价，这在样本宝贵的早期临床试验或罕见病研究中几乎是不可承受之痛。而全局t检验则像一把钝刀，面对异质性的处理效应时显得力不从心，常常错失发现“优势亚组”的机会。

Chiseling方法，直译为“雕刻法”，正是为了解决这一困境而生。它不是一个全新的黑箱模型，而是一个精巧的统计推断框架。其核心思想非常直观：与其一开始就武断地将数据分为互不相干的探索集和验证集，不如像雕刻家一样，先观察整块“石料”（全部数据），然后有策略地、逐步地“凿去”那些不太可能包含高效应患者的区域，同时不断对剩余的核心区域进行统计检验。这个过程是顺序且自适应的，允许分析者根据中间结果动态调整搜索方向，最终在严格控制第一类错误（错误地宣称一个无效亚组有效）的前提下，最大化我们找到真正有效亚组的概率和效用。简单说，Chiseling让我们能用几乎所有的数据去“寻找”亚组，同时又用严格的理论保证为这个“寻找”过程本身“背书”，解决了数据分割低效与全数据探索不可靠之间的根本矛盾。无论你是希望从三期临床试验的探索性分析中寻找生物标志物，还是在观察性研究中评估政策对特定人群的异质性影响，这个方法都提供了一条兼顾效率与严谨性的新路径。

2. Chiseling方法的核心设计哲学与思路拆解

2.1 问题形式化：我们到底在优化什么？

要理解Chiseling，首先要明确它要解决的优化问题。假设我们有一个来自随机对照试验的数据集，包含n个独立同分布的样本。对于每个样本i，我们观测到协变量向量 X_i，处理分配指示变量 T_i（1代表治疗组，0代表对照组），以及结果变量 Y_i。我们关注的条件平均处理效应定义为 τ(x) = E[Y(1) - Y(0) | X = x]，其中Y(1)和Y(0)是潜在结果。

我们的目标不是精确估计整个函数τ(x)，而是找到一个患者亚组，通常表示为协变量空间X的一个子集S，使得该亚组内的平均处理效应超过某个有临床意义的阈值μ_cut。更形式化地，我们希望找到的亚组S能最大化某种“效用”。在Chiseling的默认设定中，这个效用被定义为：U(S) = P(X ∈ S) * [E(τ(X) | X ∈ S) - μ_cut]_+。这里，P(X ∈ S)是亚组在总体中的比例（代表影响的广度），中括号部分代表亚组平均效应超出阈值的程度（代表影响的强度）。效用函数是广度与强度的乘积，这意味着我们既不喜欢一个效应很高但只适用于极少数人的亚组，也不喜欢一个适用人群很广但效应微乎其微的亚组，而是在寻找一个“最佳平衡点”。

这个优化是在约束下进行的：我们必须能够对最终选出的亚组S做出统计推断，即控制错误发现。传统的数据分割方法通过样本分裂来获得这种保证，但代价是用于探索和验证的样本都变少了，直接导致效用估计的方差增大，最终找到的亚组效用U(S)可能很低。

2.2 两大基石：顺序测试与安全收缩

Chiseling的创新性体现在它如何巧妙地绕过数据分割的瓶颈。其理论基石建立在两个关键的方法论洞见上：

第一，特定方式的区域收缩不会“污染”推断。这是最反直觉也最精妙的一点。想象我们当前关注一个候选区域R。我们有一个基于部分数据得到的处理效应估计量ˆμ(·)。如果我们根据ˆμ(·)的值，将区域R“收缩”到一个子区域R'，例如只保留那些ˆμ(x)高于某个阈值的点，那么对于收缩后的区域R'，基于原始全部数据（注意，是用于构建ˆμ(·)的那部分加上未使用的部分）所做的关于其平均效应的检验，其有效性是否被破坏了？令人惊讶的是，在一定的条件下，答案是“不会”。Chiseling证明，只要收缩规则满足某种“可忽略性”条件——简单说，收缩行为只依赖于数据的某个特定子集或特定变换，并且该子集/变换与用于最终检验的统计量满足某种独立性——那么，即使我们基于数据驱动地改变了所关注的区域，后续的检验仍然是有效的。这就好比侦探根据一条线索（部分数据）缩小了嫌疑犯范围，但法庭（剩余数据）对最终嫌疑犯的审判仍然是公正的。

第二，我们可以在收缩的同时，对多个区域进行精确的顺序检验。这是将第一个洞见操作化的关键。Chiseling过程是一个迭代算法：从整个协变量空间开始，每一轮，它要么从当前区域中“揭示”一个随机样本点以获取其处理结果信息，要么根据当前所有已揭示的信息对效应函数ˆμ(·)进行更新，并据此将当前区域收缩到一个更有希望的子区域。关键在于，在每一轮收缩之后，它都会对当前区域计算一个p值，用于检验“该区域内的平均处理效应 ≤ μ_cut”这个原假设。由于收缩方式的特殊性，这些按顺序产生的p值服从一个被称为“超级均匀分布”的性质，使得我们可以使用像α消耗函数这样的在线错误控制程序，来确保整个探索过程的总第一类错误率被控制在α水平。这意味着，整个动态的、数据驱动的“雕刻”过程，其犯错的整体概率是受控的。

2.3 与基线方法的对比：为何是更优选择？

为了看清Chiseling的价值，我们将其与几个基线方法放在一起对比：

从表格中可���清晰看到，Chiseling在保持数据分割的严谨性（“lean assumptions”）的同时，突破了其效率天花板。它不像Bonferroni那样保守，也不像全局检验那样迟钝。其“信息论意义上优于数据分割”的结论，从根本上确立了其优越地位。

3. Chiseling算法核心细节与实操解析

3.1 算法流程一步步

让我们抛开数学符号，用更直观的语言描述Chiseling的执行步骤。假设我们有一个数据集，总样本量为n，预设的错误率水平为α（通常为0.05），临床意义阈值μ_cut（例如，在血压试验中可能是降低5mmHg）。

步骤1：初始化。随机从全部n个样本中选取一小部分（比例p，例如10%）作为“已揭示”集D_revealed，这部分数据我们将知道其处理分配T和结果Y。剩余的大部分数据（1-p比例）作为“未揭示”集D_unrevealed，我们暂时只知道其协变量X。设定初始区域R为整个协变量空间X。准备一个α预算管理策略，例如使用α消耗函数（如O'Brien-Fleming边界）。

步骤2：迭代“雕刻”循环。重复以下过程，直到满足停止条件（如区域R已足够小，或α预算耗尽）：

1. 基于已揭示数据学习：使用D_revealed中的数据，训练一个条件平均处理效应估计器ˆμ(·)。这个估计器可以是任何机器学习模型，如线性回归、随机森林、梯度提升树等。模型的目标是尽可能准确地预测τ(x)。
2. 区域收缩提案：基于当前的估计器ˆμ(·)，对当前区域R提出一个收缩方案。最直接的方式是设定一个阈值c，将R收缩为R' = {x ∈ R: ˆμ(x) > c}。阈值c的选择可以是通过优化某种准则（如估计的效用）来确定，也可以简单地选择使R'包含一定比例（如50%）最高预测值的点。
3. 计算候选p值：对于提议的收缩区域R'，我们利用所有数据（既包括D_revealed，也包括D_unrevealed）来计算一个检验统计量，用于检验H0: E[τ(X) | X ∈ R'] ≤ μ_cut。这里的关键在于，由于D_unrevealed的结果Y尚未被使用，且收缩提案仅依赖于D_revealed，因此这个检验在理论上仍然是有效的。计算出的p值记为p_proposed。
4. 顺序测试决策：将p_proposed提交给在线错误控制程序（如α消耗函数）。如果p_proposed小于当前轮次调整后的显著性水平，则我们拒绝原假设，并正式将区域更新为R'（即执行收缩）。同时，消耗掉一部分α预算。如果p_proposed不显著，则本轮不收缩，区域R保持不变。
5. 随机揭示新点（可选）：在某些变体中，我们也可以选择不收缩，而是从当前区域R中随机选择一个尚未揭示的数据点，将其从D_unrevealed移至D_revealed，以丰富我们估计ˆμ(·)的信息。这个动作本身不消耗α预算。
6. 更新：更新已揭示和未揭示数据集，进入下一轮迭代。

步骤3：输出最终亚组。当循环停止时，当前的区域R就是最终选出的亚组。由于整个过程中的所有检验都是在控制整体错误率下进行的，我们可以宣称这个亚组内的平均处理效应有(1-α)的置信度是大于μ_cut的。

注意：步骤2中的第3点是理解Chiseling有效性的关键。它之所以能“用全部数据做检验”，是因为检验统计量的计算虽然用了全部样本的协变量和处理分配信息，但结果Y的信息只来自已揭示集。对于未揭示集，我们只知道其(X, T)，不知道Y。收缩决策仅基于已揭示集的Y，因此未揭示集的Y仍然是“新鲜的”，可以用于无偏的检验。这好比侦探用一部分线索（已揭示集）锁定嫌疑范围，然后用完全独立的另一部分证据（未揭示集）来定罪。

3.2 关键参数设置与经验法则

要让Chiseling在实践中发挥良好效果，几个参数的设置需要仔细考量：

1. 初始揭示比例p：这是最重要的参数之一。p太小，则初始估计器ˆμ(·)太不准确，可能导致早期收缩方向错误；p太大，则留给后续检验的“新鲜”样本（未揭示集）太少，影响最终检验的效能。原文通过大量模拟建议，p在0.1到0.3之间通常是一个好的起点。一个实用的策略是进行一个快速的预分析：用不同的p值（如0.1, 0.2, 0.3）在小规模模拟或通过bootstrap计算验证集效用，选择一个表现稳定的值。

2. α预算分配策略：即顺序测试中，每一轮应该使用多严格的显著性水平。常用的α消耗函数有O'Brien-Fleming（早期严格，后期宽松）和Pocock（各轮均匀）。对于Chiseling，由于早期区域大、不确定性高，采用更保守（严格）的早期消耗是合理的。原文默认采用将总α平分给两次测试的策略（α0 = α/2），这是一个简单稳健的选择。更复杂的策略可以根据估计的效应大小或区域大小动态调整。

3. 停止准则：何时停止迭代？常见的选择有：(a) 区域R的大小（样本占比）低于某个最小值（如1%）；(b) 连续多轮（如3轮）无法拒绝原假设（即无法进一步收缩）；(c) α预算耗尽。建议结合使用，例如设定最小区域比例为2%，并且最多迭代20轮。

4. 效应估计器ˆμ(·)的选择：模型的选择会影响收缩的效率。线性模型简单、稳定，但可能无法捕捉复杂异质性。树模型（如随机森林、梯度提升树）和非参数方法（如BART）更灵活，但在小样本的已揭示集上容易过拟合。实操建议是：在初始阶段（数据少时）使用简单稳定的模型（如带正则化的线性模型），随着揭示点增多，可以切换到更灵活的模型。另外，考虑使用双重稳健估计量（如AIPW）来构建ˆμ(·)，即使倾向得分模型或结果模型有误，仍能保证估计的相合性，提升收缩的鲁棒性。

3.3 从黑箱到可解释：构建矩形亚组规则

机器学习模型估计出的ˆμ(·)可能非常复杂，其定义的亚组边界（如ˆμ(x) > c）难以用临床语言解释。这对于需要向医生或监管机构解释的临床应用是个问题。Chiseling框架提供了一种后处理方案来获得可解释的亚组。

在获得最终区域R（由复杂规则定义）后，我们可以采用“投影”或“近似”的思路。例如，我们可以寻找一个超矩形区域（即每个协变量上是一个区间，如“年龄在50-65岁且基线血压>140mmHg”），使得这个矩形区域与模型选出的复杂区域尽可能重合。具体做法可以是：对最终区域R内的样本，在每个协变量维度上，我们观察其取值分布。然后，对于连续变量，我们可以通过保序回归等技术，找到一个阈值区间，使得该区间内的样本大多数都在R内，且区间外的样本大多不在R内。通过选择最重要的几个协变量（例如，通过计算该变量在矩形规则中的“排他性”重要性），我们可以构建一个简洁的、基于少数几个临床指标的分类规则。原文在GSS数据应用中就采用了这种方法，找到了一个仅包含4%样本但效应量高达0.5的亚组，并用十个关键特征进行了解释，与先前文献分析高度一致。

4. 模拟与实证：Chiseling效能全景展示

4.1 模拟研究：在理想与挑战中验证

原文通过精心设计的模拟实验，展示了Chiseling在不同场景下的表现。我们重点解读两个关键场景：

场景一：全有或全无的响应者。假设人群中只有比例q的“响应者”，其条件平均处理效应为固定值τ，其余人的效应为0。这是一个最有利于亚组选择的场景，因为响应者和非响应者被清晰区分。模拟结果显示：

• 当q很大（例如q=1，即人人都是响应者）时，Chiseling的归一化期望效用与全局t检验相差无几（仅低12.5个百分点以内）。这符合直觉：当处理效应同质时，专门寻找亚组并无额外优势。
• 当q很小（例如q=10%，即只有十分之一的人受益）时，Chiseling的期望效用是全局t检验的两倍以上。这是一个巨大的提升。全局t检验因为被大量零效应个体稀释，功效几乎为零；而Chiseling能精准地“雕刻”出那10%的响应者群体。
• 更重要的是，Chiseling开始优于全局t检验的“转折点”，与“神谕”方法（已知真实τ(x)的最优方法）优于全局t检验的转折点几乎一致。这表明，Chiseling的困难只出现在亚组选择本身 intrinsically 就非常困难的场景下（例如响应者和非响应者的效应差异很小），而在有希望识别出亚组的场景下，它能近乎达到理论最优性能。

场景二：响应者获益，非响应者轻微受损。这是一个更现实也更具挑战性的场景：响应者获益τ，而非响应者遭受轻微损害（效应为-0.1τ）。此时选择亚组不仅是为了追求效益，更是为了规避伤害。模拟结果显示，Chiseling相对于全局t检验的优势被进一步放大。当q=10%时，Chiseling的归一化期望效用超过70%，而全局t检验的期望效用为零（因为整体平均效应为0）。这生动地说明，在面对“整体无效但部分有益、部分有害”的治疗时，Chiseling这类亚组选择方法不是锦上添花，而是雪中送炭，是做出正确临床决策的关键。

4.2 真实数据应用：GSS调查实验

作者将Chiseling应用于一个经典的社会科学调查实验——美国综合社会调查中关于“福利”与“援助穷人”措辞对政府支出支持率影响的实验。该实验已知整体上，措辞改变能带来约0.35的概率提升。他们设置了不同的效应阈值μ_cut（0.3, 0.35, 0.4），并在不同样本量下比较了各方法的平均验证效用。

结果非常显著：在所有设置下，Chiseling的平均效用都显著优于其他方法（数据分割、Bonferroni校正、全局t检验，甚至在某些情况下优于知道部分信息的“神谕”方法）。通过比较各方法在不同初始分割比例p下的最佳性能，Chiseling的峰值期望效用比次优方法高出32%到141%。这在实际数据中强力证实了Chiseling的样本高效性。

在将μ_cut设为0.45并对全数据（36,501个样本）运行Chiseling后，方法识别出了一个约占样本4%的亚组，该亚组内的经验处理效应差异高达0.50。通过构建可解释的超矩形规则，他们提取出的前十个重要特征与先前文献（如Green and Kern (2012)）的发现高度吻合，证明了其发现的可靠性与可解释性。

5. 实操指南与避坑要点

5.1 实施流程 checklist

要将Chiseling应用于你自己的项目，可以遵循以下步骤：

1. 数据准备与预处理：

   • 确保数据来自随机化试验或满足强可忽略性的观察性研究（此时需使用AIPW等双重稳健方法）。
   • 处理缺失值：对协变量进行适当的插补或删除。
   • 编码分类变量：建议使用独热编码。
   • 考虑对连续协变量进行标准化，特别是当使用基于距离或正则化的模型时。

2. 参数配置与模型选择：

   • 设定临床阈值μ_cut：这是最重要的先验决策，需基于领域知识（如最小临床重要差异MCID）。
   • 选择初始揭示比例p：从0.1开始尝试，可通过交叉验证观察验证效用曲线的稳定性。
   • 选择α消耗策略：初学者建议使用简单的α平分策略（α0 = α/2）。更激进或保守的策略需通过模拟验证。
   • 选择条件平均处理效应估计器：
     • 小样本（n<500）或低维数据：优先考虑Lasso回归或弹性网络。
     • 大样本高维数据：可考虑随机森林、梯度提升树（如XGBoost的reg:squarederror目标）或因果森林。
     • 强烈建议在核心分析外，尝试至少两种不同复杂度的模型，以检验亚组发现的稳健性。

3. 运行Chiseling算法：

   • 实现迭代循环。注意，在每一轮中，用已揭示集D_revealed重新训练估计器ˆμ(·)时，要确保处理组和对照组样本平衡，避免因样本失衡导致估计偏差。
   • 计算检验统计量时，对于未揭示集，你只有(X, T)，需要利用已揭示集拟合的模型来预测其处理效应吗？不，这里容易混淆。检验统计量是基于区域R'内所有样本的。对于已揭示点，我们有真实的Y；对于未揭示点，我们没有Y。因此，计算区域内的平均效应估计时，我们只能使用已揭示点中落在R'内的那些样本。这就是为什么未揭示集的存在保证了检验的无偏性，但也意味着检验的效能随着区域缩小和已揭示点数量限制而受限。

4. 结果解释与验证：

   • 获得最终亚组描述：使用第3.3节的方法，将复杂的模型决策边界转化为可解释的临床规则（如“AND”连接的若干条件）。
   • 进行敏感性分析：改变初始随机种子、调整p值、更换估计器，观察最终亚组的核心特征是否稳定。
   • 外部/内部验证：如果可能，在独立的数据集上验证该亚组的效应。如果无外部数据，可使用谨慎的交叉验证或bootstrap来评估亚组效应估计的变异性。

5.2 常见陷阱与解决方案

在实践中，以下几个坑需要特别注意：

陷阱一：初始揭示集过小导致错误收缩。

• 现象：在早期迭代中，由于已揭示数据太少，ˆμ(·)估计误差极大，可能基于噪声错误地将真正的高效应区域排除在外。
• 解决方案：1) 适当增大初始p值（如0.2）。2) 在早期迭代中使用强正则化的简单模型（如岭回归），抑制噪声。3) 引入“收缩容忍度”，即只有当提议收缩区域的效用估计显著高于当前区域（通过一个更宽松的检验）时才执行收缩。

陷阱二：协变量空间维度灾难。

• 现象：当协变量维度d很高时，随机初始揭示的点可能无法有效探索整个空间，导致收缩陷入局部最优。
• 解决方案：1) 在初始化时，可采用分层抽样确保已揭示集在关键协变量上的代表性。2) 在“随机揭示新点”步骤中，不采用均匀随机，而是采用基于当前ˆμ(·)不确定性的主动学习策略（如选择预测方差最大的点）。但需注意，这改变了算法的理论保证，需要更复杂的调整或将其视为探索性分析。3) 先进行特征选择或使用降维技术（如PCA）处理高维协变量。

陷阱三：模型误指定导致收缩方向偏差。

• 现象：选择的估计器ˆμ(·)与真实的τ(x)函数形式不符，导致收缩始终朝着错误的方向进行。
• 解决方案：1) 使用非参数或高度灵活的模型（如因果森林）。2) 使用双重稳健估计量（AIPW）构建ˆμ(·)，即使倾向得分或结果模型之一有误，仍能保证估计的一致性，从而提高收缩的鲁棒性。3) 采用模型聚合策略，例如用多个不同模型的预测均值来指导收缩。

陷阱四：最终亚组过于复杂或不可解释。

• 现象：算法找到了一个效应很强的亚组，但其定义依赖于几十个协变量的复杂交互，无法向临床医生解释。
• 解决方案：这是算法输出与临床落地之间的关键桥梁。除了前述的“投影到超矩形”方法，还可以：1) 在Chiseling过程中，强制收缩沿着可解释的边界进行，例如每次只基于单个协变量进行划分（类似于决策树）。这会牺牲一些灵活性，但换来完全的可解释性。2) 将Chiseling作为“发现工具”，找到潜在的高效应���域后，再用传统的逻辑回归等简单模型在该区域附近进行拟合，得到一个简约的评分规则。

陷阱五：忽略未揭示集样本耗尽。

• 现象：迭代过多轮次后，未揭示集样本所剩无几，导致最终检验的统计效能很低，即使找到了潜在亚组也无法通过显著性检验。
• 解决方案：设定一个合理的最小未揭示集样本量作为停止准则之一（例如，不少于总样本的20%）。确保有足够的“新鲜”样本用于最终的确证性检验。

6. 前沿展望与扩展思考

Chiseling框架的优雅之处在于其灵活性，原文也提纲挈领地指出了多个富有潜力的扩展方向，这些正是我们作为实践者可以深入探索的领域：

1. 更智能的区域收缩策略。当前默认沿ˆμ(·)的等高线收缩，但这未必是最优的。一个更强大的思路是同时考虑效应大小和估计不确定性。例如，Spiess等人(2023)指出，一个效应中等但方差很小的区域，可能比一个效应很大但方差也巨大的区域，更容易通过统计检验。因此，收缩时可以优化一个权衡效应量估计值与其标准误的指标，而不仅仅是效应量点估计。

2. 动态的α预算分配。简单的α平分策略可能不是最有效的。一个自适应的策略是：在早期，当区域很大、不确定性高时，分配较少的α（更严格）；当收缩到一个小区域，且效应估计很精确时，可以分配更多的α（更宽松）来尝试拒绝。这需要在线错误控制理论的新进展来支持。

3. 超越单次拒绝：多重检验与效应估计。基础Chiseling只回答“是否存在一个效应大于阈值的亚组”。但临床问题往往更复杂：我们可能想找出所有效应大于阈值的亚组（多重检验），或者不仅找出亚组，还想估计其效应大小并给出置信区间。原文附录提到了一些初步的扩展思路，例如使用闭合检验程序来控制族错误率，或利用Chiseling过程中产生的中间信息来构建同时置信区间，这些都是极具价值的研究方向。

4. 处理更复杂的效用函数。默认效用函数是广度与强度的乘积。但在卫生经济学评估中，我们可能关心成本效益比；在风险管控中，我们可能更关心下分位数效应。Chiseling框架可以自然地扩展以优化用户自定义的任何效用函数，只需要相应地调整区域收缩的准则和检验统计量。

5. 与领域知识的融合。当前Chiseling是完全数据驱动的。但在许多场景下，我们有丰富的先验知识（如某个生物标志物很可能相关）。如何将这些知识融入初始化（例如，初始揭示集更集中于该生物标志物高表达的患者）或收缩过程（例如，优先沿已知生物学意义的维度收缩），是一个将统计方法与领域科学结合的前沿课题。

从我个人的实践体会来看，Chiseling最大的魅力在于它将探索与推断无缝地编织在一起。它不像传统方法那样将“数据窥探”视为洪水猛兽，而是通过严格的顺序测试理论为其提供了一张“安全网”，允许分析者在数据中自由探索，同时不逾越统计有效性的边界。这种方法特别适合现代数据丰富的环境，在那里我们既不想浪费任何一个数据点，又必须对得出的结论负责。当然，它的计算复杂度和对参数设置的敏感性要求使用者具备一定的统计素养。我建议在首次应用时，花时间进行充分的模拟研究，以理解在你自己数据生成机制下，不同参数选择的表现。记住，没有放之四海而皆准的默认设置，理解你手中的工具，并用数据来校准它，才是应用任何先进方法的不二法门。