分布平衡，不只盯着均值

你想比较一种药有没有效果，却发现用药者通常病得更重。即使两组患者的平均年龄、平均病程已经对齐，结果仍可能不可信：一组或许年龄更分散，或同时聚集着“高龄且重症”的患者。只盯均值，就像确认两支队伍平均身高相同，却没看清各自到底由哪些人组成。

Haoran Zhang、Guanhua Chen 和 Chan Park 提出的 Sliced Distributional Balancing（SLDB，切片分布平衡），想把这件事做得更彻底：不用患者结局来挑权重，直接让处理组、对照组在处理前协变量的完整分布上更接近。同时，它试图避开高维分布比较常见的计算负担。

本文所述方法、理论与实验结论均来自作者的 arXiv 论文，尚无独立信源交叉验证。论文标识为 arXiv:2609.09600；材料未提供可核验的发布日期或正式发表状态。

均值一样，可能仍是两群人

观察性研究不是随机试验。谁接受处理，往往与其原有特征有关；这些特征又可能影响结果。这叫混杂（confounding）。例如，病情更重的人更常用药，也更容易出现坏结局。直接比较两组，药物作用和原有病情就混在了一起。

协变量平衡加权的做法，是给每个样本设置不同权重，构造一个更可比的“伪总体”。权重高的人在比较中多算一点，权重低的人少算一点。传统方法常对齐若干预先指定的特征或低阶矩，比如年龄均值、病程均值。但均值相同，不代表方差、偏态以及多个变量之间的联合关系相同。

近年的分布平衡方法因此希望对齐完整分布。常见路线是 Maximum Mean Discrepancy（MMD，最大均值差异）——借助核函数，把复杂分布映射到一个便于比较的空间。问题在于，标准实现通常需要构造和处理稠密的核 Gram 矩阵，也就是记录每对样本相似程度的大表。样本一多，内存和计算压力都会上升。

把高维问题切成许多一维问题

SLDB 换了一个观察角度。假设每位患者都有年龄、病程、检查指标等多个协变量。直接比较这些变量组成的高维分布很难，但可以选一个方向，把每个人的多项特征压成一个数，再比较两组在这条数轴上的分布。换一批方向，重复比较，最后汇总。

这里的“切片”，就是沿不同方向做一维线性投影。每个切片上，SLDB 比较两组累积分布函数（CDF）之间的 $L^{p}$ 距离，再对距离取平方，并在投影方向上求平均。 $p \in [1, \infty)$ ，它控制一条投影线上不同位置的差异如何汇总。

这套思路依赖 Cramér–Wold device：如果两个多元分布在所有一维线性投影上的分布都相同，那么两个多元分布相同。它让“一张张切片”有机会刻画完整分布，而不只是检查几项均值。

理论定义考虑所有方向，实际计算不可能逐一遍历。论文从单位球面随机抽取若干投影方向，用这些方向的经验平均近似完整积分。因此，严格的分布识别来自全方向准则；有限随机投影在计算中是近似，投影数量也是需要调节的参数。

不同的 $p$ 会改变“不平衡”被如何计分，却不改变精确平衡的含义。论文指出， $p = 1$ 时，一维部分与 Wasserstein-1 距离有关； $p = 2$ 时，该准则在常数倍意义下对应 energy distance（能量距离），也是这一族中唯一能写成平方 MMD 的情形。其余 $p$ 一般落在 MMD 框架之外。

排序，是它的计算抓手

投影完成后，每个高维样本只剩数轴上的一个位置。经验累积分布函数是阶梯状的，距离积分可以转成由排序区间决定的有限加权和。于是，SLDB 的核心计算变成一维排序和算术运算，不必保存标准 MMD 方法常用的稠密核矩阵。

作者用 projected subgradient descent（投影次梯度下降）寻找权重：算法先沿着降低目标函数的方向更新，再把结果投回合法权重集合，保证权重非负并满足归一化约束。目标里还加入 ridge penalty（岭惩罚），用于增强凸性并稳定权重。随机投影数量、惩罚强度、步长和停止条件都需要选择；作者称其默认流程只看处理前协变量，不使用结果数据。

各投影方向彼此独立，因此可以并行计算。作者还给出了不同理论目标下的投影数、惩罚强度和单轮计算量分析。不过供稿中的公式符号在抓取时缺失，无法可靠还原具体复杂度阶数。可以确认的是，论文声称其单轮复杂度低于通用 MMD 二次规划的近似立方级成本；在追求渐近正态性时，缓存全部排序可能增加内存，论文建议改为按需重新排序，以时间换空间。

不看结果，也想把推断做完整

“设计式”原则是这项工作的另一条主线：先只根据处理分配和处理前特征设计权重，再分析结果，尽量避免为了得到理想答案而反过来调整设计。

论文以平均处理效应（ATE，即总体接受处理与不接受处理时，平均结果之差）为主要目标。作者证明，在其列出的支持集、结果回归平滑性、结果矩条件和调参速率等条件下，SLDB 的 ATE 估计具有 $\sqrt{n}$ -consistency：样本量增加时，误差按常见的参数速率缩小。

更强的结论需要更强的前提。当岭惩罚按规定速度减弱，协变量分布具有有界密度，逆倾向得分足够平滑，并满足其他正则条件时，作者证明权重可逼近理想的逆倾向权重，ATE 估计渐近正态。其渐近方差达到非参数模型下 ATE 的 semiparametric efficiency bound——在相应模型与正则条件中，正规估计量可达到的效率界限。

值得注意的是，这些结论不要求拟合 outcome model（结果模型）来做 augmentation，也就是不靠额外的结果回归修正加权估计。作者称，这是分布平衡估计中首个对未增强估计量给出渐近正态性的结果。这个“首个”仍是论文自己的文献判断。

推断方面，论文考察三条路线。只依赖权重的 plug-in 方差估计可构造 Wald 型置信区间；作者证明它渐近保守但有效。Subsampling（子抽样）所需条件更弱。标准非参数 bootstrap（自助法）看似自然，但作者未能为 SLDB 建立有效性，并称数值研究显示它可能失效。

为什么值得关注

SLDB 的意义不只是换一种距离公式。它试图同时守住三件常被迫取舍的事：对齐比均值更完整的协变量结构；不使用结果数据来设计权重；又把高维比较拆成便于排序和并行的一维任务。

论文还把框架扩展到处理组平均处理效应、局部平均处理效应、亚组效应、多类别处理和最优处理方案学习。不过这些扩展放在附录中，当前材料不足以展开其具体条件与表现。

作者称，模拟研究和真实世界应用中，SLDB 与现有方法相比具有竞争力，也展示了计算优势。但材料没有保留下实验的样本规模、基线方法、评价指标或具体数字。因此，目前能确认的是方法结构与作者给出的理论论证，不能据此判断它在什么数据规模、维度和场景下稳定胜出。

局限与未知

完整分布平衡仍依赖现实中的重叠性。 如果某类患者几乎只会进入处理组，另一组没有可比对象，强行平衡可能产生极端权重，让估计很不稳定。论文的理论条件不能被理解为无条件保证。
有限投影是近似。 Cramér–Wold device 支持“所有方向”识别多元分布；实际算法只随机抽取有限方向。论文用投影数量的增长条件控制近似误差，但材料不足以判断有限样本中需要多少方向才稳妥。
经验优势缺少可复述的量化证据。 供稿未提供实验数字，也未完整保留复杂度公式。因而“计算更优”和“表现具有竞争力”目前只能按作者结论呈现，不能做更强推广。