你想判断“开始读课外书会不会提高孩子的认知能力”。手里有家庭环境、睡眠、屏幕使用、心理状态等数百项资料。全塞进模型，噪声可能淹没信号；只挑最能预测“谁会读书”的变量，又可能挑中与认知结果无关的信息。COMPACT要解决的，正是观察数据里这个常见却棘手的问题：到底该拿哪些信息来消除组间原有差异。
它没有逐个裁决变量该留还是该删，而是给候选信息寻找一个低维的“调整空间”。其中的方向必须同时与处理选择有关，也与扣除处理影响后的结果有关。随后，COMPACT把这个要求改写成广义特征值问题，用谱方法——借助矩阵的特征值和特征向量提取主要结构——一次求出相应方向。
本文所有方法、理论与实验结论均来自 Eric V. Strobl 的单篇 arXiv 论文，尚无独立复现。
变量不是越多越保险
观察性研究没有随机分组。比如健康状况既影响一个人是否接受治疗，也影响康复结果，它就是混杂变量。如果不处理这种差异，研究者可能把患者原本的健康优势误算成治疗效果。
研究者通常会选一组处理发生前的变量来消除混杂，这组变量叫调整集。但“全部调整”并非保险做法。误调中介变量或碰撞点，反而可能制造偏差；变量太多、类型混杂且测量嘈杂时，估计也会变得困难。
经典工具倾向得分，会把许多背景变量压缩为“一个人在已知条件下接受处理的概率”。对二元处理，它能帮助处理组和对照组变得更可比。问题在于，完整预测处理选择也会吸收只与处理有关、却与结果风险无关的变化。模型可能越来越会猜谁接受处理，却没有更好地控制混杂，甚至把预测概率推向接近零或一，削弱可比性。
不问“谁最会预测处理”，先问“两关都过了吗”
COMPACT全称是 Confounding-Oriented Multivariate Proxy Adjustment for Causal Targets。它先考察候选分数、处理和结果之间的六种基本依赖关系，包括直接关系，以及在给定第三个变量后的条件关系。
作者允许存在潜变量——没有被直接观测、却可能影响数据的因素——并假设 faithfulness（忠实性）：图结构中的连接与独立关系会如实反映在数据依赖中，不会因参数恰好抵消而隐藏。
在这套设定下，作者找出一组不随“处理是否真的导致结果”而改变真假的依赖关系。候选分数要同时满足两点：它与处理有关；在扣除处理能解释的部分后，它仍与结果有关。前者保证分数包含分组信息，后者阻止算法把精力花在“只预测处理、不解释结果”的方向上。
论文把两种相关性相乘，形成一个“AND”判据。任何一关不过，理论上的乘积就为零。作者称这套判据是 complete（完整的）：在其考察的六种基本关系中，没有遗漏符合处理效应不变性的关系；也是 irreducible（不可约的）：去掉任意一项，允许的因果图范围都会扩大。
这里的“完整”和“最具体”都有明确边界。它们针对论文规定的有时间顺序的图类、六种基本依赖关系以及忠实性假设，不代表COMPACT解决了所有因果图上的变量选择。
谱方法把两道门变成一个可计算的问题
直接优化两个相关性的乘积并不容易。COMPACT保留同时奖励“处理相关”和“残差结果相关”的乘积部分，再用更便于计算的归一化方式近似原目标，最终把问题化成一次广义特征值分解。
可以把它理解为给每个数据方向做双科评分：一科看它能否帮助平衡处理组与对照组；另一科看它能否解释处理之外的结果差异。谱方法不是逐个变量贴标签，而是找出若干变量共同形成的方向。许多微弱线索因此可以合并，而不是因为单项不显眼就被丢掉。
在论文讨论的标量处理、标量结果场景中，关键算子秩最多为二，所以COMPACT保留一个二维空间。一个方向对应 treatment-balancing coordinate，即帮助平衡处理分配的信息；另一个是 outcome-guided coordinate，即由结果引导的调整信息。算法只需恢复二者张成的平面，不必认定哪根坐标轴必须叫什么。这也让研究者能在二维空间里查看处理重叠和效应差异。
论文还讨论了代理变量。现实中，真正需要调整的基线状态可能无法直接观测，只能通过症状、问卷或行为记录等许多带噪指标间接捕捉。作者证明，在代理信息“足够丰富”的前提下，COMPACT可以恢复上述调整空间的正则化线性预测，而不要求直接看到真正的调整变量。
实验为什么值得看
模拟实验设置了20维潜在基线状态和最多500个代理变量，并改变代理信息的数量与质量，共形成12种条件。作者报告，COMPACT在平均处理效应（ATE，即全体对象的平均因果差异）上处于最好或有竞争力的一组；在条件平均处理效应（CATE，即不同对象或分数位置上的效应差异）上，各条件均取得最低误差。消融实验中，只保留处理信息或只保留结果信息，对ATE的影响不明显，但完整COMPACT在CATE上更好。这与它同时保留两类坐标的设计相符。
真实数据应用来自美国儿童纵向队列ABCD Study。研究考察开始为乐趣而阅读与随后认知表现的关系。作者为六项认知结果分别建模，样本量介于1,785至2,637人，并从人口、家庭冲突、行为、屏幕使用、睡眠、活动和身体测量等类别纳入248项基线变量。推断使用10,000次按家庭聚类的bootstrap，以处理兄弟姐妹之间的相关性。
作者报告，开始为乐趣而阅读与随后更高的结晶认知相关，且未发现显著的全局CATE异质性。这个结果被描述为“与因果效应一致”，并非随机试验式的直接证明。论文也建立了完整流程的bootstrap有效性：每次重采样都重新学习COMPACT分数，再重做下游回归，从而同时纳入“分数怎么学出来”和“效应怎么估出来”两部分不确定性。
它真正推进了什么
COMPACT最有意思的地方，不是又造了一个更复杂的倾向得分，而是换了评分问题：候选信息不该只凭“多会预测处理”获得高分，还要证明自己保留了与结果有关的调整价值。
它也把任务从“找出唯一正确的变量清单”改成“恢复足够用于调整的低维信息空间”。当混杂线索分散在大量弱代理中时，这个角度尤其自然。COMPACT负责学习调整表示，最终的因果效应仍由下游分析估计；它不是一键给出因果答案的工具。
局限与未知
- 理论保证依赖忠实性、线性可检测性、时间顺序、无选择偏差及下游学习器一致性等条件。非线性依赖若在线性相关中不可见，乘积判据也可能漏掉它。
- “足够丰富的代理变量”是恢复结论的重要前提。现有材料没有给普通使用者一个简单阈值，用来判断自己的代理系统是否已经足够。
- 论文称COMPACT优于多种替代方法，但这仍是作者单一信源的模拟和应用结果。真实数据部分也只能提供与因果解释一致的证据，不能排除模型假设不成立或仍有未充分捕捉的混杂。