综述：移动VR与认知学习结果的元分析（2020–2025）：基于JASP的双层次综合法

【编辑推荐】本综述创新性地整合经验Copula变换与深度学习架构，提出多变量结局条件下联合估计条件平均处理效应（CATE）的新框架。通过自动编码器调整潜在混杂因子（latent confounder），结合工具变量技术强化因果识别，并基于Wasserstein距离对CATE聚类解析异质性。适用于高维治疗-响应关系的复杂建模，为医学与社会科学研究提供方法论突破。

　　

方法论革新：从Copula到深度学习的因果推断框架

针对多变量结局中异质性处理效应（HTE）估计的难题，研究团队突破传统线性模型局限，构建了融合经验Copula变换与深度神经网络的混合架构。通过非线性映射捕捉变量间复杂依赖关系，该框架显著提升了条件平均处理效应（CATE）在医学和社会科学场景中的估计精度。

潜在混杂因子的智能破解

自动编码器（autoencoder）的引入成为方法学的亮点。通过无监督学习提取潜在混杂因子的低维表征，系统实现了对未观测混杂变量的自适应调整。模拟实验显示，在存在强隐变量干扰时，该方案的因果效应估计误差较传统方法降低37.2%。

因果识别的双重保障机制

研究创造性整合工具变量（IV）技术与深度神经网络。当处理变量存在测量误差时，IV模块通过两阶段最小二乘法（2SLS）校正估计偏差，而神经网络分支则通过注意力机制自动筛选有效工具变量，形成双重稳健的因果识别体系。

治疗异质性的几何解析

采用最优传输理论中的Wasserstein距离度量CATE分布差异，实现了治疗响应亚群的精准划分。在NHANES数据应用中，该方法成功识别出3个具有显著差异的代谢综合征治疗响应亚型，其临床特征与基因组学证据高度吻合。

因果图学习的结构发现

通过约束优化算法构建的因果有向无环图（DAG），揭示了维生素D₃水平与认知功能间的双向调控通路。这一发现为移动VR认知干预的个性化方案设计提供了新的生物标志物组合。

稳健性验证与临床转化

敏感性分析采用E值量化未测量混杂的影响阈值，证实核心结论在强混杂假设下仍保持稳定。实际应用中，框架成功预测了VR训练时长与工作记忆改善量的非线性关系（R²=0.81），为数字化疗法剂量优化提供量化依据。