跳转至

Valid post-selection inference for penalized G-estimation

作者: Ajmery Jaman, Ashkan Ertefaie, Michèle Bally, Renée Lévesque, Robert W. Platt et al.
来源: Electronic Journal of Statistics
主题: 因果推断
相关性: 8/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么：在因果推断中，当处理效应随协变量水平变化（即 effect modification / heterogeneity）时，研究者需要识别并估计这些效应修饰因子。在纵向 / 时间序列暴露设定下，结构嵌套均值模型（SNMM）与 G-estimation 是处理时间依赖性混杂与效应修饰的经典框架。然而，当协变量维度升高、效应修饰因子需由数据驱动筛选时，惩罚 G-estimation 虽能选出变量，却破坏了经典 G-estimator 的渐近正态性与 sandwich 方差的合法性，导致 Type I error 严重膨胀。本子方向要解决的根本统计问题是：在因果模型（特别是 SNMM）中，如何对经数据驱动筛选出的效应修饰因子参数进行有效的 post-selection inference（PoSI）。当前该方向处于从线性回归 / Q-learning 的 PoSI 方法向更复杂因果模型（SNMM + proximal treatment effect）迁移的成熟期。

发展脉络： 1. 奠基工作（SNMM 与 G-estimation）：Robins 提出 SNMM 与 G-estimation 处理时间依赖性混杂。Vansteelandt and Joffe (2014) 综述了 SNMM 的优势与应用困境（引用句："The goal is to estimate the parameters ψ utilizing the observed data via G-estimation"），确立了 G-estimation 的标准形式与 sandwich 方差。 2. 高维惩罚与变量筛选：Fan and Peng (2004) 证明了非凹惩罚似然在参数发散时的 oracle property 与 sandwich 方差一致性（引用句："Such sandwich estimators are consistent even when the number of parameters tends to infinity"）。Jaman et al. (2025) 将惩罚引入 SNMM，提出 doubly robust penalized G-estimator 并证明 oracle property（引用句："Jaman et al. (2025) established the asymptotic properties of the penalized G-estimator and verified the double-robustness property"），但留下筛选后推断的口子。 3. Post-selection inference 的两条主线： - PoSI / UPoSI 路线：Berk et al. (2013) 提出对所有可能子模型提供同时推断保证的 PoSI 方法（引用句："provides inferential guarantees for arbitrary model selection approaches, including informal ones"）；Kuchibhotla et al. (2020) 将其推广为随机设计下的 UPoSI（引用句："an extension of the random design UPoSI approach"）；Bachoc et al. (2020) 给出渐近均匀有效的置信区间。 - Selective Inference（条件化推断）路线：Lee et al. (2016) 与 Tibshirani et al. (2016) 对 Lasso 等多面体选择事件发展了精确的条件化推断（引用句："developed frameworks for inference under ... LASSO"），通过条件化选择事件获得有限样本精确 \(p\)-value。 4. 高维因果推断的去偏 / decorrelated 路线：Zhang and Zhang (2014) 提出低维参数的高维置信区间；Ning and Liu (2017) 提出更一般的 decorrelated score function 框架，声称达到半参数有效界（引用句："the decorrelated score method Ning and Liu (2017) provides a general framework for high dimensional inference that can be used to infer the oracle parameter under misspecified models"）。 5. 因果 / DTR 中的 PoSI 萌芽：Zhao et al. (2022) 对 Lasso 筛选的效应修饰做了条件化选择性推断；Jones et al. (2022) 将 UPoSI 扩展至 Robust Q-learning（引用句："extended the UPoSI approach to develop valid inference for robust Q-learning"）；Gao et al. (2025) 对多阶段静态治疗策略用 one-step improvement 做推断（引用句："we can derive a one-step improvement Ning and Liu (2017); Gao et al. (2025) of the penalized-G estimator"）。 6. 本文位置：将 UPoSI（多面体投影）与 one-step decorrelated（条件化）两条路线同时嵌入 penalized G-estimation + proximal treatment effect 的 SNMM 框架，填补了纵向因果效应修饰筛选后有效推断的空白。

子线索聚类： - 子线索 A：SNMM / G-estimation 与效应修饰建模（Robins, Vansteelandt & Joffe 2014; Boruvka et al. 2018; Jaman et al. 2025）。聚焦于时间依赖性混杂下的 blip 函数参数化与 doubly robust 估计。 - 子线索 B：Post-selection inference 的通用框架（Berk et al. 2013; Kuchibhotla et al. 2020; Bachoc et al. 2020; Lee et al. 2016; Tibshirani et al. 2016）。聚焦于线性回归 / Lasso 下，如何对选择事件调整置信区间宽度或条件化分布。 - 子线索 C：高维因果 / DTR 的去偏与推断（Zhang & Zhang 2014; Ning & Liu 2017; Zhao et al. 2022; Jones et al. 2022; Gao et al. 2025）。聚焦于用 decorrelated score / one-step estimator 消除惩罚引入的偏差，恢复渐近正态性。

核心追问与瓶颈： 1. 如何定义被选择参数的推断目标？ 是条件化于选择事件推断"被选入的参数"，还是无条件化推断"oracle 参数"？两者覆盖概率的保证域不同。 2. 惩罚 G-estimator 的选择偏差如何消除？ 惩罚引入的非凹优化与收缩偏差使得经典 sandwich 方差不再一致，naive 推断 Type I error 膨胀。 3. SNMM 的 G-estimating equation 结构如何适配 PoSI 框架？ G-estimation 涉及纵向协变量与 blip 函数的交互，其选择事件比线性回归更复杂（非单纯残差的多面体约束），且 nuisance 参数（如处理机制模型）需同时估计。

⚠️ 作者的 framing： - 作者将缺口 frame 为："penalized G-estimation 缺少有效 post-selection inference，而现有 PoSI 方法只覆盖线性回归或 Q-learning，未触及 SNMM 与 proximal treatment effect"。这让本文成为"将两条成熟 PoSI 路线移植到更复杂因果模型"的显然下一步。 - 被淡化的竞争路线：作者虽引用了 Zhao et al. (2022) 的 selective inference for effect modification via Lasso，但未深入对比其条件化框架与本文 one-step 方法的实质差异（Zhao 用 Robinson 变换解耦 nuisance，本文用 G-estimation 解耦；Zhao 条件化于 Lasso 路径，本文条件化于惩罚 G-estimator 的选择事件）。此外，半参数效率理论下的 debiased ML / cross-fitting 路线（如 Chernozhukov et al. 2018 的 Double ML）在 intro 中完全缺席——这是一个明显该存在却未出现的路线，因为 SNMM 的 doubly robust G-estimation 本身就是半参数有效估计的候选，cross-fitting 能进一步处理 nuisance 估计的过拟合偏差，这与 post-selection 的偏差消除有交集但视角不同。值得研究者去查：debiased ML 与 decorrelated score 在 SNMM 设定下是否等价？若等价，本文的 one-step 方法是否只是 Double ML 的特例？

张力：未见明显对立引用。各路线（PoSI vs. Selective vs. Debiased）在不同假设与覆盖域下给出有效推断，彼此互补而非矛盾。但存在一个隐含张力：PoSI / UPoSI 追求无条件化覆盖保证（对任意选择程序有效，但区间宽），Selective / one-step 追求条件化或渐近窄区间（但对选择事件有特定假设）——本文同时呈现两条路线，但未在理论上量化两者的区间宽度差异（仅在模拟中比较）。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代

  • \(n\)：独立个体数（\(i = 1, \dots, n\)）。
  • \(J\)：时间点数 / 决策阶段数（\(j = 1, \dots, J\)）。
  • \(A_j\)：个体 \(i\) 在时间 \(j\) 的处理变量（二值，\(0/1\)）。
  • \(Y_j\)：个体 \(i\) 在时间 \(j\) 的响应变量（重复测量结局）。
  • \(L_j\)：个体 \(i\) 在时间 \(j\) 的协变量向量（包含时间依赖性混杂与潜在效应修饰因子）。
  • \(H_{ij}\)：个体 \(i\) 在时间 \(j\) 的历史向量 \(\{L_1, A_1, Y_1, \dots, L_j\}\)，维度为 \(d_j\)。
  • \(\psi\)：目标参数（效应修饰参数），维度为 \(p\)（低维，\(p\) 固定或远小于 \(n\)），刻画 blip 函数中 \(A_j\) 与 \(H_{ij}\) 的交互效应。
  • \(\beta\)：高维 nuisance 参数（处理机制模型 / confounding 模型的参数），维度为 \(q\)（\(q\) 可随 \(n\) 发散）。
  • \(\gamma^*(a_j, h_{ij}; \psi)\)：blip 函数（潜在结果框架下的反事实差），SNMM 的核心结构假设，定义为 \(E[Y_j(\bar{a}_j, 0) - Y_j(\bar{a}_{j-1}, 0) | H_{ij} = h_{ij}]\)，参数化为 \(\gamma^* = a_j h_{1,ij}^\top \psi\)（\(h_{1,ij}\) 是 \(h_{ij}\) 的子集，即候选效应修饰因子）。
  • \(\hat{\psi}_P\)：penalized G-estimator，经非凹惩罚（如 SCAD / MCP）筛选 \(h_{1,ij}\) 中非零效应修饰因子后得到的 \(\psi\) 估计。
  • \(\hat{M}\)：选择事件，即惩罚 G-estimation 选出的非零效应修饰因子集合（模型）。
  • 可观测数据：对每个个体 \(i\)，观测到 \((L_{i1}, A_{i1}, Y_{i1}, L_{i2}, A_{i2}, Y_{i2}, \dots, L_{iJ}, A_{iJ}, Y_{iJ})\)。不可观测 / 需假设识别的量：反事实结局 \(Y_j(\bar{a}_j, 0)\)、blip 函数 \(\gamma^*\) 的真实参数 \(\psi\)。识别需依赖序贯可忽略性（sequential ignorability）或 proximal 因果假设（用阴性 / 阳性代理变量替代未观测混杂）。

第二步：最小内核——单时间点（\(J=1\)）、线性 blip、Lasso 惩罚

剥掉纵向结构（\(J=1\)）、非凹惩罚（换成 Lasso）、proximal 假设（换成标准可忽略性），最小内核如下：

  • 模型：\(J=1\)，blip 函数 \(\gamma^*(a_1, h_1; \psi) = a_1 h_1^\top \psi\)，其中 \(h_1 \in \mathbb{R}^p\) 为候选效应修饰因子。G-estimating equation 为：

    \[\sum_{i=1}^n \left\{ Y_{i1} - \gamma^*(A_{i1}, H_{i1}; \psi) - m(H_{i1}; \beta) \right\} \times \left\{ A_{i1} - \pi(H_{i1}; \beta) \right\} \times H_{i1} = 0\]
    其中 \(\pi(H_{i1}; \beta) = P(A_1=1 | H_{i1})\) 是处理机制模型，\(m(H_{i1}; \beta) = E[Y_1(0) | H_{i1}]\) 是基线期望模型。\(\beta\) 为高维 nuisance 参数。

  • 惩罚估计：对 \(\psi\) 施加 Lasso 惩罚 \(\lambda \|\psi\|_1\)，解惩罚 G-estimating equation 得 \(\hat{\psi}_P\)。选择事件 \(\hat{M} = \text{supp}(\hat{\psi}_P)\)。

  • 核心数学困难：\(\hat{\psi}_P\) 因 Lasso 收缩，\(\hat{\psi}_P\) 的分布不再是正态（偏差非零、支撑集随机）。Naive sandwich 方差假设 \(\hat{M}\) 固定，忽略了选择事件的随机性，导致 Type I error 膨胀。

  • 本文破题想法：

  • UPoSI 路线：不条件化于 \(\hat{M}\)，而是对所有可能子模型 \(M \subseteq \{1, \dots, p\}\) 构造同时推断区间，保证 \(\inf_{\psi \in \mathbb{R}^p} P(\psi_M \in C_M) \geq 1-\alpha\)。核心是将 G-estimator 的投影方向调整为"对所有子模型同时有效"的最大 \(t\)-统计量修正。

  • One-step decorrelated 路线：条件化于 \(\hat{M}\)，构造 one-step 估计器 \(\hat{\psi}_{OS} = \hat{\psi}_P - \hat{\Delta}^{-1} \hat{S}(\hat{\psi}_P)\)，其中 \(\hat{\Delta}\) 是 decorrelated score 的信息矩阵，\(\hat{S}\) 是去偏 score。通过消除惩罚偏差，恢复 \(\hat{\psi}_{OS}\) 的渐近正态性，条件化于 \(\hat{M}\) 后做标准 \(z\)-检验。

  • 为什么成立：UPoSI 依赖 Kuchibhotla et al. (2020) 的最大投影框架，将 G-estimator 的线性结构映射为所有子模型的线性组合，用同时推断控制选择随机性；One-step 依赖 Ning & Liu (2017) 的 decorrelated score，将高维 nuisance \(\beta\) 的影响通过投影消除，使得 \(\hat{\psi}_{OS}\) 在 \(\hat{M}\) 固定时的渐近分布与 \(\psi\) 的真实分布一致。两者在 \(J=1\) 时退化为线性回归的 PoSI / selective inference，本文的推广在于将 G-estimating equation 的交互结构（\(A_j - \pi\) 残差与 \(H_j\) 的乘积）纳入框架。

三、这篇论文做了什么

三句话：①研究了高维协变量下 SNMM 中 proximal treatment effect 的效应修饰因子经惩罚 G-estimation 筛选后的有效推断问题；②核心工具是将 UPoSI（多面体选择调整投影）与 one-step decorrelated score（条件化选择推断）两条 PoSI 路线扩展至惩罚 G-estimation；③主要结论是两种方法在各自框架下渐近有效（UPoSI 无条件化覆盖 \(1-\alpha\)，one-step 条件化渐近正态），模拟显示 naive 方法 Type I error 膨胀至 0.15-0.30，而调整方法控制在 0.05 附近，UPoSI 区间更宽但无需假设选择机制。

关键设定与假设： - SNMM 与 proximal treatment effect：blip 函数 \(\gamma^*(a_j, h_{ij}; \psi) = a_j h_{1,ij}^\top \psi\)，\(h_{1,ij}\) 为候选效应修饰因子。Proximal 设定允许使用阴性 / 阳性代理变量（proxy variables）替代未观测混杂，放宽了序贯可忽略性假设。 - Doubly robust G-estimation：G-estimating equation 依赖处理机制模型 \(\pi\) 与基线期望模型 \(m\)，两者之一正确即可识别 \(\psi\)（doubly robust）。 - 惩罚与选择：对 \(\psi\) 施加非凹惩罚（SCAD / MCP），用 MM 算法（Hunter & Li 2005）求解，选择事件 \(\hat{M} = \text{supp}(\hat{\psi}_P)\)。 - 高维假设：nuisance 参数 \(\beta\) 维度 \(q = o(n^{1/3})\)，满足稀疏条件（\(\|\beta\|_0 = s_\beta = o(n^{1/4})\)）；目标参数 \(\psi\) 维度 \(p\) 固定或 \(p = o(n^{1/3})\)。 - Assumption A.1-A.5：涵盖参数空间紧性、G-estimating equation 的光滑性 / 可微性、惩罚函数的性质（SCAD / MCP 的非凹与阈值）、信息矩阵的正定性、nuisance 估计的收敛率（\(\|\hat{\beta} - \beta\| = O_P(n^{-1/4})\)）。相比 Jaman et al. (2025) 的 oracle property 证明，本文额外要求 nuisance 估计的 \(n^{-1/4}\) 收敛率（用于 one-step 去偏的残差控制）与信息矩阵的均匀正定性（用于 UPoSI 的投影稳定性）。

主要结果： 1. Theorem 1（UPoSI 的渐近有效性）：对任意选择程序 \(\hat{M}\)，基于 penalized G-estimator 的 UPoSI 投影置信区间 \(C_{\hat{M}}\) 满足 \(\liminf_{n \to \infty} \inf_{\psi \in \mathbb{R}^p} P(\psi_{\hat{M}} \in C_{\hat{M}}) \geq 1-\alpha\)。直觉：UPoSI 将 G-estimator 视为所有子模型的线性投影，用同时推断的"保险"覆盖选择随机性。必要条件：G-estimator 的渐近线性性（\(\hat{\psi}_P - \psi = \Delta^{-1} S_n + o_P(n^{-1/2})\)）与 nuisance 估计的一致性。技术难点：G-estimator 的 score 函数是 \((Y - \gamma - m)(A - \pi)H\) 的交互项，其投影结构比线性回归更复杂，需证明交互项的渐近线性性在所有子模型上均匀成立。 2. Theorem 2（One-step decorrelated 的条件化渐近正态性）：条件化于 \(\hat{M}\)，one-step 估计器 \(\hat{\psi}_{OS}\) 满足 \(\sqrt{n}(\hat{\psi}_{OS,\hat{M}} - \psi_{\hat{M}}) \to_d N(0, \Delta_{\hat{M}}^{-1} V_{\hat{M}} \Delta_{\hat{M}}^{-1})\)。直觉：decorrelated score 消除惩罚偏差与高维 nuisance 偏差，恢复正态性。必要条件：nuisance 估计的 \(n^{-1/4}\) 收敛率、稀疏条件 \(s_\beta = o(n^{1/4})\)、decorrelated score 的信息矩阵 \(\hat{\Delta}\) 的一致性。技术难点：one-step 修正需在惩罚 G-estimator 的非零分量上操作，同时控制 nuisance 估计对 score 函数的过拟合偏差（需 cross-fitting 或样本拆分，本文未用 cross-fitting，依赖稀疏条件直接控制）。 3. Corollary 1（Naive sandwich 方差的失效）：证明 naive sandwich 方差估计器 \(\hat{V}_{naive}\) 在惩罚选择下不一致（\(\hat{V}_{naive} \not\to V\)），因选择偏差导致 \(E[\hat{\psi}_P | \hat{M}] \neq \psi_{\hat{M}}\)。

证明路线与技术技巧： - 整体路线（UPoSI）： 1. 建立 penalized G-estimator \(\hat{\psi}_P\) 的渐近线性展开：\(\hat{\psi}_P - \psi = \Delta^{-1} S_n(\psi, \hat{\beta}) + o_P(n^{-1/2})\)，其中 \(S_n\) 是 G-estimating score。 2. 将 \(S_n\) 分解为线性投影部分与 nuisance 估计残差部分，证明残差部分 \(o_P(n^{-1/2})\) 在所有子模型上均匀可控。 3. 对线性投影部分构造 UPoSI 的最大 \(t\)-统计量 \(K_n = \max_{M \subseteq \{1,\dots,p\}} |t_M|\)，用 Kuchibhotla et al. (2020) 的同时推断框架控制 \(K_n\) 的分布。 4. 证明 \(K_n\) 的渐近分布可通过 Gaussian 逼近获得，从而构造置信区间 \(C_{\hat{M}} = \{\psi : |t_{\hat{M}}| \leq K_n^{1-\alpha}\}\)。 - 整体路线（One-step）： 1. 定义 decorrelated score \(\tilde{S}(\psi, \beta) = S(\psi, \beta) - \Delta_{\psi,\beta} \Delta_{\beta}^{-1} S_\beta(\beta)\)，其中 \(\Delta_{\psi,\beta}\) 是 score 对 \(\psi\) 的导数，\(\Delta_{\beta}\) 是 nuisance score 对 \(\beta\) 的导数，\(S_\beta\) 是 nuisance score。 2. 证明 \(\tilde{S}\) 对 \(\beta\) 的局部不敏感性（\(\partial \tilde{S} / \partial \beta \approx 0\)），使得 \(\tilde{S}(\psi, \hat{\beta}) \approx \tilde{S}(\psi, \beta)\)，消除 nuisance 偏差。 3. 构造 one-step 估计器 \(\hat{\psi}_{OS} = \hat{\psi}_P - \hat{\Delta}^{-1} \tilde{S}(\hat{\psi}_P, \hat{\beta})\)，证明 \(\hat{\psi}_{OS}\) 的惩罚偏差与 nuisance 偏差均被 \(\hat{\Delta}^{-1} \tilde{S}\) 消除。 4. 条件化于 \(\hat{M}\)，证明 \(\sqrt{n}(\hat{\psi}_{OS,\hat{M}} - \psi_{\hat{M}})\) 的渐近正态性，用 sandwich 方差 \(\hat{\Delta}^{-1} \hat{V} \hat{\Delta}^{-1}\) 构造置信区间。 - 关键跳跃点： - UPoSI 的均匀渐近线性性：需证明 G-estimator 的交互项 \((Y - \gamma - m)(A - \pi)H\) 在所有子模型 \(M\) 上的投影残差均匀 \(o_P(n^{-1/2})\)。这依赖 empirical process 技术（覆盖数 / chaining）控制 nuisance 估计的均匀收敛。 - One-step 的 decorrelated score 构造：需在 G-estimating equation 的非线性结构（blip 函数含 \(A_j H_{ij}\) 交互）下，找到 \(\Delta_{\psi,\beta}\) 与 \(\Delta_{\beta}\) 的显式表达，并证明 \(\hat{\Delta}\) 的一致性。难点在于 \(\Delta_{\beta}\) 涉及处理机制模型 \(\pi\) 与基线期望模型 \(m\) 的导数，两者均为高维非参数 / 半参数估计。 - 技术技巧点名： - Empirical process / chaining：用于控制 UPoSI 中所有子模型上 score 函数的均匀收敛（Lemma 3 的证明）。 - Decorrelated score / orthogonalization：Ning & Liu (2017) 的核心工具，通过投影消除 nuisance score 对目标 score 的干扰，实现局部不敏感性。 - MM 算法（Hunter & Li 2005）：用于求解非凹惩罚 G-estimating equation，通过 minorization-maximization 迭代逼近 SCAD / MCP 的解。 - Doubly robust 信息矩阵：G-estimation 的信息矩阵 \(\Delta\) 在 \(\pi\) 或 \(m\) 之一正确时仍一致，这是 SNMM 的经典性质，本文依赖它构造 UPoSI 投影与 one-step sandwich。

真实例子与应用： - 数据 / 场景：终末期肾病（ESRD）患者的血液透析滤过（HDF）治疗，数据来自 Centre Hospitalier de l'Université de Montréal（CHUM）。纵向设定：每个患者多次透析 session（\(J\) 为 session 数），处理 \(A_j\) 为该 session 是否达到高对流体积（\(\geq 21L\)，二值），结局 \(Y_j\) 为 session 特定的透析效果指标（如 Kt/V），协变量 \(L_j\) 包含患者特征与 session 特定临床指标（如血管通路类型、血流量等）。 - 如何用上去：用 penalized G-estimation 筛选影响 HDF 效果异质性的效应修饰因子（如血管通路类型、血流量），然后用 UPoSI 与 one-step 构造筛选后参数的置信区间。 - 得到什么结果：UPoSI 与 one-step 均识别出血管通路类型（fistula vs. catheter）为显著效应修饰因子，置信区间排除 0；naive 方法也识别出但区间过窄（低估不确定性）。UPoSI 区间比 one-step 宽约 30%，反映无条件化保证的保守性。 - 想说明什么：验证理论方法在真实纵向因果数据上的可行性，展示 naive 推断的风险（区间过窄），对比 UPoSI（保守但通用）与 one-step（窄但依赖选择机制假设）的实际差异。

🔎 结论是否比证明窄： - Theorem 2 的条件化渐近正态性严格证明于 \(\hat{M}\) 固定且 nuisance 稀疏条件 \(s_\beta = o(n^{1/4})\) 下，但作者在讨论中泛泛 claim "one-step 方法在更一般选择程序下也有效"（未指明具体条件），这是一个比证明窄的 claim。 - UPoSI 的无条件化覆盖保证严格证明于 \(p\) 固定或 \(p = o(n^{1/3})\)，但作者暗示"UPoSI 可扩展至 \(p\) 更高的情况"（未给出证明或条件），这也是一个泛泛 claim。

四、开放问题（点到为止，扎根具体语句）

  1. 半参数效率界与 one-step 的关系：本文的 one-step decorrelated 估计器是否达到 SNMM 下 proximal treatment effect 参数的半参数效率界？Ning & Liu (2017) 声称 decorrelated score 达到效率界，但 SNMM 的 doubly robust 结构与 proximal 假设下的效率界尚未推导。扎根点：Theorem 2 的 sandwich 方差 \(\Delta^{-1} V \Delta^{-1}\) 是否等于 proximal SNMM 的有效影响函数的方差？需查 proximal CI 的效率界文献（如 Tchetgen et al. 2024）。
  2. Cross-fitting 与 nuisance 过拟合偏差：本文依赖稀疏条件 \(s_\beta = o(n^{1/4})\) 控制 nuisance 估计偏差，未用 cross-fitting / sample splitting。若 nuisance 模型非稀疏（如用随机森林 / DNN 估计 \(\pi\) 与 \(m\)），one-step 的渐近正态性是否仍成立？扎根点：Assumption A.4 的 \(n^{-1/4}\) 收敛率假设，与 Chernozhukov et al. (2018) 的 cross-fitting 框架对比。
  3. \(p\) 发散时 UPoSI 的计算可行性：UPoSI 需遍历所有 \(2^p\) 个子模型计算最大 \(t\)-统计量，当 \(p\) 较大时计算不可行。Kuchibhotla et al. (2020) 提出近似算法，但本文未讨论 SNMM 设定下的计算方案。扎根点：Section 4 的 UPoSI 构造，当 \(p > 20\) 时如何实现？
  4. Proximal 假设下的选择事件刻画：本文的选择事件基于惩罚 G-estimator 的支撑集，但 proximal 设定引入阴性 / 阳性代理变量，其选择事件是否仍可表示为多面体约束（Lee et al. 2016 的框架要求）？扎根点：Section 3.2 的条件化推断假设选择事件可刻画，proximal 变量的筛选是否破坏多面体结构？

Maintained by 陈星宇 · Homepage · Source on GitHub

评论