目标试验模拟：从观察性队列到因果问题

已完成并验证全部交付物。所有患者、治疗、协变量与结局均为完全虚构的教学数据，不得用于真实临床推断。

核心演示结果

主分析采用基于全部预先指定可测基线协变量的稳定化 ATE-IPTW：

诊断摘要：

• A/B人数：131/109
• 总体有效样本量 ESS：166.7
• 最大稳定化权重：8.86
• 加权后最大绝对 SMD：0.117
• 截尾后效应明显向零移动，提示估计对较大权重有一定敏感性
• 区间均跨越无效值，且这是刻意包含未测量混杂的虚构数据，不能据此判断治疗优劣

报告中特别完成了：

• 入组、治疗确定和随访起点的 day 0 对齐审计
• 倾向评分重叠、极端权重、ESS与经验阳性诊断
• 加权前后协变量平衡及 Love plot
• 1–99和5–95百分位权重截尾敏感性分析
• 隐藏基线脆弱性 U 的模拟器 oracle 审计，演示“平衡良好并不排除未测量混杂”
• 明确区分诊断结果与因果识别假设
• 600次非参数 bootstrap，并在每次重抽样中重新拟合倾向评分

交付文件

完整压缩包已保存为项目 Result：

target_trial_demo_deliverables.tar.gz
Result ID：art_582297e2-cb6d-4f12-b62f-51296f785e6c

压缩包内包括：

• target_trial_report_zh.html — 中文自包含HTML报告
• synthetic_cohort_240.csv — 240例虚构队列
• effect_estimates.csv — 主分析及截尾敏感性效应表
• covariate_balance.csv — 加权前后SMD
• weight_diagnostics.csv — 权重及ESS诊断
• unmeasured_confounding_audit.csv — 生成真值、主分析和oracle比较
• love_plot.png — Love plot
• weight_distribution.png — 权重分布与PS重叠图
• run_analysis.py — 可复现Python脚本

可在解压后的目录运行：

python run_analysis.py

脚本使用固定随机种子 20260914，会重新生成全部数据、表格、图片和HTML报告。