Efficient semiparametric estimation of network treatment effects under partial interference¶

作者: C Park, H Kang
来源: Biometrika
主题: 因果推断
相关性: 9/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本文所属的子方向是在“部分干扰 (partial interference)”假设下的网络因果效应估计与半参数效率理论。从根本上，它要解决的科学问题是：当一个单元的处理会影响其他单元的结果（即干扰存在）时，如何定义、识别并高效地估计那些有实际意义的因果效应（如直接效应、溢出效应）？当前的成熟度是：识别与估计方法已相对成熟（IPW、DR等），但最优性理论——即哪些估计量达到了半参数效率下界——几乎还是空白。本论文正是要填补这个空白。

发展脉络 (history)¶

从引言和引用看，这个子方向的演进可以清晰地分为三步：

奠基工作：定义问题，建立因果框架 (2007-2014)
- Hudgens and Halloran [25] (2008) 和 Tchetgen Tchetgen and VanderWeele [60] (2010) 是基石。他们首次在干扰存在下定义了平均潜在结果和各类因果效应（直接、间接、总、整体），并为部分干扰（个体可划分为组，组内干扰、组间无干扰）的设定奠定了形式化基础。前者提供了有限样本推断的框架，后者将其扩展到逆概率加权（IPW）估计。
- 此时的“效率”讨论是有限的，主要在有限样本方差或适用特定模型的条件下进行（如 [33] Liu and Hudgens, 2014）。
方法爆发：提出多种估计量 (2014-2020)
- 研究者们提出了多种估计量以应对干扰，主要集中在部分干扰设定下：
  - IPW 估计量 (Liu et al., 2016; Tchetgen Tchetgen et al., 2010): 通过逆概率加权处理分配机制。
  - Doubly Robust (DR) 估计量 (Liu et al., 2019): 这是关键进展。Liu等人 (2019) 在部分干扰下提出了双稳健估计量，只要处理分配模型或结果回归模型之一正确指定，估计量就是一致的。这是目前文献中最受关注的估计量之一，也是本文的主要对标对象。
  - TMLE 估计量 (Sofrygin & van der Laan, 2016): 针对一般（非部分）干扰设定提出了基于Targeted Maximum Likelihood Estimation的方法，但要求一个已知的、单一的同伴数据汇总函数。
  - 其他: 包括 randomization-based 方法、回归调整等 [2, 7, 14, 19, 39]。
- 作者定位: 本文批评性地指出，虽然这一阶段方法很多，但“它们的最优性（optimality） 性质，就半参数效率而言，一直没有被解决”。
当前 Frontier: 填补效率理论的空白 (2024 本文)
- 本文的位置: Park & Kang (2024) 的工作是第一个在部分干扰设定下，系统性地推导网络因果效应半参数效率下界和有效影响函数的通用框架。它将“网络干扰”这个子领域与半参数效率理论的大传统正式连接起来。核心推论是：Liu等人 (2019) 的DR估计量是局部有效的 (locally efficient)。

子线索聚类¶

被引文献大致可分为以下 2-3 条子线索：

部分干扰下的估计方法 (直接相关): 这是最核心的线索，也是本文的直接竞争对手/对标对象。
- 代表: Hudgens & Halloran [25], Tchetgen Tchetgen & VanderWeele [60], Liu et al. [33, 34, 35], Basse & Feller [11], Barkley et al. [19]。
- 做什么: 专注于在“组内干扰、组间独立”的假设下，设计IPW、DR、回归等不同类型估计量，并研究其大样本性质。Liu et al. [34] (2019) 的DR估计量是这条线索最接近本文的顶点。
一般 (非部分) 干扰下的估计方法 (更广阔的背景)
- 代表: Sofrygin & van der Laan [48], van der Laan [16], Tchetgen Tchetgen et al. [61], Leung [14]。
- 做什么: 不依赖“部分”干扰结构，允许更一般的网络依赖性。通常需要引入更复杂的结构假设（如马尔可夫性、已知汇总函数）或特殊的推断策略。本文将其定位为更通用但信息更少的设定。作者明确说，他们自己的工作 (部分干扰) 与这些更一般的工作形成互补——部分干扰能实现更高效的估计。
实验设计与识别 (先于估计的议题)
- 代表: Eckles et al. [1], Aronow & Samii [39], Baird et al. [6], Forastiere et al. [9]。
- 做什么: 关注如何设计实验（如cluster randomization）或利用观测数据来识别因果效应，而不一定聚焦于估计的最优性。这部分工作为本文的估计目标提供了坚实的基础。

这个方向在追问的核心问题¶

识别: 在给定干扰结构下，哪些因果效应是可以被观测数据唯一确定的？
估计的一致性/稳健性: 如何构建估计量，使其在模型误设下也能至少保持一致性？（即双稳健性）
效率: 在给定半参数模型下，效应的最优估计可以达到多小的渐近方差？如何达到？
适应性: 能否在不同干扰模式/子网之间“借用信息”，以进一步提高效率？

主流方法: 目前主流是DR估计（如Liu et al., 2019）和TMLE（Sofrygin & van der Laan, 2016）。主要瓶颈在于：缺乏一个统一的理论框架来判断这些估计量的最优性；对效率下界和有效影响函数的研究几乎是空白。

⚠️ 作者的 framing¶

作者把缺口 frame 成：“尽管很多估计量被提出了，但它们的最优性性质从未被严格处理。这是一个巨大的理论空白。我们提供的框架（基于EIF）能系统性地解决这个问题，并且证明了一个现有的、受欢迎的估计量就是有效的。”

被淡化或回避的竞争路线: 作者明确将Sofrygin & van der Laan [48] 的一般干扰工作定位为“互补的”。这暗示了它的设定不同，且可能因更通用而效率更低。作者并没有深入比较或批评这条路线，而是将其排除在框架之外。
什么明显该被引 / 该存在、却没出现在 intro 里？: 见到一篇关于一般干扰下EIF的早期尝试是值得期待的。作者提到 van der Laan [16] 和 Sofrygin & van der Laan [48] 没有处理EIF。此外，Kennedy [27] 关于因果推断半参数理论的综述被引用，但Kennedy本人或其他人有没有一篇专门关于“网络因果效应”的EIF的综述或工作论文，在本文之前（2022-2023）存在吗？这是值得查的一个点。如果存在，那么“空白”的要求就要被重新评估。

张力¶

未见明显对立引用。工作之间存在自然的“通用vs高效”、“设计vs估计”的张力，但没有根本性的矛盾。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

单位: 假设有 \(J\) 个不重叠的组 (group)，如不同的村庄。每组下标为 \(g = 1, \dots, J\)。
个体: 第 \(g\) 组内有 \(n_g\) 个个体，下标为 \(i = 1, \dots, n_g\)。总样本量是 \(N = \sum_{g=1}^{J} n_g\)。存在“部分干扰”：不同组的个体间无干扰，但同一组内的个体间可能有干扰。
处理: 个体 \(i\) 在组 \(g\) 接受一个处理 \(A_{gi}\)。它是一个随机变量。我们用向量 \(\mathbf{A}_g = (A_{g1}, \dots, A_{gn_g})\) 表示第 \(g\) 组的处理分配向量。
潜在结果: 个体 \(i\) 在组 \(g\) 的潜在结果 (potential outcome) 不仅取决于他自己的处理 \(a\)，还取决于他组内所有其他个体的处理分配。记作 \(Y_{gi}(\mathbf{a}_g)\)，其中 \(\mathbf{a}_g\) 是整个组的某个处理分配向量。
可观测数据: 研究者实际能观测到的只有 \(O_{gi} = (A_{gi}, Y_{gi}, X_{gi})\)，其中 \(Y_{gi}\) 是观测到的结果，满足 \(Y_{gi} = Y_{gi}(\mathbf{A}_g)\)（一致性）。\(X_{gi}\) 是基线协变量。
关键简化: 边界函数与暴露映射 由于潜在结果依赖于全组的处理向量 \(\mathbf{a}_g\)，其维度可能很大（\(2^{n_g}\)）。为了使问题可处理，本文的关键结构假设是：存在一个边界函数 (boundary function) \(M_g\) 和一个暴露映射 (exposure mapping)，使得潜在结果可以被简化。在最小内核中，这具体意味着什么？
界 (Boundary): 在作者的第二段定义中（§2），它将“邻居”概念浓缩成一个 \(n_g \times n_g\) 的邻接矩阵，并定义了一个边界函数 \(M_g\)。其作用是：对于个体 \(i\) 在组 \(g\)，存在一个由邻接矩阵定义的小集合（边界），它是处理 \(A_{gi}\) 与该个体在组内所依赖的同伴的处理（记为 \(\mathcal{A}^*_{gi}\)）的并集。关键在于，\(Y_{gi}(\mathbf{a}_g)\) 只依赖于这个边界里的处理分配，而不是全组的。例如，对于“完全连通”的一个家庭，每个人的结果可能依赖于所有其他家庭成员的分配。但若假设“结果只依赖于自己、邻居（如1-hop内）”，那就是一个简单的边界。
部分干扰下的潜在结果模型: 给定边界，原始的高维潜在结果被简化为：
\[Y_{gi}(a_{gi}, a^{*}_{gi})\]
其中 \(a^{*}_{gi}\) 是边界内同伴的处理模式（可能是一个向量，也可能是一个标量）。
要估计的因果效应: 本文关心 平均潜在结果 (Average Potential Outcome, APO)，定义为：
\[\mu(\alpha) = \mathbb{E}[Y_{gi}(\tilde{A}_{gi}, \tilde{A}^{*}_{gi})]\]
其中 \((\tilde{A}_{gi}, \tilde{A}^{*}_{gi})\) 是从某个后干预分布 (post-intervention distribution) 中抽取的。常见例子：所有个体都被处理时（处理效应） vs. 所有个体都未处理时（控制效应），它们的对比就是直接/溢出效应。

第二步：讲最小内核¶

最简特例（首选）: 考虑一个最简单的设定来揭示本文的EIF推导是如何工作的：

设定: 只有1个组 (\(J=1\))。组内只有2个个体 (\(n_1=2\))，且它们完全互相依赖。没有协变量。
目标效应:
- 直接效应 (Direct Effect, DE): 个体自己的处理对结果的平均效应，控制同伴处理为对照水平。即 \(\mu(1,0) - \mu(0,0)\)。
- 溢出效应 (Spillover Effect, SE): 同伴的处理对结果的平均效应，控制自己的处理为对照水平。即 \(\mu(0,1) - \mu(0,0)\)。
可观测数据: 我们观测到 \(\{ (A_1, Y_1), (A_2, Y_2) \}\)。
模型: 我们假设一个部分干扰结构。由于只有两个人，边界就是他们自己。处理是随机的（无混淆），这就是标准的随机化实验。为了估计 \(\mu(a_1, a_2)\)，我们需要部分干扰假设下的处理分配概率 \(\pi_g(A_1, A_2) = \Pr(A_1=a_1, A_2=a_2)\)。这是一个饱和模型，有4个参数（处理后/未处理的各种组合）。
核心思路:
1. 第一步：写出APO的识别公式。由于条件是随机实验，我们可以识别：
  \[\mu(a_1, a_2) = \mathbb{E}\left[ Y_1 \cdot \mathbb{I}(A_1=a_1, A_2=a_2) / \pi(a_1, a_2) \right] = \mathbb{E}\left[ Y_1 \mid A_1=a_1, A_2=a_2 \right]\]
  第二个等式在完全随机化下成立。这是IPW估计量的基础。
2. 第二步：引入Efficient Influence Function (EIF) 的概念。在半参数模型中，对于参数（这里是 \(\mu(a_1, a_2)\)），其EIF是数据的一个函数 \(\phi_{eff}(O)\)。它的方差就是半参数效率下界。如果一个估计量 \(\hat{\mu}\) 是正则的 (regular) 和渐近线性 (asymptotically linear) 的，且其影响函数等于EIF，那么它就是局部有效的。
3. 第三步：推导EIF。对于部分干扰下的随机实验，EIF 的推导有一个标准模板（见新书 [50, 51]）。在 2-person 的特例中，EIF 的表达式是：
  \[\phi_{eff}(O_1, O_2; \mu) = \frac{\mathbb{I}(A_1=a_1, A_2=a_2)}{\pi(a_1, a_2)} \Big[ Y_1 - \mu(a_1, a_2) \Big]\]
  即，IPW的得分函数减去期望。其方差为：
  \[\text{Var}[\phi_{eff}] = \frac{1}{\pi(a_1, a_2)} \text{Var}(Y_1 \mid A_1=a_1, A_2=a_2)\]
4. 第四步：联系到现有DR估计量。Liu等人 (2019) 的DR估计量在部分干扰下的形式，本质上就是用一个回归模型 \(\mathbb{E}[Y \mid A=a]\) 替换IPW中的指示函数，再减去校正项。在完全随机实验下，回归模型是饱和的，DR估计量退化为IPW。但关键是，DR估计量的影响函数恰好等于上述EIF。因此，只要处理模型或结果模型之一正确，它就能达到效率下界，即局部有效。

结论: 这篇论文的最简内核就是：在部分干扰下，对于一个给定的平均潜在结果，其EIF就等于IPW得分函数减去其期望。然后证明，一个DR估计量（如Liu et al. (2019)）的影响函数就是这个EIF，因此它是局部有效的。论文的一般情形只是把2个人推广到任意组大小 \(n_g\)、存在协变量、处理机制可能为观测下的复杂情况，但EIF的结构 ([IPW 得分] - [预期]) 在本质上是相同的。这就是整篇论文数学上干的事。

三、这篇论文做了什么¶

三句话:
1. 本文研究了在部分干扰假设下，网络因果效应（如直接效应和溢出效应）的半参数有效估计问题。
2. 核心工具是有效影响函数 (EIF) 和半参数效率下界，通过将部分干扰结构嵌入一个标准的半参数框架（Likelihood + 扰动）来系统性推导。
3. 主要结论是：① 提供了计算任意结构下APO的EIF的通解公式；② 证明Liu等人 (2019) 的现有DR估计量是局部有效的；③ 提出了其他有效估计量，并初步讨论了自适应估计。

关键设定与假设 (在第二节最小记号基础上补充)¶

符号完善:
- 组: \(g=1,\dots,J\)，组大小 \(n_g\)。
- 个体: \(i=1,\dots,n_g\)。
- 处理: \(A_{gi} \in \{0,1\}\) (本文假设为二值处理，但框架可推广)。
- 结果: \(Y_{gi} \in \mathbb{R}\)。
- 协变量: \(X_{gi} \in \mathbb{R}^d\) (可观的，可预测处理)。
- 处理分配概率 (Propensity Score): \(\pi(\mathbf{A}_g \mid \mathbf{X}_g) = \prod_{i=1}^{n_g} \pi_i(A_{gi} \mid \mathbf{X}_g)\)。这是关键：在部分干扰下，处理分配给定协变量后是条件独立的。这是识别的重要基础。
- 不足: 如果 \(n_g > 1\)，\(\mathbf{A}_g\) 是向量，其联合分布不易建模。本文假设了一个个体主义处理函数 (individualistic treatment response function)，即 \(\pi(A_{gi} \mid \mathbf{X}_g) = \pi(A_{gi} \mid \mathbf{X}_g)\)。这实际上是把组内的处理分配看成独立，这是“部分干扰”加随机化的常见组合。如果处理是观测的，则需要一个模型，如对每个个体的处理概率建模，且假设给定协变量后相互独立（即无混淆）。
关键假设:
1. Partial Interference (部分干扰): 不同组的个体在潜在结果上无干扰。即 \(Y_{gi}(\mathbf{a}_g, \mathbf{a}_{g'}) = Y_{gi}(\mathbf{a}_g)\) 对所有 \(g \neq g'\) 成立。这是最核心的区分。
2. Consistency (一致性): 观测结果等于潜在结果：\(Y_{gi} = Y_{gi}(\mathbf{A}_g)\)。
3. No Unmeasured Confounding (无未测量混淆): 给定组内所有协变量 \(\mathbf{X}_g\)，处理分配向量 \(\mathbf{A}_g\) 独立于所有潜在结果向量 \(\mathbf{Y}_g(\cdot)\)。即 \(\mathbf{A}_g \perp Y_g(\cdot) \mid \mathbf{X}_g\)。这是识别的基础。
4. Positivity (阳性): 对于所有可能的处理分配 \(\mathbf{a}_g\) (在支持集内)，\(\pi(\mathbf{a}_g \mid \mathbf{X}_g) > 0\)。
5. Boundary Function (边界函数): 存在一个已知的、有限的边界 \(B(gi, g) \subset \{g1, \dots, gn_g\}\)，使得 \(Y_{gi}(\mathbf{a}_g) = Y_{gi}(\mathbf{a}_{B(gi,g)})\)，其中 \(\mathbf{a}_{B(gi,g)}\) 是边界内个体的处理。这大大降低了问题的维度。
6. Individualistic Treatment Response (个体化处理反应): 处理分配模型是可分解的：\(\pi(\mathbf{A}_g \mid \mathbf{X}_g) = \prod_{i=1}^{n_g} \pi(A_{gi} \mid \mathbf{X}_g)\)。这是为了简化推导。

主要结果¶

定理 1 (EIF 公式): 给出了平均潜在结果 \(\mu(\alpha) = \mathbb{E}[Y_{gi}(\mathbf{a}_{B(gi,g)})]\) 的EIF的显式表达式 (公式 (18)-(21))。这个公式是结构化的，由核心的IPW得分项和对该得分项取期望的误差项构成。它依赖于：
- 处理分配概率 \(\pi\)。
- 边界函数的处理模式 \(\mathbf{a}_{B(gi,g)}\)。
- 在给定处理模式下，真实结果的条件分布 \(Q_{gi}(y \mid \mathbf{A})\)。
定理 2 (局部效率): 证明了一个基于GMM/DR范式的估计量（对应于公式 (26)-(27)）是渐近线性且正则的，其影响函数等于定理1的EIF。因此，它是局部有效的 (locally efficient)，即达到半参数效率下界。
定理 3 (自适应估计): 初步讨论了当数据结构允许在不同子网之间借用信息时（即，真实干扰模式是一个比边界函数更简单的模式，如对同质群体的处理效应更稳定），可以设计自适应估计量，实现效率的额外提升。这是一个更前沿但尚未完全解决的议题（“limited results”）。

证明路线与技术技巧¶

整体路线 (3-5步):
- Step 1: 模型设定。在部分干扰下，写出数据的半参数似然。关键是将似然分解为：\(\ell(O) = \ell(Y \mid A, X) + \ell(A \mid X) + \ell(X)\)。此处 \(\ell(Y \mid A, X)\) 是非参数（本质上是未知函数），\(\ell(A \mid X)\) 是部分参数化（至少要能计算条件概率），\(\ell(X)\) 是非参数。
- Step 2: 识别与影响函数。对于参数 \(\mu(\alpha)\)，利用G-公式 (G-computation) 得到识别公式：
  \[\mu(\alpha) = \int \int y \cdot f(y \mid \mathbf{A}= \mathbf{a}_{B(gi,g)}, \mathbf{X}= \mathbf{x}) \, dy \, dP(\mathbf{x})\]
  然后，对这个参数应用半参数效率理论的标准工具 (运用 von Mises 展开或 Stein 的引理，即计算它在所有可能扰动下的导数)。这一步的核心是计算得分函数，并将其投影到似然的正交补上。最终得到EIF的表达式。
- Step 3: 证明EIF的方差就是效率下界。EIF的方差 \(\mathbb{E}[\phi_{eff}^2]\) 直接给出了半参数效率下界。
- Step 4: 构造估计量。基于EIF的一步估计量（one-step estimator）：
  \[\hat{\mu}_{\text{one-step}} = \frac{1}{J} \sum_{g=1}^J \sum_{i=1}^{n_g} \phi_{eff}(O_{gi}; \hat{\pi}, \hat{Q})\]
  或者更稳健地，使用解估计方程 \(\sum \{ \phi_{eff}(O; \mu, \hat{\pi}, \hat{Q}) \} = 0\) 得到的GMM/DR估计量。作者证明了后者的影响函数就是EIF。
- Step 5: 证明与现有估计量的联系。将Liu等人 (2019) 的DR估计量写成上述形式的特例，验证其影响函数等同于EIF，从而证明其局部有效性。
关键跳跃点:
- 跳跃点1: 从通用半参数理论到具体干扰结构的EIF表达式。作者没有直接求投影，而是通过分解似然并利用部分干扰结构来进行推导。这类似于 GMM估计 中的Neyman 正交性 (Neyman orthogonality)。核心引理是引理1或类似定理，它证明了当部分干扰成立时，EIF具有一个显式的、可分解的结构。
- 跳跃点2: 证明DR估计量达到这个EIF。难点在于DR估计量通常基于“估计方程”而非直接EIF。作者需要证明，DR估计量在求解的估计方程正是EIF的样本类比。他们使用经验过程理论 (empirical process theory) 来证明，在弱正则条件下，DR估计量的影响函数就是给定模型下的EIF。
技术技巧点名:
- von Mises 展开或Stein 引理: 用于推导参数对扰动的一阶影响。
- Gram-Schmidt正交化 / Neyman 正交得分: 用于从得分函数中分离出正交于错误指定模型的部分，这直接引向双稳健性。
- 经验过程论 (特别是Donsker类或VC类条件): 用于保证用非/半参数方法估计 \(\pi\) 和 \(Q\) 后，得到的估计量对 \(\mu\) 的渐近分布不带来额外的高阶误差。
- Cross-fitting (交叉拟合): 虽然不是本文独创，但文章明确提及这是保证EIF估计量在非参数模型下表现良好的标准技巧。

真实例子与应用¶

数据: 哥伦比亚的有条件现金转移计划 (CCT, Conditional Cash Transfer) 项目数据，即Familias en Acción。这项计划旨在为低收入家庭提供现金，条件是送孩子上学和看医生。
应用方法: 将家庭视为组，家庭中的儿童或成员视为个体。假设干扰只在家庭内发生（partial interference）。估计直接效应（接受现金对本人营养摄入的影响）和溢出效应（家庭中其他成员受现金影响后，对未直接受现金的成员的影响）。
结果与对比:
- 作者使用他们提出的有效估计量（基于EIF/GMM）来估计直接/溢出效应。
- 核心发现: 证明了直接效应和溢出效应的估计结果是显著的，且与使用 Liu et al. (2019) 的DR估计量得到的结果非常接近。由于文章证明后者是局部有效的，这间接验证了两种方法性能相近（至少在估计值上）。
- 这个例子想说明: ① 实用性: 说明理论方法可以直接用在真实、较复杂的项目评估中。② 效率: 作者指出他们的方法（特别是自适应版本）在某些子分析中可能比Liu et al. (2019) 有更小的标准误，尽管这种改进有限。这个例子展现了估计量的应用场景和实证表现。

🔎 结论是否比证明窄¶

结论1 “局部有效”: 这个结论的证明是扎实的。论文严格证明了在部分干扰下，EIF是什么，以及所提出的GMM/DR估计量的影响函数与此匹配。所以这结论是牢靠的。
结论2 “自适应估计”: 作者明确写出这是“some limited results”（第5节）。它只是一个探索性的开端，证明不太完整。他们展示了在某些特定简化模型下，可以构造出具有更小渐近方差的自适应估计量。但在一般噪声模型下是否总能实现，以及如何选择自适应权重，这些都是开放问题。结论的普适性比证明要窄。
结论3 “其他有效估计量”: 论文主要聚焦于基于EIF的GMM估计量。它没有声称这是唯一的有效估计量。所以“其他有效估计量”的提法是谨慎的。
泛化claim: 文中关于“当 \(J\) 固定而 \(n_g \to \infty\)”或“当 \(n_g\) 固定而 \(J \to \infty\)”的渐近结果，其证明通常只针对一种情况。作者需要明确区分。如果只在 \(J \to \infty\) 下证明，那么“大组”场景下的渐近有效性就是未被证明的conjecture。

四、开放问题（点到为止，扎根具体语句）¶

从部分干扰到一般干扰：本文的核心点依赖于部分干扰假设。能否将该框架推广到更一般的网络干扰设定（如带有社区检测的随机图模型，或已知边权重的加权网络）？文中提到Sofrygin & van der Laan [48] 在一般设定下工作，但EIF计算复杂。扎根: 论文在引言明确说“(1) complements Sofrygin and van der Laan [48] who worked under general interference”，暗示了这是一个自然的下一步。
家庭大小不均衡时的最优加权：文中考虑了两种加权（equal cluster vs. equal individual），但在CCT数据例子中，作者提到这是“设计上的考虑”。理论上，当家庭（组）大小变化时，有没有一种最优加权方式，能最小化针对某种特定人群（如个体加权）效应的渐近方差？扎根: 论文在分析CCT数据时，提到了对equal household vs. equal individual估计量的讨论。
处理高维协变量的有效估计：本文讨论的效率是在给定半参数模型下关于EIF的。当协变量维数 \(d\) 很高（与样本量同阶或更大）时，非参数/半参数估计 \(\pi\) 和 \(Q\) 会面临维数灾难。此时如何定义并实现高维条件下的有效估计？是否需要引入新的工具，如正则化、Riesz representer、或基于核的方法，并研究其在高维下的效率？
自适应估计的完整理论：§5 中的自适应估计部分很初步，只是一个特例。完整的自适应理论（Adaptive estimation, Bickel et. al., 1993）通常假设能对“哪个模型更小”进行排序。在部分干扰框架下，如何自动地、数据驱动地选择最优的暴露映射/边界函数，以达到自适应效率，同时又避免过拟合？扎根: 论文在§5中明确写了“we present some limited results on adaptive estimation... The theory for the general case is left for future work.”

Maintained by 陈星宇 · Homepage · Source on GitHub