你发现自己焦虑严重时更愿意接受治疗，状态平稳时反而少去。几个月后，治疗期的焦虑评分更低。是治疗起了作用，还是因为就诊时机、生活事件等没有记录的因素？对一个人的观察数据来说，这几乎是绕不开的难题。
Shane W. Sparkes 的这篇论文没有宣称识别通常意义上的“个人平均治疗效果”。它换了一个更窄的目标：不问干预让平均焦虑评分降低多少，而问干预是否改变了这个人可能出现的评分集合。作者把这类目标称为 Ω estimands。论文声称，在 structural causal model（结构因果模型，用变量及其因果关系描述干预如何影响结果的模型）中，只需 positivity 条件，就能从观察数据识别这类目标，即使有些混杂因素从未测量。
这是一个理论框架，全部论断及示例均来自这篇 arXiv 论文，尚无独立信源交叉验证。
一个人的数据，难在哪里？
N=1 研究只有一名研究对象，通过反复记录干预和结果，回答“这对这个人有没有用”。它不同于比较许多人的群体研究，也常常无法随机安排治疗。
问题首先是未测混杂——某些未记录因素同时影响干预选择和结果。比如来访者遭遇危机时，治疗师会调整服务，当天的焦虑评分也会变化。直接比较“接受治疗”和“没有接受治疗”时的评分，就混在了一起。
其次，同一个人前后的状态也不能自动视为完全可比。治疗前后的时间、环境和经历都不同。我们不能倒带，在完全相同的条件下同时观察“接受治疗”和“未接受治疗”的结果。
常见的单案例设计会划分无治疗期和治疗期，有时反复切换并随机安排顺序。但论文指出，自然发生的行为健康照护并不总能这样做：故意停掉治疗可能不合适，治疗留下的持续改变也不会在切换阶段时自动消失。
不再比较概率，而是比较“可能性边界”
因果 estimand 是研究真正想估计的目标量。最熟悉的例子是：接受和不接受干预时，结果平均相差多少。目标量换了，识别它所需的条件也会改变。
这篇论文把注意力从结果的完整分布移到 support。Support 是一个分布实际支撑的取值集合。离散情况下，可以粗略理解为所有概率不为零的结果。例如，一套焦虑量表虽然允许 0 到 10 分，某个人在特定状态下真正可能出现的也许只有 {7, 8, 9}。量表范围不等于这个人的 support。
Ω estimand 对 support 使用某个函数，例如最小值、最大值、集合大小，或集合内各个取值的简单算术平均。因果比较则考察干预与未干预时这些函数的差异。
直观地说，传统方法关心 {7, 8, 9} 中每个分数分别有多常见；新框架先把这些频率放到一边，只问哪些分数仍有可能出现。如果治疗让极端焦虑值不再属于可能结果，support 就发生了变化，即使论文没有估计各分数概率具体改变了多少。
这也是框架避开部分混杂影响的关键。未测因素可能重新分配同一 support 内的概率，却未必改变哪些值具有正概率。作者据此主张，Ω estimands 不依赖概率如何分配，因此不会受到限制其他方法的同一种混杂影响。
但这个表述必须读得很窄：两种情形具有相同 support，不代表它们的分布相同，更不代表均值相同。论文识别的是“可能取值集合的某种对比”，不是自动识别常规治疗效应大小。
唯一的硬条件，也并不轻
论文的核心命题是：在其结构因果模型中，只要满足 positivity，观察到的结果 support 就与严格实施干预时的结果 support 一致，而且不需要知道、测量或调整混杂变量。
Positivity 可以理解为“每种相关背景状态下，所讨论的干预仍有可能发生”。论文采用 de Finetti 式主观概率解释，把概率视为一个人对不确定性的度量。因此，这里的条件更具体地表示：某个背景因素的存在，不能彻底排除某种干预；某种干预也不能彻底排除相关背景状态。
治疗定义得太细时，这个条件很容易失败。来访者处于危机中，治疗师就不会进行轻松的思维梳理练习，因为危机处置排除了这种选择。论文建议把干预表达得更粗，例如只记录一段时间内是否接受某类服务。这样更可能满足 positivity，但前提是这种粗粒度表达仍忠实于实际问题。
所以，positivity 不是一句可以略过的技术声明。它决定了作者的识别结论能否成立，也会受到干预如何定义的影响。
两座可选的桥
框架还提出两个额外条件，但它们不是免费赠送的结论。
第一座桥处理稀疏的基线记录。行为健康服务开始前，机构可能只有一次测量。论文允许来访者回忆治疗前一段时间的概括性状态，代替缺失的密集基线，但要求回忆所依据的可能取值集合与当时实际测量会得到的集合一致。它不要求回忆值完全准确，却仍是一个无法直接验证的附加条件，也可能受到当前情绪等因素影响。
第二座桥尝试连接 support 对比与传统的均值对比。论文使用 expected-average identity，把 support 中各值的算术平均与按概率加权的期望联系起来。只有在干预前后概率分布相对 support 的结构满足额外保持条件时，两类对比才能形成相应关系。不能因为 support 可识别，就直接推出平均治疗效果也可识别。
为什么值得关注？
这个工作的价值，不是宣布未测混杂已经失效，而是认真追问：当常规目标无法可靠识别时，能否换一个仍有临床意义、同时条件更少的因果问题？
在 measurement-based care（持续用量表或其他指标跟踪照护结果）中，数据来自真实服务过程。治疗师不能为构造完美数据而不断测量所有生活背景，也未必能随机停用治疗。Ω estimands 为这类资料提供了一种较弱但可能可用的判断：治疗是否改变了一个人结果的可能范围，尤其是否排除了某些极端状态。
论文用认知行为疗法治疗焦虑的个案说明医疗服务提供者可以怎样进行基础分析。不过作者把它定位为 illustrative case study，即用于展示方法的案例，不能当作认知行为疗法临床有效性的新增证据。
局限与未知
- 目前所有强结论都来自作者自己的理论论证。论文关于“仅需 positivity、无须测量混杂”的说法，应等待同行评议及更多模拟或实证检验。
- N=1 数据通常很少；结果近似连续时，如何可靠估计 support，以及 positivity 能否成立，现有材料没有给出足够答案。
- 这个框架识别的是 Ω estimands。它没有普遍解决个人平均治疗效应、效应大小或完整结果分布的识别问题。它更像是把问题缩到一个可以严肃回答的范围，而不是把原来的难题全部消除。