你想研究体重对糖尿病的影响。只看某一天的 BMI，就像只凭电影的一帧判断剧情：有人多年维持高位，有人近期才上升，单个数字会抹掉时间、持续长度和累积负担。传感器读数、用药剂量、污染暴露也一样，真正的“处理”往往不是一个开关或一个剂量，而是一条随时间变化的曲线。
Ciardulli、Fontana、Vantini 和 Ieva 的预印本把倾向得分加权推广到这种函数型处理——也就是把整条轨迹当作处理。方法不只要比较“谁接受了什么”，还要比较“谁经历了怎样的一条曲线”。作者进一步让协变量和结局也可以是曲线，并把原本较吃算力的求权重过程改写成更容易计算的优化问题。
不过，本文目前是一篇 arXiv 预印本，方法、实验和 UK Biobank 应用都来自同一信源。下面的性能与健康效应均是作者报告，尚无独立研究交叉验证。
难点不是曲线，而是人本来就不同
观察性研究不是随机试验。病情较重的人可能用药更多，结局也更差。直接把“用药多”和“结局差”连起来，会把原有病情造成的差异算到药物头上。这叫混杂：某些因素同时影响处理和结局，让两者的关联混入人群差异。
传统的倾向得分加权会估计一个人在自身协变量条件下接受某种处理的可能性，再给样本分配权重。目标不是让所有人变得相同，而是构造一个加权后的“伪人群”，使不同处理人群在已观测协变量上更可比。
处理变成曲线后，事情复杂得多。研究者不能直接为无限维的曲线定义普通概率密度。论文先使用函数型主成分分析（FPCA）压缩轨迹：它从大量时间点中提取几种最主要的变化模式，再用少数几个分数表示每个人的曲线。可以把它理解为，不再逐点比较两条曲线，而是比较它们的整体水平、上升下降趋势等主要特征。
随后，方法寻找一组权重，让这些处理曲线的主成分分数与已观测混杂因素在加权样本中均值归零、彼此不相关。说白了，它不是准确预测每个人为何得到某条轨迹，而是直接校准天平：加权以后，处理轨迹不再系统性地跟性别、既往健康状态等已观测差异绑在一起。
关键一步，是从“逐个配砝码”改成“求调节旋钮”
此前的 Functional Propensity Score 方法通过带约束优化寻找每个人的权重，还要依次调整降维参数，并对平衡目标施加比例约束。样本和特征一多，计算负担就会迅速增加。
新论文转而求解这个问题的对偶形式——不直接在所有样本权重上搜索，而是寻找一组对应平衡条件的参数，再通过类似 softmax 的变换恢复每个人的正权重。改写后得到平滑、无约束的凸优化，可用 BFGS 准牛顿算法求解；优化变量的数量取决于处理和协变量的压缩维度，而不是直接随样本数增长。
这不是换个公式写法那么简单。它保留“让处理与混杂因素脱钩”的目标，却减少了大样本下需要操纵的自由度。作者在一组模拟中报告，旧方法的运行时间约为新方法的 1890 倍；随着样本量增加，旧方法成本快速上升，新方法在论文考察的范围内较稳定。平衡检验中，新方法的表现也更稳定，旧方法则随参数和样本量出现不规则波动。
模拟还给出了偏差变化。在线性关系的一个设置中，未加权估计的积分平方偏差为 0.2397，加权后降至 0.0009；在其他设置中，作者同样观察到明显的偏差下降。但准确率并非任何设置下都自动提高：当结局模型设定不当、曲线保留的主成分不足时，MISE——估计曲线与真实曲线之间积分平方误差的中位数——可能变差。增加处理曲线的保留成分能缓解一部分问题。换句话说，权重可以改善可比性，却不能替研究者自动选对曲线表示和结局模型。
不只问“有没有影响”，还问“何时影响何时”
框架也允许混杂因素本身是一条曲线。例如患者的健康指标长期变化，单个基线数值可能概括不全。论文同样用 FPCA 把函数型协变量压缩成少数分数，再把这些分数加入平衡条件；对偶优化的基本结构无需改变。
如果结局也是曲线，方法估计的就不再是一条效应函数，而是一张因果效应曲面。横轴可以是处理发生的年龄，纵轴是结局测量的年龄，曲面高度表示某一时点的处理与随后某一时点结局之间的边际效应。论文用 function-on-function marginal structural model——“曲线对曲线”的边际结构模型——把问题拆成若干加权回归，再拼回完整曲面。
时间重叠时还要遵守一个朴素限制：未来不能影响过去。论文把效应曲面限制在处理时间早于结局时间的三角区域，并用定义在该区域内的分片线性基函数来实现这一约束。
UK Biobank 展示了它能问什么
作者将方法用于 UK Biobank，研究中年 BMI 轨迹与两类后续代谢结局：新发 Type 2 Diabetes，以及 glycated hemoglobin（HbA1c，反映血糖控制状况的指标）轨迹。研究控制了性别、族裔、吸烟、糖尿病家族史和多种既往疾病等基线变量；糖尿病分析还纳入基线 HbA1c。
在糖尿病分析中，作者报告加权后 BMI 轨迹的主成分与基线协变量的相关性降至零。加权效应在观察期内为正，早期更强，随年龄减弱，约 57 岁后与零的差异不再具有统计显著性；未加权估计则全程更大。对 HbA1c 的分析得到一张整体为正的效应曲面：较早中年阶段的 BMI 与后续 HbA1c 的估计效应更强，较晚暴露的效应较弱，区间也更宽，部分包含零。
这些结果展示了曲线方法相对单个 BMI 数字多提供了什么：它试图区分暴露发生的时机，并追踪影响何时出现在后续结局上。但“应用了因果方法”不等于已经证明临床因果关系。作者也明确提醒，遗传倾向、饮食和身体活动等未纳入因素仍可能造成残余混杂。
为什么值得关注
这项工作的价值，不只在 BMI。用药剂量、污染浓度、温度、收入或消费都可能是一段过程。把它们压成平均值，计算方便，却可能丢掉时机、持续时间和累积负担。这个框架提供了一条统一路线：先把曲线压缩成主要变化模式，再对这些模式做协变量平衡，最后估计一条效应函数或一张效应曲面。
更重要的是，它正面处理了规模问题。曲线数据本来就比单个数值更重；如果权重估计还直接随样本量膨胀，方法很难进入大型队列。对偶改写让这类分析更接近可实际运行的工具。作者也已在 GitHub 提供用于方法和模拟复现的 R 包 FPScausal。
局限与未知
- 识别依赖强可忽略性：所有同时影响处理轨迹和结局的重要混杂因素都已被观测并纳入。现实中只要漏掉关键因素，加权后的“因果效应”仍可能有偏。
- 方法还要求正值性：每类协变量人群都要有机会出现足够多种处理轨迹。如果某类人实际上只会走一条轨迹，数据就无法告诉我们他们走另一条轨迹会怎样。
- 当前实现依赖较密集、较规则的轨迹来可靠估计主成分，并假定线性的函数型效应关系。作者把稀疏或不规则观测以及非线性效应列为后续方向；1890 倍提速和效果优势也仍需独立复现。