Bracketing Relationships of Weighted Average Treatment Effects¶

作者: Pengfei Tian, Fan Yang, Peng Ding
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2606.11715

一、领域脉络与小综述¶

这个方向是什么¶

本子方向关注的是“加权平均处理效应”（Weighted Average Treatment Effects, WATE）之间的序关系。在观察性因果推断中，研究者常常选定一个目标群体（如处理组、对照组、或倾向得分重叠良好的群体），通过对其CATE加权来得到一个单一的因果估计量（如ATT、ATC、ATO）。一个自然的问题是：这些针对不同目标群体的估计量之间存在怎样的顺序？特别是，当研究者倾向于使用对极端倾向得分更稳健的overlap权重（ATO）时，它相对于传统的ATT和ATC处于什么位置？该方向不是去估计ATE本身，而是去刻画不同加权方案下因果估计量的相对大小，为研究者选择目标群体或解读估计值提供理论指导。该方向当前的成熟度中等——经典权重（ATE, ATT, ATC）之间的凸组合关系是已知的，但对ATO这种更复杂权重的相对位置的系统性刻画，在本文之前是缺失的。

发展脉络¶

奠基工作：Rosenbaum and Rubin (1983) 引入倾向得分，奠定了通过倾向得分进行加权估计的基础。ATE、ATT、ATC是随后被广泛使用的标准加权估计量。一个关键的、基础的序关系是：ATE总是落在ATT和ATC之间，因为它是一个简单的凸组合——这一点被本文反复使用，作为其结果的直接参照。
主要进展（Overlap权重及其理论的兴起）：
- Li et al. (2018) 正式提出overlap权重，权重为 e(X){1-e(X)}。其第一个核心贡献是在该类权重中最小化加权ATE的渐近方差。Li et al. (2019) 进一步展示了它对极端倾向得分的稳健性。这些工作使ATO成为一个吸引人的、实用的目标估计量。
- 与回归估计量的联系：Angrist (1998) 和 Ding (2021) 等发现了ATO与特定线性回归系数（如包含协变量后的处理变量系数）之间的紧密联系，即 β_1 = τ_ATO（在倾向得分是协变量线性函数的条件下）。这为ATO提供了“无需模型正确”的回归解释。
- 近期发展与本文的位置：
  - Humphreys (2025) 研究了一个更窄的问题：在离散协变量（分层设计）的固定效应回归设定下，证明了当层内CATE与层内倾向得分完全正序（即 e[k] ≥ e[k'] ⟹ τ[k] ≥ τ[k']）时，固定效应估计量（即离散情况下的ATO）介于ATC和ATT之间。这是本文最直接的前身，但条件更强。
  - Vansteelandt and Dukes (2022) 在“假设最小化”（assumption-lean）框架下给出了 β_1（OLS中Z的系数）的一个一般表达式，并将其分解为一个大不同的项，其中包含一个ATO-like的项和一个偏差项。
  - Blandhol et al. (2022) 和 Borusyak & Hull (2024) 分别讨论了IV回归中TSLS估计量的解释，前者指出了在含有协变量的设定下，TSLS通常不具有LATE解释（除非是饱和模型），后者的“设计基础”解释框架强调负权重不是问题。
- 本文的位置：本文在上述工作的基础上，将Humphreys (2025) 的更严格条件推广到一般协变量设定，用一个更弱的假设（CATE的条件期望对倾向得分单调，而非点态单调），建立了ATO相对ATT和ATC的bracketing关系。它进一步将此结果扩展到IV设定下的加权LATE，以及更一般的beta权重族。因此，该论文是在为ATO的性质提供一个更完备的identification理论（而非估计理论）。

子线索聚类¶

权重设计与稳健性：侧重提出新的权重或选择目标群体以解决特定问题（如极端倾向得分、协变量不平衡）。主要包括Li et al. (2018)（overlap权重特性）、Li et al. (2019)（模拟验证稳健性）、Li & Greene (2013)（匹配权重）。本文为这条线索提供了新的理论解释。
估计量的序关系与界：侧重研究不同权重或估计量之间的理论顺序。包括Humphreys (2025)（固定效应界），Ding et al. (2017)（工具变量偏差放大中的单调性），VanderWeele (2008) / VanderWeele & Robins (2010)（有向图中偏差方向与单调性）。本文是这条线索的直接拓展。
回归解释与TSLS解释：侧重挖掘特定的回归或TSLS估计量在异质性处理效应下的目标参数。包括Angrist (1998), Ding (2021), Vansteelandt & Dukes (2022), Blandhol et al. (2022), Borusyak & Hull (2024), Bugni & Gao (2023), Jiang et al. (2026)。本文为TSLS在特定假设下提供一个清晰的WATE（overlap-weighted LATE）解释，是对这条线索的补充。

这个方向在追问的核心问题¶

在什么条件下，不同的加权估计量之间存在可预测的、单调的序关系？（已知ATE在中间，未知ATO与ATT/ATC的顺序）。
这种序关系的界有多大？（即ATT、ATC、ATO三者之间的差距是否可以有非平凡的界？本文目前给出的只是相对顺序，而非距离的界）。
在工具变量设定下，这些序关系是否依然成立，且是否能为TSLS等常见估计量提供新的局部解释？
当不满足单调性假设时，这些估计量的序关系会如何？有没有更一般的刻画方式？

⚠️ 作者的Framing¶

作者的说法：作者将缺口frame为：“ATE在ATT和ATC之间已被很好理解（凸组合），但ATO与这两者的关系长期未被刻画（Despite its popularity, the relationship between ATO and the more traditional ATT and ATC has not been characterized...）”。他们将本文填补的，就是这“未被刻画的缺口”。
淡化了什么：论文淡化了单调性假设（Assumption 1）在实证中的可验证性。他们虽然提出了CP-plot作为诊断，但也明确承认“should be interpreted as descriptive diagnostics rather than formal tests”。论文并没有提供任何正式的统计检验来验证单调性，而是通过例子展示了“近似满足”的情况。他们没有探索当单调性假设轻微违反时，bracketing关系的稳健性（例如，CATE是 U-型或 ∧-型，导致中间区域单调而两端反转，但权重集中在中间区域，结果会如何？）。
值得研究者去查的问题：Humphreys (2025) 这篇被引，在简介里是第一句话给的定位——“a recent result by Humphreys (2025) as a special case, which focuses on fixed-effects regression... under a more stringent monotonicity assumption.”。这是一个值得去查的竞争性framing：Humphreys在更严格假设下（点态单调）得到了同样的bracketing结果。作者声称本文是推广，但本文的假设（条件期望单调）是否比Humphreys的点态单调假设在应用中更可能成立，是否真的是更弱的假设？ 从数学上讲是更弱，但在应用中，由于我们只能观测到CATE的条件期望（g(e)），它是不可直接验证的，而点态单调在某些模型（如完全线性模型）下可能更容易被检验。这构成了一个“假设强度 vs. 可检验性”的张力点，值得研究者去查阅Humphreys的论文，看其框架是否可以与本文的方法进行更细致的对比。
明显该被引但没出现在intro里的？：
- Tymon Słoczyński (2022) “Interpreting OLS Estimands... Smaller Groups Get Larger Weights” 在正文里被引用过一次（与本文的Proposition 1做辨析），但没有在简介概述这个方向时被提及。实际上，该文也提供了一个将 β_1（OLS系数）表示为ATT和ATC的凸组合，其权重主要取决于群体规模（小群体获得更大权重）。这与本文Proposition 1中ATO的凸组合权重（取决于分布形状）形成鲜明对比。这应该是一个很好的张力点：两个不同的被广为引用的结果，分别给出OLS系数作为ATT/ATC凸组合的不同权重公式。有没有一个统一的视角可以包容这两个结果？或者这个差异恰好取决于OLS回归是否包含协变量？
- Choi (2024) “Instrumental Variable Estimation of Weighted Local Average Treatment Effects” 在正文中被提到作为引入加权LATE的一般框架，但在introduction中没有获得更多的讨论。虽然在文本中看起来是一个直接平行的框架，但这可能是一个值得研究者去阅读的论文，以确认本文的结果是否在同一框架下已经被提出或暗示。

张力¶

未见明显的对立引用，即没有论文直接证明ATO不能被ATT和ATC所夹住。所有相关工作都是在一个方向上的推进（提出不同界、不同条件下的序）。主要的证据不是外部的对立，而是内部的假设强度与结论普适性之间的权衡。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型与可观测数据¶

符号
- Z ∈ {0,1}: 二值处理变量。Z=1表示接受处理，Z=0表示接受对照。
- Y(1), Y(0): 单位在Z=1和Z=0下的潜在结果。是想要估但观测不到的。
- Y: 单位实际观测到的结果。Y = Z*Y(1) + (1-Z)*Y(0) (一致性假设)。
- X: 观测到的协变量向量。
- e(X) = P(Z=1|X): 倾向得分。是一个可识别的函数，因为我们可以从 (Z, X) 数据中估计它。
- τ(X) = E[Y(1)-Y(0)|X]: 条件平均处理效应。是核心的异质性标志，但也是不可观测的（因为每个单元只观测到一个潜在结果）。
- g(e) = E[τ(X) | e(X) = e]: P-CATE函数（Propensity-score Conditional Average Treatment Effect），是本文引入的核心概念，表示给定倾向得分值为 e 的亚群体中CATE的平均值。这是一个“可识别”的统计量吗？在Ignorability假设下 (Y(1),Y(0)) ⊥⊥ Z | X，我们可以识出 τ(X)，进而可以识出 g(e)。所以 g(e) 在本例中是可识别的统计对象。
- τ_ATE, τ_ATT, τ_ATC, τ_ATO: 不同加权方案下的平均处理效应（estimands）。它们是 τ(X) 的加权平均，权重分别是 1, e(X), 1-e(X), e(X)(1-e(X))。
- π_c(X): 主分数，表示在IV设定下，给定X时“依从者”的概率。
模型与可观测数据
- 模型 (在“无混淆”条件下)：(Y(1), Y(0)) ⊥⊥ Z | X。这意味着在给定X的条件下，处理Z的分配不依赖于两个潜在结果，其可观测结果是 P(Y|Z=1, X) = P(Y(1)|X) 和 P(Y|Z=0, X) = P(Y(0)|X)。
- 可观测数据：我们有一个样本 i=1,...,n，每个单元观测到 (Y_i, Z_i, X_i)。我们不能直接观测到潜在结果 Y(1)_i 和 Y(0)_i，也不能直接观测到 τ(X_i)。但是，在 Ignorability 假设下，我们可以通过模型（如线性回归）从 (Y, Z, X)中非参数识别出 τ(X) 和 g(e)。
- 想要但观测不到的东西：τ(X) = E[Y(1)-Y(0)|X] 是关键的异质性对象。在无混淆假设下，τ(X) 是可识别的（由 E[Y|Z=1,X] - E[Y|Z=0,X]给出），但它本身是一个条件期望，我们需要估计它。它不是一个直接观测到的随机变量。本文的整个理论建立在这个 τ(X) 上的，它本身是潜在结果函数的条件期望。

第二步：最小内核¶

最简特例：考虑离散协变量 X 情形（Humphreys 2025 设定）。X 将总体分为K个有限的层（strata）。第k层的倾向得分是常数 e_k，第k层的CATE是常数 τ_k。可观测数据为 (Y, Z, S)，其中 S 表示层别（1,...,K）。
交代记号：
- w_k：第k层人口占比。
- e_k ∈ (0,1)：第k层的倾向得分。
- τ_k：第k层的CATE。
- τ_ATE = Σ_k w_k τ_k
- τ_ATT = (Σ_k w_k e_k τ_k) / (Σ_k w_k e_k)
- τ_ATC = (Σ_k w_k (1-e_k) τ_k) / (Σ_k w_k (1-e_k))
- τ_ATO = (Σ_k w_k e_k (1-e_k) τ_k) / (Σ_k w_k e_k (1-e_k))
核心命题：我们想证明 τ_ATO 落在 τ_ATC 和 τ_ATT 之间。这等价于证明两个不等式：
1. τ_ATO ≥ τ_ATC (当 g(e) 递减时方向相反)
2. τ_ATO ≤ τ_ATT (当 g(e) 递减时方向相反)
证明（一步基于“一交叉”引理）：考虑第一个不等式 τ_ATO ≥ τ_ATC。
1. τ_ATO - τ_ATC = Σ_k [w_k / (分母)] * (e_k (1-e_k) - c*(1-e_k)) * τ_k，其中 c = ... 是一个常数。核心是 (e_k (1-e_k) - c*(1-e_k)) 这个权重函数，可以简化为 (1-e_k)(e_k - c)。
2. 由于 (1-e_k) 总是非负的，这个权重函数 w_k' = (1-e_k)(e_k - c) 在 e_k 上是单次穿越 (one-crossing) 的：存在某个阈值 e*，当 e_k < e* 时权重为负，当 e_k > e* 时权重为正。这意味着这组权重可以将 τ_k 分成两部分：一部分权重为负，一部分为正。
3. 关键跳跃：如果我们 g(e_k) = τ_k（因为层内CATE是常数）被假设为随 e_k 递增（或递减），那么加上负权重的那些层（e_k 小的层）有较小的 τ_k（在递增假设下），而加上正权重的那些层（e_k 大的层）有较大的 τ_k。
4. 我们可以利用均值性质：Σ_k w_k' = 0。对任意常数 τ*，有 τ_ATO - τ_ATC = Σ_k w_k' (τ_k - τ*)。选取 τ* = g(e*)。在递增假设下，当 e_k < e*( 权重<0) 时 τ_k - τ* < 0，乘积 (weight)*(τ_k - τ*) 为正；当 e_k > e* (权重>0) 时 τ_k - τ* > 0，乘积也为正。所以 τ_ATO - τ_ATC ≥ 0。
5. 这恰好是本文 Theorem 1 证明的核心思想。在这个特例（离散X+常数CATE）下，g(e_k) 就是 τ_k。这就构成了整个论文的最小内核。一般情形的推广就是将“层内CATE常数”放松为 g(e) 的定义，并证明 g(e) 在单调性假设本身是成立的，而权重的“一交叉”性质依然成立。

三、这篇论文做了什么¶

三句话
1. 研究问题：在无混淆假设下的观察性研究及IV设定下，证明使用overlap权重得到的平均处理效应（ATO）总是被使用处理权重（ATT）和控制权重（ATC）所夹住（bracketing）。并进一步将这一序关系推广到更一般的beta权重族。
2. 核心工具：引入P-CATE函数 g(e) = E[τ(X) | e(X) = e]，并利用单调性假设（即 g(e) 关于 e 单调）。证明的核心建立在“一交叉”（one-crossing）的权重差结构上。
3. 主要结论：（i）Theorem 1：在单调性下，τ_ATO ∈ [τ_ATC, τ_ATT]（方向由单调性方向决定）；（ii）Theorem 2：在IV设定下，对complier亚群，同样有 τ_c_ATO ∈ [τ_c_ATC, τ_c_ATT]；（iii）Theorem 4：对整个beta权重族，单调性可以推出τ_u,v关于指数u, v的单调性。
关键设定与假设
- 无混淆假设 (Y(1), Y(0)) ⊥⊥ Z | X（在Section 2）: 这是因果推断的黄金标准假设，用本文意图不需要用它去证明序关系本身，因为所有estimand都是通过潜在结果定义的。只有当我们需要将序关系翻译成可观测的统计量时才需要加上此假设。
- 倾向得分非退化 0 < e(X) < 1 a.s.：保证所有估计都有定义。
- 核心假设：Assumption 1 (g(e) 关于 e 单调)。比Humphreys (2025)的点态单调性更弱。
- IV设定下的经典假设：Assumption 3（IV外生性、排他性、相关性、单调性）。这些假设不弱于该领域的标准。本文在原设定上并未放宽。
- 对IVA设定的要求：π_c(X) > 0 几乎处处成立，确保complier效应可识别。
主要结果
- Theorem 1 (Bracketing for WATEs): 是整篇论文的基石。它证明了结论不需要任何识别假设（如Ignorability），是一个纯粹关于潜在结果定义的序关系。这大大增加了结果的稳健性。直觉：如果在倾向得分高的群体中CATE（的期望）也高，那么权重倾向于更高倾向得分群体的估计量（ATT）会比倾向于更平衡/低倾向得分的估计量（ATO/ATC）产出更大的值。反之亦然。
- Theorem 2 (Bracketing for WLATEs): 是Theorem 1在complier分布下的直接应用。证明通过将估计量重新表达为对complier群体（权重为 π_c(X)）的加权平均，从而将问题归约为Theorem 1。这表明LATE框架下的序关系可以通过相同的逻辑导出。关键：结果成立不需要IV外生性假设，因为序关系是在潜在结果/主分数层面定义的，但为了解释和识别则需要加上IVA。
- Theorem 4 (Bracketing for Beta-Weighted Estimands): 将序关系推广到beta权重族。权重 e(X)^{u-1}(1-e(X))^{v-1}。在本框架下，证明一个处理是直接的：对比两个指数对 (u, v1),(u, v2)，两个权重的比值是 (1-e)^{v2 - v1}，在 e 上是单调的。这个单调的比值加上 g(e) 的单调性，再利用“一交叉”技术即可证明序的偏序关系。这个结果在技术上非常优雅，因为它说明整个beta权重族构成一个基于单调性的、可排序的格。
证明路线与技术技巧
- 整体路线（以Theorem 1为例）：
  1. 标准化目标：将 τ_ATO, τ_ATT 等定义为 E[w(X)τ(X)] 的形式，其中 w(X) 是归一化的权重函数（和为1）。
  2. 构造权重差：构建两个加权估计量之间的差，例如 Δ = τ_ATO - τ_ATT = E[ (w_ATO(X) - w_ATT(X)) τ(X) ]。
  3. “一交叉”引理：证明对于任何两个被考虑权重 w_1, w_2，其差 w_1(X) - w_2(X) 作为 e(X) 的函数，恰通过零一次（或者更确切地说，可以映射到一个一次穿越的函数）。例如，比较 w_ATO 的权重 e(1-e)/E[e(1-e)] 和 w_ATT 的权重 e/E[e]，权重差在 e 经过某个阈值时会改变符号。这个性质源于这两个权重是某个函数（此处是 e）的单调函数的比值。
  4. 利用单调性：引入常数 τ* = g(e*)，其中 e* 是权重差穿越的点。则 Δ = E[ (w_ATO(X) - w_ATT(X)) (τ(X) - τ*) ]。由于权重差在 e 小的部分为负（或正）而 τ(X) - τ* 在 e 小的部分也为负（或正）（因为 g(e) 的单调性），乘积处处非负。
  5. 结论：Δ ≥ 0，从而得到 τ_ATO ≥ τ_ATT（或反方向）。同理证明另一对关系。
- 关键跳跃点：证明权重差函数具有“一交叉”性质是这个方法最吃功夫的点。这需要检查 w_1(e)/w_2(e) 是否是 e 的单调函数。例如对于 w_ATT / w_ATC，比值是 e/(1-e)，它在 e 上严格递增，所以差值必然穿越一次。对于 w_ATO 和它的任一个，这个单调性也是显然的。这个性质依赖权重的形式，但定理6提供了一个通用框架来生成具有类似性质的权重对。
- 技术技巧点拨:
  - One-Crossing (一交叉)：是本文的核心数学工具，本质上是一个加权平均的比较引理。你熟悉吗？它可能就是TTE原理 (Total Variation Distance/TV distance的一个应用)。E[w1τ] - E[w2τ] 需要知道 τ 上的符号变化取决于 (w1-w2)。One-crossing保证了 (w1-w2) 的正负号唯一确定，此时利用 τ 关于 e 的单调性，我们可以保证内积的符号被唯一确定。
  - 条件期望塔性质 (Law of Iterated Expectations)：论文将 τ(X) 换成 g(e(X)) 用量多。如下: E[w(e(X))τ(X)] = E[w(e(X))g(e(X))]。这是推导的基础。
  - Beta 权重的参数化构造：利用Beta分布密度函数构造权重，使得权重函数是 e 的简单多项式，便于分析比值是否单调。
  - 零均值构造：构造 h(X) - k(X) 的期望为0，简化后续证明。
真实例子与应用
- Example 1 (正常线性模型)：用参数化（正态协变量、线性CATE、Logistic倾向得分）来表明单调性假设（g(e) 单调）不是过分强。这只是一个理论例子，说明在一个简单的参数设定下假设成立。它验证的是假设的合理性，不是方法的有效性。
- Section 4.1 八个观察性研究（实证）：
  - 数据：RHC（右心导管插管）, NHANES III儿科蛀牙数据, 来自 causaldatapackage 的六个数据集（abortion, adult services等）。
  - 怎么用本文方法：估计倾向得分 ê(X) 和CATE τ̂(X)，然后画出 τ̂(X) vs ê(X)，即CP-plot。
  - 结果：这些图的LOESS平滑线展示了近似的单调趋势（主要是递减的）。基于此，论文报告的ATT、ATO、ATC估计值也均满足 τ̂_ATO 介于 τ̂_ATC 和 τ̂_ATT 之间（表2）。
  - 证明意图：这个例子非常聪明地成为了假设（单调性）的“诊断工具”（CP-plot）。论文没有声称CP-plot能证明单调性得到了满足，而是演示了当它被近似满足时（在数据支持的区间内），bracketing关系在经验上是成立的。它不是对理论的严格统计检验，而是一个可视化说明和案例集。它旨在展示这个理论结果有现实相关性，不只是一个纯理论构造。
- Section 4.2 401(k) IV 研究（实证）：
  - 数据：Abadie (2003) 的401(k)参与计划数据。
  - 怎么用本文方法：估计IV倾向得分和complier CATE（通过条件Wald比率）。画 τ̂_c(X) vs ê(X) 的complier加权平滑图。
  - 结果：图2显示近似单调递增。表3报告 τ̂_c_ATC ≤ τ̂_c_ATO ≤ τ̂_c_ATT，与理论一致，且三者数值接近。
  - 证明意图：与观察性研究案例一样，它展示了理论在IV设定下的预测能力。
🔎 结论是否比证明窄
- 有一点是明确的：论文的bracketing结果被证明是在假设‘g(e)是单调的’下成立。论文没有证明在假设不成立时，这种bracketing关系一定不成立（即，它有可能在某些非单调条件下偶然成立）。所以结论就是在给定假设下的充分性，但论文有时会旁敲侧击地暗示它可能比假设更广泛。
- 声明检查：在Empirical illustrations 6节中，他们写道：“When the smoothed relationship is approximately increasing... the theory predicts...；When the relationship is approximately decreasing, the ordering reverses. When the relationship is visibly nonmonotone ... ...the bracketing relation should be interpreted with caution rather than used as a substantive conclusion.” 这里其实无意中承认了结论的边界是基于假设的近似成立，而非绝对单调性。这有可能拓展结论的范围，但也不是一个严格的证明。如果研究者想做更强烈的声明（“当下估计的图是单调的时候就一定要用bracketing”），那就比证明窄了。从心胸上看，论文自身承认这一点是恰当的，说明结论本身比某些解释的“窄”。

四、开放问题（点缀）¶

强度的检验与DAG：本文的假设 g(e) 单调可以被DAG理论扩展到更一般的Signed DAG中吗？例如VanderWeele & Robins (2010)，他们的结果提供了一个正式框架来推导符号关系，但本文的单调性假设提供了一个更实际的工具。扎根点：Section 6第三段：论文承认它是一个“descriptive diagnostics rather than formal test of monotonicity.” 能否基于DAG结构或某种敏感性类模型给出一个可检验的条件？
Generalized propensity scores with multiple treatments: 本文的单调性假设针对单一的倾向得分，如果是多值处理（比如3个或更多），你会怎么定义“单调”？不存在唯一的一维 e 排序方式了。能否推广 Theorem 4 的beta权重排序到多元处理框架中（类似于Li et al. 2018 of multiple treatments）? 扎根点：虽然本文没有直接讨论，但它的beta权重家族是单参数的（指数是标量，只是处理一个 e），推广到多元会有根本性困难。
β-权重族的非单调性遍历：Theorem 4展示了在单调性假设下，beta权重族中的 τ_u,v 关于索引 (u,v) 完全有序 (完全格)。如果 g(e) 不单调但满足某种其他的“形状约束”（如U型，驼峰型），τ_u,v 之间还会保留部分有序结构吗？例如，会不会仍然是柯西（Cowen）-Neyman前沿？ 这是一个有趣的组合优化问题。扎根点：Theorem 4的技术依赖于One-crossing，这要求比值是单调的。如果 g(e)不是简单的单调，但仍然是某种“一峰”形，对于不同的 (u,v) 我们有不同的加权方式，能否找到顺序？这需要深入研究比值的形状与g(e)形状的交互作用。
效率界与极小极大下界：本文只谈了identification层面的序关系。但这些问题在semiparametric efficient estimation (估计理论)下的表现如何？例如，给定单调性假设的最优估计的收敛速度是多少？扎根点：论文完全没有讨论效率，它的引言只是一句“relationship between ATO and the more traditional ATT and ATC has not been characterized, in general”。所以“从identification到estimation”是一个自然的开放路径。利用你的HOIF和高维统计工具包，可以考虑构造一个带单调性约束（如形状约束）的估计量，并检验其相对于古典无约束估计量的效率改进。

Maintained by 陈星宇 · Homepage · Source on GitHub