跳转至

Efficient Nonparametric Inference for Mediation Analysis with Nonignorable Missing Confounders

作者: Jiawei Shan, Wei Li, Chunrong Ai
来源: Journal of the American Statistical Association
主题: 因果推断
相关性: 10/10
链接: https://doi.org/10.1080/01621459.2026.2654218


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是因果中介分析(causal mediation analysis)在非随机缺失(missing not at random, MNAR)混杂变量下的识别与推断。其根本科学问题是:当混杂变量(confounders)存在非随机缺失时,如何从观测数据中识别并高效估计自然直接效应(NDE)与自然间接效应(NIE)。该问题的统计困难在于:(i) 非随机缺失导致观测数据的联合分布无法直接识别完整数据分布,需要额外假设(如 shadow variable);(ii) 即使识别成立,估计过程涉及求解第一类 Fredholm 积分方程(ill-posed inverse problem),其收敛速度可能极慢,导致传统的半参数效率理论(要求 nuisance 以 \(n^{-1/4}\) 速率收敛)失效。该方向当前成熟度:识别理论相对成熟(shadow variable 框架已有较多工作),但非参数估计的渐近分布理论与效率界刻画仍属前沿,尤其是缺失混杂变量这一具体设定此前缺乏系统性处理。

发展脉络(history)

作者在引言中梳理的文献可串成如下线索:

  • 奠基工作:中介分析的现代因果框架由 Baron & Kenny (1986)、Robins & Greenland (1992)、Pearl (2001) 建立;Imai, Keele & Yamamoto (2010) 给出了在序贯可忽略性(sequential ignorability)下的识别公式(即本文公式 (1)),并发展了相应的估计与敏感性分析。这是本文的"完整数据"基准。
  • 缺失数据与 shadow variable 的引入:D'Haultfoeuille (2010)、Wang et al. (2014)、Miao & Tchetgen Tchetgen (2018)、Breunig & Haan (2021)、Miao et al. (2024) 逐步发展了 shadow variable 方法,用于处理非随机缺失/非随机无应答问题。其核心思想是:存在一个与缺失机制条件独立、但与缺失变量相关的辅助变量(shadow variable),从而在 MNAR 下实现识别。Miao et al. (2024) 进一步在 shadow variable 框架下研究了半参数效率,但依赖对 odds ratio 函数的参数化假设。
  • 中介分析中的缺失问题:Li & Zhou (2017) 处理了非随机缺失结局下的中介分析,Zuo et al. (2025) 处理了中介变量或结局缺失的情形,但均未处理混杂变量缺失,且未涉及效率理论。
  • 非参数工具变量与 ill-posed 问题的渐近理论:Newey & Powell (2003) 建立了非参数 IV 的识别与估计框架,Ai & Chen (2003) 发展了条件矩模型下 sieve 估计的效率理论,Santos (2011) 研究了连续线性泛函的推断。这些工作为本文处理 ill-posed 积分方程提供了技术基础。
  • 本文的位置:作者声称,本文是首个在非随机缺失混杂变量下,同时解决识别、非参数估计、渐近正态性与半参数效率的工作。其与 Miao et al. (2024) 的关键区别在于:后者参数化 odds ratio,而本文在完全非参数模型下工作,且处理的是多个混杂变量同时缺失的复杂缺失模式。

子线索聚类

被引文献大致落在三条子线索上:

  1. 中介分析的识别与估计(完整数据):Imai et al. (2010)、Tchetgen Tchetgen & Shanks (2012)、Huang et al. (2024)。这条线提供了中介效应的定义、识别假设与(参数/非参数)估计框架,是本文的"目标"。
  2. 非随机缺失的 shadow variable 方法:D'Haultfoeuille (2010)、Wang et al. (2014)、Miao & Tchetgen Tchetgen (2018)、Miao et al. (2024)、Zhao & Ma (2022)。这条线提供了 MNAR 下识别的工具,是本文的"识别引擎"。
  3. ill-posed 逆问题的非参数推断:Newey & Powell (2003)、Ai & Chen (2003)、Santos (2011)、Chen (2007)。这条线提供了处理积分方程与建立渐近分布的技术,是本文的"推断引擎"。

这个方向在追问的核心问题

  1. 识别:在 MNAR 下,需要什么样的 shadow variable 条件才能识别中介效应?现有 shadow variable 条件是否可检验或可放宽?
  2. 估计与推断:当 nuisance(如缺失机制、条件密度)以慢速率收敛时,如何构造对目标参数 \(\theta\) 的 \(\sqrt{n}\) 一致估计并做有效推断?ill-posed 性如何影响效率界?
  3. 效率损失量化:非随机缺失相对于完整数据情形,究竟损失了多少效率?这种损失能否用可解释的量(如 shadow variable 的预测力)来刻画?

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"现有 shadow variable 方法要么依赖参数化 odds ratio(Miao et al. 2024),要么只处理结局/中介缺失(Li & Zhou 2017, Zuo et al. 2025),均未处理非随机缺失混杂变量,且缺乏非参数估计的渐近分布理论。" 因此本文是"显然的下一步"。被淡化或回避的竞争路线包括:(i) 敏感性分析路线(不追求点识别,而是给出效应区间,如 VanderWeele 的敏感性分析框架);(ii) 基于 odds ratio 参数化的半参数路线(Miao et al. 2024),本文虽声称更一般,但参数化路线在有限样本下可能更稳定。值得研究者去查的问题:为什么作者没有引用或讨论敏感性分析作为替代方案?这是否意味着 shadow variable 假设在实际中比敏感性分析更容易辩护?

张力

未见明显对立引用。但存在一个隐含张力:shadow variable 的完整性假设(Assumption 4)与可检验性之间的张力——作者承认该假设不可检验(见 Supplementary B.1),这与敏感性分析文献中"避免不可检验假设"的立场存在方法论上的对立,但作者未在正文中正面回应。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号(逐个点名):

  • \(T\):二元处理变量(随机变量),\(T \in \{0,1\}\)。
  • \(M\):中介变量(随机变量,可向量值)。
  • \(Y\):结局变量(随机变量)。
  • \(X = (X_1, \dots, X_p)\):\(p\) 维混杂变量(随机向量),其中部分分量可能缺失。
  • \(X_{mis}\):\(X\) 中可能缺失的分量集合;\(X_{obs}\)(或 \(X_R\)):观测到的分量。
  • \(R = (R_1, \dots, R_p)\):缺失指示向量(随机向量),\(R_j = 1\) 表示 \(X_j\) 被观测。
  • \(Z\):shadow variable(随机变量/向量),满足 Assumption 3(\(Z \perp R \mid X\)),且与缺失变量相关。注意:\(Z\) 是可观测的辅助变量,不是潜在变量。
  • \(Y(t, m)\):潜在结局(potential outcome),在 \(T=t, M=m\) 下的反事实结局。
  • \(M(t)\):潜在中介,在 \(T=t\) 下的反事实中介值。
  • \(\theta \triangleq E\{Y(1, M(0))\}\):目标参数(estimand),即处理组结局在"中介取控制组自然值"时的期望。这是中介分析的核心泛函。
  • \(\gamma_0(m, x) \triangleq E(Y \mid T=1, M=m, X=x)\):结局回归(nuisance 1)。
  • \(\eta_0(x) \triangleq E\{\gamma_0(M, x) \mid T=0, X=x\}\):迭代条件期望(nuisance 2)。
  • \(\omega_0(x) \triangleq f(R=1 \mid x)^{-1}\):逆缺失概率权重(nuisance 3),由 shadow variable 框架识别。
  • \(\delta_r(x) \triangleq f(R=1 \mid R \in \{1, r\}, x)^{-1}\):分层逆概率权重(nuisance 4),用于处理不同缺失模式。
  • \(A_r: L^2(\mathcal{X}) \to L^2(\mathcal{Z}_r)\):积分算子,\((A_r \delta)(z_r) = E_r\{\bar{R} \delta(X) \mid Z_r = z_r\}\)。
  • \(\psi(O)\):影响函数(influence function),用于刻画 \(\sqrt{n}\) 渐近分布。
  • \(\sigma^2 = E\{\psi(O)^2\}\):渐近方差。
  • \(n\):样本量。\(k_n, l_n, s_n, J_n\):sieve 维度参数,随 \(n\) 增长。

模型(数据生成机制):

  1. 完整数据:\((X, T, M, Y)\) 服从某个未知联合分布,满足序贯可忽略性(Assumption 1):\(\{Y(t, m), M(t')\} \perp T \mid X\) 且 \(Y(t', m) \perp M(t) \mid T=t, X\)。
  2. 缺失机制:\(R\) 的分布满足 \(R \perp Z \mid X\)(Assumption 3,shadow variable 条件),但 \(R\) 可以依赖 \(X\) 的缺失值本身(即 MNAR)。缺失机制 \(f(r \mid x)\) 完全未知。
  3. 可观测数据:研究者观测到 \(n\) 个 i.i.d. 样本 \(\{O_i\}_{i=1}^n\),其中 \(O_i = (R_i, T_i, M_i, Y_i, X_{R_i, i}, Z_i)\)。注意:\(X\) 的缺失部分不可观测,\(Z\) 完全可观测。

关键区分(可观测 vs 潜在):

  • 可观测:\(T, M, Y, R, X_R, Z\)(有样本)。
  • 潜在/不可观测:\(Y(t, m)\)(对所有 \(t,m\))、\(M(t)\)、\(X_{mis}\)(缺失的具体值)、缺失机制 \(f(r \mid x)\)、完整数据分布 \(f(x, t, m, y)\)。

第二步:最小内核

剥掉所有一般性假设后,本文的核心数学问题是:

给定可观测数据 \(O = (R, T, M, Y, X_R, Z)\),在 \(R \perp Z \mid X\)(shadow variable 假设)下,如何识别并估计 \(\theta = E\{Y(1, M(0))\}\),使得估计量 \(\hat{\theta}\) 满足 \(\sqrt{n}(\hat{\theta} - \theta) \Rightarrow N(0, \sigma^2)\),且 \(\sigma^2\) 达到半参数效率界?

最小例子(\(p=1\),单个混杂变量 \(X\),二元缺失 \(R \in \{0,1\}\)):

  • 设 \(X\) 可能缺失,\(R=1\) 表示 \(X\) 被观测。\(Z\) 是 shadow variable,满足 \(Z \perp R \mid X\)。
  • 识别步骤:
  • 由 shadow variable 假设,可识别缺失机制:\(f(R=1 \mid x) = \frac{P(R=1, Z=z)}{f(Z=z \mid X=x)}\) 的某种比率形式。具体地,\(\omega_0(x) = f(R=1 \mid x)^{-1}\) 满足积分方程 \(E\{ \bar{R} \omega_0(X) \mid Z \} = 1\)。
  • 由 \(\omega_0\),可识别完整数据分布:\(f(x, t, m, y) \propto f(x, t, m, y, R=1) \cdot \omega_0(x)\)。
  • 由完整数据分布,用 Imai et al. (2010) 的公式识别 \(\theta\)。
  • 估计步骤:
  • 用 sieve 估计 \(\delta_r\)(解积分方程 \(A_r(\delta_r) = 1\))。
  • 用加权最小二乘依次估计 \(\gamma_0\)、\(\eta_0\)。
  • 代入公式 \(\hat{\theta} = \frac{1}{n} \sum_i \bar{R}_i \hat{\omega}(X_i) \hat{\eta}(X_i)\)。
  • 为什么难:\(\hat{\delta}_r\) 的收敛速度受 ill-posedness 影响可能慢于 \(n^{-1/4}\),这破坏了传统半参数估计对 nuisance 的速率要求。本文的核心技术贡献是证明:尽管 \(\hat{\delta}_r\) 在强范数下慢,但在弱范数(伪度量 \(\|\cdot\|_{w,r}\))下足够快,从而 \(\hat{\theta}\) 仍可 \(\sqrt{n}\) 收敛且渐近正态。

这个最小内核的数学本质:这是一个带 ill-posed 逆问题的半参数估计问题。目标参数 \(\theta\) 是 nuisance 的复杂泛函,而 nuisance 本身是积分方程的解。本文的关键在于引入合适的弱范数,使得 nuisance 估计误差对 \(\theta\) 的影响是一阶可忽略的(即满足 Neyman 正交性),同时证明弱范数下的收敛速率足以支撑 \(\sqrt{n}\) 正态性。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在混杂变量存在非随机缺失(MNAR)时,如何非参数地识别并高效推断中介效应(NDE/NIE/ATE),并量化缺失带来的效率损失。
  2. 核心工具/方法:提出了一个一般性的 shadow variable 框架用于识别;构造了 Sieve-based Iterative Outward (SIO) 估计量,通过从内到外逐层 sieve 估计 nuisance 函数来克服 ill-posed 积分方程带来的慢收敛问题;基于影响函数提出交叉拟合的 debiased machine learning 估计量。
  3. 主要结论:SIO 估计量是 \(\sqrt{n}\) 一致的且渐近正态;在 shadow variable 模型下达到半参数效率界(局部有效);效率损失可被显式表达为 shadow variable 与缺失变量相关性的函数;模拟和 CFPS 数据实证均验证了方法的有限样本性能。

关键设定与假设

在第二节最小记号的基础上,完整设定如下:

  • 数据:\(O_i = (R_i, T_i, M_i, Y_i, X_{R_i,i}, Z_i)\),i.i.d.,\(i=1,\dots,n\)。
  • 假设 1(序贯可忽略性):\(\{Y(t,m), M(t')\} \perp T \mid X\) 且 \(Y(t',m) \perp M(t) \mid T=t, X\)。这是中介分析的标准假设,保证完整数据下 \(\theta\) 可由 (1) 识别。
  • 假设 2(阳性):\(f(t \mid x) > 0\),\(f(m \mid t, x) > 0\)。
  • 假设 3(shadow variable):\(Z \perp R \mid X\)。这是本文的核心识别假设,比现有的"工具变量式"假设更灵活,允许 \(Z\) 来自观测协变量或外部辅助数据。
  • 假设 4(完整性):对任意平方可积函数 \(g\),\(E\{g(X) \mid Z\} = 0 \Rightarrow g = 0\)。这保证积分方程 \(A_r(\delta_r) = 1\) 有唯一解。
  • 假设 5(representer 存在性):影响函数中的 Riesz representer \(\varrho_r\) 属于 \(\Delta\)(或可被 sieve 以 \(n^{-1/4}\) 速率逼近)。这是保证 \(\sqrt{n}\) 正态性的关键正则条件。
  • 假设 6(对称完整性):\(E\{g(Z) \mid X\} = 0 \Rightarrow g = 0\)。用于保证效率界的可达性。

相比已有工作的放宽/强化: - 相比 Miao et al. (2024):放宽了 odds ratio 的参数化假设,允许完全非参数的缺失机制。 - 相比 Yang et al. (2019):扩展了 shadow variable 的来源(不限于结局),且强化了推断理论(他们只证了相合性,本文证了渐近正态与效率)。 - 相比 Huang et al. (2024):处理了 MNAR 缺失混杂变量,而后者假设混杂变量完全观测。

主要结果

定理 1(识别):在假设 1–4 下,\(\theta\) 可由观测数据识别,且 \(\gamma_0\)、\(\eta_0\) 有显式的比率表达式(公式 (2)–(4))。技术要点:通过 shadow variable 将缺失机制 \(f(r \mid x)\) 转化为可估计的积分方程解,再通过"加权完备化"恢复完整数据分布。

定理 2(收敛速度):在正则条件下,\(\|\hat{\delta}_r - \delta_r\|_\infty = o_p(1)\),且 \(\|\hat{\delta}_r - \delta_r\|_{w,r} = O_p(\lambda_{1n,r})\) 其中 \(\lambda_{1n,r} = o(n^{-1/4})\)。这是全文的技术核心:在弱范数下,ill-posed 问题的解可以达到 \(n^{-1/4}\) 以上的收敛速度,尽管强范数下可能很慢。证明思路:利用 sieve 的逼近误差与估计误差的权衡,结合积分算子的平滑性质,证明弱范数下的收敛速率由 sieve 维数控制。

定理 3(渐近正态性):\(\sqrt{n}(\hat{\theta} - \theta) \Rightarrow N(0, \sigma^2)\),其中 \(\sigma^2 = E\{\psi(O)^2\}\),\(\psi\) 为影响函数。证明的关键步骤: 1. 建立 \(\hat{\theta}\) 的一阶展开(线性化),将 nuisance 估计误差的影响分解为可忽略项。 2. 利用定理 2 的弱范数收敛速率,证明所有 nuisance 误差项都是 \(o_p(n^{-1/2})\)。 3. 利用经验过程理论(如 Donsker 类条件)处理 sieve 估计的随机误差。

定理 4(效率界):\(\sigma^2\) 是 \(\theta\) 在 shadow variable 模型下的半参数效率界(在假设 6 下)。证明思路:计算模型的 tangent space,证明影响函数 \(\psi\) 属于 tangent space 的闭包,从而 \(\sigma^2\) 达到 Cramér-Rao 下界。

定理 5(debiased ML):交叉拟合的 debiased ML 估计量 \(\hat{\theta}_{cf}\) 与 SIO 有相同的渐近分布,且对 nuisance 的估计误差具有鲁棒性(Neyman 正交性)。这为高维/复杂 nuisance 提供了可行的推断方案。

效率损失量化:作者在补充材料 D.3 中证明 \(\sigma^2 - \sigma^2_{full} = E(\psi^2_{loss})\),其中 \(\psi_{loss}\) 是缺失导致的额外影响函数项。直观上,效率损失取决于 shadow variable \(Z\) 与缺失变量 \(X_{mis}\) 的相关性:相关性越强,损失越小;当 \(Z\) 完全预测 \(X_{mis}\) 时,损失为零(达到完整数据效率界)。

证明路线与技术技巧

整体路线(3-5 步): 1. 识别:用 shadow variable 条件将缺失机制转化为积分方程,证明解的唯一性(定理 1)。 2. 估计:构造 SIO 估计量——从最内层的 \(\delta_r\) 开始,用 sieve 最小二乘解积分方程;然后向外逐层估计 \(\gamma_0\)、\(\eta_0\);最后用样本均值估计 \(\theta\)。 3. 线性化:对 \(\hat{\theta} - \theta\) 做 von Mises 展开,得到影响函数 \(\psi\) 加上 nuisance 误差项。 4. 速率控制:引入弱范数 \(\|\cdot\|_{w,r}\),证明 nuisance 误差项在弱范数下足够小,从而一阶项主导。 5. 正态性:利用 CLT 和 Delta method 得到渐近正态。

关键技巧: - 弱范数(伪度量):\(\|\delta\|^2_{w,r} = E_r\{A_r(\delta)^2\}\)。这个范数只度量 \(\delta\) 通过算子 \(A_r\) 后的"可观测"部分,避开了 ill-posedness 对强范数收敛的阻碍。 - Representer 技巧:将影响函数中的 nuisance 部分表示为 Riesz representer \(\varrho_r\) 的内积形式,从而将 nuisance 误差的影响转化为 \(\varrho_r\) 与 \(\hat{\delta}_r - \delta_r\) 的内积,利用弱范数控制。 - 交叉拟合:在 debiased ML 中使用样本分割,避免 nuisance 估计的过拟合,同时保持 Neyman 正交性。 - Sieve 维数选择:通过数据驱动准则(如最小化惩罚损失)选择 sieve 维数,平衡逼近误差与估计误差。

真实例子与应用

模拟研究:作者设计了两个 DGP。DGP1 使用外部辅助变量作为 shadow variable(\(Z\) 是 \(X_{mis}\) 的含噪测量);DGP2 使用 \((M, Y)\) 作为 shadow variable(即假设缺失机制不依赖中介和结局)。样本量 \(n=1000, 2000\),500 次重复。结果显示: - SIO 的偏差与 Oracle 相当(偏差 < 0.03),而 MI 和 CCA 的偏差显著(如 DGP1 中 MI 对 NIE 的偏差约 0.16–0.23)。 - SIO 的 95% 覆盖率在 0.934–0.980 之间,接近名义水平;MI 的覆盖率低至 0.386–0.626,CCA 低至 0.000–0.182。 - 随着样本量从 1000 增至 2000,SIO 的标准差约缩小 \(\sqrt{2}\) 倍,符合 \(\sqrt{n}\) 收敛。

实证分析(CFPS):数据为中国家庭追踪调查 2020–2022 年波次,样本为 6519 名 35–60 岁成年人。处理 \(T\) 为工作满意度(>3 为满意),中介 \(M\) 为主观幸福感(1–10 分),结局 \(Y\) 为抑郁症状严重度(CES-D 量表,8–32 分)。混杂变量 \(X\) 包括年龄、性别、家庭规模、房产数、自评健康、婚姻状况和收入,其中收入缺失率约 44%。Shadow variable 选择为家庭恩格尔系数(食品支出占比),理由是它与收入高度相关但不直接影响抑郁(除通过收入等路径)。结果: - SIO 估计的 NIE 为 -0.356(95% CI: [-0.476, -0.237]),NDE 为 -0.556(95% CI: [-0.893, -0.219]),ATE 为 -0.913(95% CI: [-1.268, -0.558])。 - 使用 \((M, Y)\) 作为 shadow variable 的 SIO2 结果与 SIO1 接近(NIE: -0.348),说明结果对 shadow variable 选择有一定稳健性。 - MI 和 CCA 的估计与 SIO 有显著差异(如 CCA 的 NIE 为 -0.384,但置信区间更宽且可能受选择偏差影响),说明忽略非随机缺失会导致实质性偏差。

这个例子想说明什么:验证方法在实际数据中的可行性,展示 shadow variable 可以从观测协变量中选取(恩格尔系数),且 SIO 的推断结果对 shadow variable 的选择有一定稳健性。同时,与 MI/CCA 的对比凸显了处理 MNAR 的必要性。

🔎 结论是否比证明窄

  • 定理 3 的证明条件:作者在定理 3 中要求假设 5(representer 属于 \(\Delta\)),但正文中承认该假设在一般非参数模型下难以验证。在补充材料中,作者放宽为"存在 \(\varrho_{n,r} \in \Delta_{J_n}\) 使得 \(\|\varrho_r - \varrho_{n,r}\|_{w,r} = O(n^{-1/4})\)",这本质上是 sieve 逼近条件。结论声称"达到半参数效率界",但严格证明仅在假设 6(对称完整性)下成立,而假设 6 在 shadow variable 模型中是否自然成立并未充分讨论。
  • 效率损失的量化:作者在正文中给出 \(\sigma^2 - \sigma^2_{full} = E(\psi^2_{loss})\) 的分解,但没有给出 \(\psi_{loss}\) 的显式表达式,而是放在补充材料 D.3 中。正文中的讨论停留在"效率损失取决于 shadow variable 与缺失变量的相关性"这一直觉层面,缺乏可操作的指导(如如何选择 shadow variable 以最小化效率损失)。
  • debiased ML 的适用性:定理 5 要求 nuisance 估计满足特定的收敛条件(如 \(L^2\) 速率快于 \(n^{-1/4}\)),但作者没有讨论当 nuisance 用深度学习等黑箱模型估计时,这些条件是否可验证。这比定理 3 的证明条件更隐蔽。

四、开放问题

以下问题均扎根于本文的具体语句,供你自行判断价值与可行性:

  1. shadow variable 的缺失机制可检验性(扎根于 Assumption 3 与补充材料 B.1):作者承认 shadow variable 假设不可检验。能否发展出基于观测数据的部分可检验条件(如 shadow variable 与缺失指标的关联性检验),或敏感性分析框架来量化违反假设的影响?这与你的因果推断识别兴趣直接相关。

  2. 效率损失的显式刻画与最优 shadow variable 选择(扎根于定理 4 与补充材料 D.3):作者给出了效率损失的分解,但未给出 \(\psi_{loss}\) 的显式形式。能否在特定模型类(如指数族、部分线性模型)下推导出效率损失的闭式表达式,并据此指导 shadow variable 的选择?这需要你结合半参数效率理论做具体计算。

  3. ill-posed 程度与收敛速率的自适应(扎根于定理 2 与假设 5):作者通过弱范数绕开了 ill-posedness 对强范数收敛的阻碍,但未讨论如何从数据中估计 ill-posed 程度(如积分算子的谱衰减速率)。能否构造自适应方法,在不知道 ill-posed 程度的情况下达到最优收敛速率?这与你熟悉的高维统计与 minimax 理论有交集。

  4. debiased ML 在非随机缺失下的理论保证(扎根于定理 5 与条件 (iii)):作者要求 nuisance 估计满足特定的 \(L^2\) 收敛速率,但未讨论当 nuisance 用现代机器学习方法(如随机森林、深度网络)估计时,这些条件是否成立。能否为这类黑箱 nuisance 建立可验证的收敛条件,或发展出对 nuisance 估计误差更鲁棒的推断方法?这直接联系到你的 debiased ML 兴趣。

  5. 多重缺失模式与 shadow variable 的扩展(扎根于定理 1 与 Remark 1):本文假设 shadow variable 完全观测。若 shadow variable 本身也有缺失,或缺失模式更复杂(如单调缺失与任意缺失混合),识别与估计将如何变化?这需要你扩展 shadow variable 框架,可能涉及更复杂的积分方程系统。


提醒:要确认上述某条是否是真 gap,建议去读同子领域近期约 5 篇论文(如 Journal of the American Statistical Association、Biometrika、Annals of Statistics 上 2023–2025 年关于 shadow variable、MNAR、中介分析的工作)的引言部分——如果多篇都指向同一问题,说明是共识性 gap;如果各篇说法不一,则可能是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论