Semiparametric Inference for Causal Effects on Functional Outcomes¶
作者: Junzhu Nie, Chengxiu Ling, Mengfei Ran
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2605.26964
一、核心问题与贡献¶
①研究了在平行趋势假设下，具有功能型（函数型）结果的因果推断中功能型平均处理效应（fATT）的识别与半参数估计问题。②核心工具是基于 Hilbert 空间推导的 efficient influence function (EIF)、Neyman 正交性、cross-fitting 以及函数型经验过程理论。③主要贡献在于：推导了 fATT 的 EIF 确立了半参数效率界，构造了消除非参数重建与干扰函数估计偏差的 debiased 估计量，证明了其在 \(L^2(\mathcal{T})\) 与 \(\ell^\infty(\mathcal{T})\) 中的弱收敛，并给出了渐近有效的 uniform confidence band，同时论证了离散采样重建误差的渐近可忽略性。
二、基础设定¶
- 核心概念与符号：
- \(\mathcal{T} \subset \mathbb{R}\)：紧区间（如时间域）；\(H = L^2(\mathcal{T})\)：平方可积函数构成的 Hilbert 空间。
- \(W_i = (\Delta Y_i, D_i, X_i)\)：观测数据，\(\Delta Y_i(\cdot) = Y_{i1}(\cdot) - Y_{i0}(\cdot) \in H\) 为前后期功能型结果变化。
- \(\tau_0(t) = E[Y_{i1}^1(t) - Y_{i1}^0(t) | D_i=1]\)：功能型 ATT (fATT) 曲线，目标 estimand。
- \(\pi_0(x) = P(D=1|X=x)\)：倾向得分；\(\mu_a(x)(t) = E[\Delta Y(t)|X=x, D=a]\)：条件均值函数（\(H\)-值回归）。
- \(\phi(W; \eta_0)(t)\)：fATT 的有效影响函数；\(\psi(W; \eta)(t)\)：未中心化的 Neyman 正交得分。
- 关键假设：
- SUTVA 与 No anticipation：标准潜在结果框架，前期潜在结果不受干预影响。
- Covariate-adjusted functional parallel trends：\(E[\Delta Y_i^0(t)|X_i, D_i=1] = E[\Delta Y_i^0(t)|X_i, D_i=0]\)。将标量 DiD 的平行趋势推广至条件期望曲线层面，允许通过 \(X\) 调整选择偏差。
- Overlap (Positivity)：\(c \le \pi_0(X) \le 1-c\)。与标量设定一致，保证逆概率加权稳定。
- Product-rate condition：\(\|\hat{\mu}_0 - \mu_0\|_2 \|\hat{\pi} - \pi_0\|_2 = o_p(n^{-1/2})\)。半参数正交估计的标准假设，允许干扰函数以慢于 \(n^{-1/4}\) 的速度收敛。
- Reconstruction error control：\(\max_i \|\widehat{\Delta Y}_i - \Delta Y_i\|_H = o_p(n^{-1/2})\)（逐点推断）及 \(\max_i \|\widehat{\Delta Y}_i - \Delta Y_i\|_\infty = o_p(n^{-1/2})\)（Uniform 推断）。比传统 FDA 仅要求 \(o_p(1)\) 更严，确保离散采样重建不破坏 \(\sqrt{n}\)-推断。
- 问题背景：现有 DiD 方法多针对标量结果，功能型数据常退化为标量摘要或逐点分析，后者丧失轨迹结构且面临多重比较问题。与 Ecker et al. (2024) 及 Sparkes et al. (2024) 仅关注功能型处理效应的 SCB 不同，本文首次在 DiD 设计下统一了协变量调整识别、双重稳健估计、半参数效率界与稀疏/噪声测量重建。
三、主要定理 / 核心结果¶
- Theorem 1 (Asymptotic Linearity in \(H\))：
- 陈述：\(\sqrt{n}(\hat{\tau} - \tau_0) = \frac{1}{\sqrt{n}} \sum_{i=1}^n \phi(W_i; \eta_0) + r_n\)，其中 \(\|r_n\|_H = o_p(1)\)。
- 直观解释：估计量的一阶展开由 EIF 驱动，余项 \(r_n\) 汇集了干扰函数估计的正交化高阶误差与重建误差，在 Hilbert 空间中渐近可
Maintained by 陈星宇 · Homepage · Source on GitHub