Doubly robust nonparametric instrumental variable estimators for survival outcomes¶
作者: Youjin Lee, Edward H Kennedy, Nandita Mitra
来源: Biostatistics
主题: 因果推断
相关性: 10/10
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么： 这个子方向要解决的根本统计问题是：在存在未测量混杂且结局为右删失生存数据的情况下，如何识别与估计处理对生存概率的因果效应。当前该方向的成熟度处于“半参数/非参数双稳健估计器已被提出，但尚未系统融合到工具变量（IV）与删失生存结局的交叉设定中”的阶段——即生存结局的 IV 估计仍停留在参数/半参数结构模型（如加性风险、Cox 模型）或两阶段回归，缺乏基于有效影响函数（EIF）的非参数双稳健框架。
发展脉络： - 奠基工作：Angrist et al. (1996) 与 Frölich (2007) 建立了非混淆下的局部平均处理效应（LATE）框架与非参数估计；Tchetgen Tchetgen et al. (2015) 将 IV 引入加性风险模型，给出了两阶段回归与控制函数法，但局限于线性结构与参数/半参数设定。 - 主要进展：Ogburn et al. (2015) 首次给出了条件 LATE 曲线的双稳健估计器；Dukes et al. (2019) 与 Díaz (2019) 分别在加性风险差与一般生存概率设定下，基于 EIF 构造了双稳健估计器，但均未涉及 IV 设定；Mauro et al. (2018) 与 Kennedy (2019) 将 EIF 推广到动态 IV 干预与连续 IV 的局部工具变量曲线，但结局仍为非删失连续/离散变量。 - 当前 frontier：生存结局的 IV 估计仍依赖两阶段残差纳入（2SRI）或参数结构模型（Wan et al., 2015; Martínez-Camblor et al., 2019; Kianian et al., 2019），这些方法在非线性模型下有偏或需强参数假设；Yang et al. (2020) 在结构失效时间模型下给出半参数双稳健估计，但处理为时变且未聚焦 LATE。 - 本文的位置：本文填补了“EIF 驱动的非参数双稳健估计”在“IV + 删失生存结局”这一交叉设定的空白，首次给出 LATE 对生存概率的 EIF、双稳健估计器与可嵌入机器学习的估计程序。
子线索聚类： 1. 参数/半参数结构模型下的生存 IV 估计：Tchetgen Tchetgen et al. (2015)（加性风险两阶段）、Brueckner et al. (2019)（半参数加性风险 2SRI）、Kianian et al. (2019)（Cox 模型逆加权）、Martínez-Camblor et al. (2019)（Cox 2SRI+frailty）、Huling et al. (2019)（加速失效时间 IV）、Li & Lu (2015)（贝叶斯两阶段）。这一簇在做什么：在特定风险/生存模型结构下给出 IV 的一致估计，但受限于模型误设偏与非线性偏。 2. 非混淆下的生存结局双稳健估计：Dukes et al. (2019)（加性风险差 EIF 双稳健）、Díaz (2019)（生存概率 EIF 双稳健+交叉拟合）、Yang et al. (2020)（时变处理结构失效时间 EIF 双稳健）。这一簇在做什么：在无未测量混杂（非 IV）设定下，用 EIF 构造生存概率/风险差的双稳健估计器，放宽了参数假设。 3. IV 设定下的非参数/半参数双稳健估计（非删失结局）：Ogburn et al. (2015)（条件 LATE 双稳健）、Mauro et al. (2018)（动态 IV 干预 EIF）、Kennedy (2019)（连续 IV 局部工具变量曲线 EIF 双稳健）。这一簇在做什么：在 IV 设定下，对非删失结局构造 EIF 驱动的双稳健估计器，放宽了参数假设与离散 IV 限制。
这个方向在追问的核心问题： 1. 在 IV 设定下，删失生存结局的因果效应（如 LATE 对生存概率）能否在非参数模型下被识别？需要哪些额外假设（如单调性、排除限制、删失机制）？ 2. 该因果效应的半参数有效界是什么？其 EIF 的结构是否仍具有双稳健性（即倾向得分模型或条件生存模型之一正确即可一致）？ 3. 当嵌入机器学习估计 nuisance 函数时，如何避免 Donsker 类条件对估计器复杂度的限制，同时保证 \(n^{1/2}\)-收敛与渐近正态？ 4. 协变量依赖删失与结局依赖删失两种机制下，识别公式与 EIF 是否统一，还是需要不同加权/条件化结构？
当前主流方法与已知瓶颈： 主流方法仍是两阶段残差纳入（2SRI）或参数结构模型。瓶颈在于：(a) 非线性模型下 2SRI 有偏（Wan et al., 2015 证明了 Weibull 下 2SRI 与 2SPS 的偏方向甚至相反）；(b) 参数模型误设导致不一致；(c) 连续 IV 下两阶段方法难以直接适用；(d) 未利用半参数效率理论，无法达到有效界。
⚠️ 作者的 framing： - 作者把缺口 frame 成“基于影响函数的因果推断仅在 IV（Mauro et al., 2018; Kennedy, 2019）与生存（Dukes et al., 2019; Díaz, 2019; Yang et al., 2020）设定下分别有进展，但尚未在 IV-based survival analysis 下发展”——这使本文成为“显然的下一步：把两条已成熟的 EIF 线索合并”。 - 被淡化或回避的竞争路线：作者未深入讨论 Tchetgen Tchetgen et al. (2017) 的 GENIUS 方法（在 MR 中处理无效 IV 的稳健推断），也未讨论 Martínez-Camblor et al. (2019) 的 frailty 修正 2SRI 在 Cox 模型下的有限样本表现——这些路线在特定结构模型下可能比非参数 EIF 更稳定或更易实施。 - 明显该被引却未出现的：Robins (1992) 的 IPCW 理论奠基、van der Laan & Rubin (2006) 的 TMLE 框架（Díaz 2019 用了但本文 intro 未点出 TMLE 作为替代估计路径）、Bang & Robins (2005) 的双稳健 IPCW 估计器——这些是生存双稳健估计的直接先驱，缺失可能意味着作者有意将 framing 聚焦在“近期 IV-EIF 与生存-EIF 的合并”而非“生存双稳健的完整谱系”。值得研究者去查：是否 TMLE 路径在 IV+生存设定下有更优有限样本性质？
张力： 未见明显对立引用。所有被引工作在各自设定下结论一致（EIF 驱动双稳健优于参数/2SRI），差异仅在设定范围（IV vs 非 IV、生存 vs 非生存、加性风险 vs 生存概率）。
二、最核心、最简单的例子 / 数学问题¶
第一步：符号、模型、可观测数据交代清楚
- \(X_0\)：基线协变量向量（维度 \(p\)），可观测，用于调整混杂与删失。
- \(Z\)：工具变量（可为二值 \(Z \in \{0,1\}\) 或连续 \(Z \in \mathbb{R}\)），可观测，影响处理但不直接影响结局（排除限制），且与未测量混杂独立（条件独立性）。
- \(A\)：实际接受的处理（二值 \(A \in \{0,1\}\)），可观测，受 \(Z\) 与 \(X_0\) 及未测量混杂 \(U\) 影响。
- \(T\)：潜在生存时间（连续非负），不可观测（因删失），是我们想要推断的结局。
- \(C\)：潜在删失时间（连续非负），不可观测（只能观测到是否删失及删失时间），代表退出观察的时间。
- \(Y_t = I(T \ge t)\)：在时间 \(t\) 的潜在生存指示（二值），若 \(T\) 可观测则 \(Y_t\) 可算，但受删失限制实际只能观测到 \(Y_t\) 在未删失时的值。
- \(R = I(C \ge T)\)：删失指示（\(R=1\) 表示未删失，观测到 \(T\)；\(R=0\) 表示删失，只观测到 \(C\)），可观测。
- \(\tilde{T} = \min(T, C)\)：可观测的最小时间，可观测。
- 可观测数据：对每个个体，观测到 \(W = (X_0, Z, A, R, \tilde{T})\)，以及若 \(R=1\) 可算出任意 \(t \le \tilde{T}\) 的 \(Y_t\)；若 \(R=0\)，对 \(t > \tilde{T}\) 的 \(Y_t\) 不可观测。潜在量 \(U\)（未测量混杂）、\(T\)、\(C\) 均不可观测，只能靠假设识别。
- 目标参数：\(\theta_t = E[Y_t^{a=1} - Y_t^{a=0} \mid \text{Complier}]\)，即在依从者子群（Complier：\(A^{Z=1}=1, A^{Z=0}=0\)）中，处理对时间 \(t\) 生存概率的局部平均处理效应（LATE on survival probability）。注意 \(Y_t^a\) 是潜在结局，不可直接观测。
模型与假设（最小内核所需）： 1. 排除限制：\(Z\) 不直接影响 \(T\)，只通过 \(A\) 起作用（\(Y_t^{a,z} = Y_t^{a}\)）。 2. 条件独立性：\(Z \perp U \mid X_0\)（IV 与未测量混杂在基线协变量下独立）。 3. 单调性：\(A^{Z=1} \ge A^{Z=0}\)（无 Defier）。 4. 依从性正概率：\(P(A^{Z=1}=1, A^{Z=0}=0 \mid X_0) > 0\)。 5. 删失机制：协变量依赖删失 \(C \perp T \mid (X_0, Z, A)\)（条件独立删失），或结局依赖删失（需额外结构假设，见后）。
第二步：最小内核——二值 IV、协变量依赖删失下的 LATE 对生存概率
剥掉连续 IV、结局依赖删失、一般 nuisance 估计器等外壳，支撑整篇论文的最小内核是：在二值 IV 与协变量依赖删失下，LATE 对生存概率 \(\theta_t\) 的识别公式与 EIF 的双稳健结构。
识别公式（最小内核）： 在上述假设下，\(\theta_t\) 可非参数识别为：
EIF 与双稳健性（最小内核）： 本文核心数学贡献是推导出 \(\theta_t\) 的 EIF \(\phi_t(W)\)，其结构为：
双稳健性：估计器 \(\hat{\theta}_t = E_n[\hat{\phi}_t]\) 在以下任一条件成立时一致： 1. \(\hat{\pi}_z, \hat{\delta}_z\) 一致（处理/IV 机制正确指定），\(\hat{G}_t\) 一致（删失机制正确指定）； 2. \(\hat{S}_t\) 一致（条件生存模型正确指定），\(\hat{G}_t\) 一致。 即：处理机制+删失机制 或 结局生存机制+删失机制 之一正确即可。注意 \(\hat{G}_t\) 必须一致——这是协变量依赖删失下的限制（删失机制总需正确），因为 IPCW 项中 \(G_t\) 同时出现在处理机制路径与结局机制路径的分母。
为什么成立（直觉）： EIF 的推导遵循标准半参数理论：在无删失 IV 设定下，LATE 的 EIF 已知（Ogburn et al., 2015）；引入删失后，相当于在原 EIF 上乘以 \(R_t / G_t\)（IPCW 加权）并减去一个偏修正项（保证无偏）。当 \(G_t\) 一致时，IPCW 加权恢复无删失 EIF 的渐近线性；若 \(G_t\) 不一致但 \(S_t\) 一致，偏修正项抵消 IPCW 的偏，仍得一致——这就是双稳健的来源。最小内核的证明路线本质上是“IPCW 扩展 + 偏抵消验证”，一般情形（连续 IV、结局依赖删失）只是在此结构上替换识别公式与 nuisance 定义。
三、这篇论文做了什么¶
三句话： ①研究了在工具变量设定下、删失生存结局的局部平均处理效应（LATE on survival probability）的非参数识别与估计问题； ②核心工具是基于有效影响函数（EIF）构造双稳健估计器，并通过样本分割（cross-fitting）放宽 Donsker 类条件以嵌入机器学习 nuisance 估计； ③主要结论是给出了协变量依赖删失与结局依赖删失两种设定下的识别公式、EIF、双稳健估计器及其渐近正态性，并在 PLCO 癌症筛查试验真实数据中验证了方法可行性。
关键设定与假设： 在第二节最小记号基础上补全： - 协变量依赖删失设定：\(C \perp T \mid (X_0, Z, A)\)（条件独立删失）。统计含义：删失仅由观测到的基线、IV 与处理决定，与潜在生存时间无关。这是生存分析中最常用的独立删失假设的推广（从 \((X_0, A)\) 推广到含 \(Z\)）。相比已有文献（Díaz, 2019; Dukes et al., 2019）在非 IV 设定下的协变量依赖删失，本文额外要求 \(Z\) 也条件独立于 \(C\)——这是 IV 设定的自然延伸，但若 \(Z\) 与 \(C\) 有交互（如不同 IV 组删失机制不同），则需更细的条件化。 - 结局依赖删失设定：\(C\) 与 \(T\) 可能依赖，但假设存在一个可观测的辅助变量 \(V\) 使得 \(T \perp C \mid (X_0, Z, A, V)\)（条件独立给定辅助变量）。统计含义：引入 \(V\)（如死亡原因、退出类型）来“吸收”结局与删失的依赖，类似于因果推断中的 proxy 变量策略。相比已有文献，这是本文的新假设——此前 IV+生存文献几乎未处理结局依赖删失（均假设协变量依赖删失）。放宽了独立删失要求，但引入了 \(V\) 的可观测性与条件独立性要求，实际数据中 \(V\) 的选择需领域知识支撑。 - 连续 IV 的单调性与正概率：对连续 \(Z\)，单调性假设变为 \(A^{Z=z+\kappa} \ge A^{Z=z}\) 对所有 \(z\) 与小 \(\kappa>0\)；依从性正概率变为 \(P(A^{Z=z+\kappa}=1, A^{Z=z}=0 \mid X_0) > 0\)。统计含义：连续 IV 下“依从者”定义为处理选择随 IV 增加而增加的子群，这是 Kennedy (2019) 增量干预设定的推广。相比二值 IV 的单调性，连续 IV 的单调性更强（需对所有 \(z\) 成立），实际中可能难以验证。 - 样本分割：将数据随机分为 \(K\) 份，在每份上用其余 \(K-1\) 份估计 nuisance 函数，再在当前份上计算影响函数值。统计含义：放宽 nuisance 估计器需属于 Donsker 类的条件，允许使用任意机器学习算法（如随机森林、神经网络），只要 nuisance 估计收敛速率达 \(n^{-1/4}\) 即可保证 \(n^{1/2}\)-收敛。这是 Chernozhukov et al. (2018) DML 与 Díaz (2019) 的标准做法，本文直接沿用。
主要结果： 1. 定理 1（识别）：在协变量依赖删失下，\(\theta_t\) 可由 IPCW 加权的可观测分布非参数识别（公式见第二节最小内核）；在结局依赖删失下，识别公式额外引入辅助变量 \(V\) 的条件化与加权。直觉：IPCW 将删失样本的生存指示“加权恢复”为全样本的期望；结局依赖删失下，\(V\) 的引入使得条件独立成立，IPCW 可在 \((X_0, Z, A, V)\) 条件下进行。必要条件：\(G_t\) 或 \(G_t(V)\) 的支撑需覆盖 \(Y_t\) 的支撑（positivity of censoring probability），即 \(P(C \ge t \mid \cdots) > 0\)，否则 IPCW 分母趋于零导致不稳定。解决的技术难点：结局依赖删失下，如何不依赖未测量混杂而仅用可观测 \(V\) 实现识别——本文借鉴了 proximal causal inference 的思路（Tchetgen Tchetgen et al. 的未引工作），但未明确点出与 proximal 的连接。 2. 定理 2（EIF 与双稳健性）：给出了 \(\theta_t\) 的 EIF \(\phi_t\) 的显式表达式（分协变量依赖与结局依赖删失两种形式），并证明基于 \(\phi_t\) 的估计器 \(\hat{\theta}_t = E_n[\hat{\phi}_t]\) 在 nuisance 函数满足双稳健条件时一致，且在所有 nuisance 一致时达到半参数有效界。直觉：EIF 是切空间中方向导数的最小方差元素，构造估计器时若 nuisance 一致则估计器渐近等于 EIF 的样本平均，自然达到有效界；若部分 nuisance 不一致但满足双稳健条件，偏抵消仍保一致。必要条件： nuisance 估计器收敛速率至少 \(n^{-1/4}\)（交叉拟合下）；positivity 条件（处理概率与删失概率不为零）。解决的技术难点：IV 设定下 EIF 的推导比非 IV 设定复杂，因需同时处理 IV 机制 \(\delta_z\)、处理机制 \(\pi_z\)、删失机制 \(G_t\) 与结局机制 \(S_t\) 四类 nuisance，且它们在 EIF 中以非线性组合出现（分母含 \(\delta_z \pi_z G_t\) 的乘积）——推导需仔细处理条件期望的链式法则与 IPCW 加权的偏修正。 3. 定理 3（渐近正态性）：在交叉拟合与 nuisance 收敛速率 \(n^{-1/4}\) 下，\(\sqrt{n}(\hat{\theta}_t - \theta_t) \to N(0, \text{Var}(\phi_t))\)。直觉：标准半参数 DML 结果——交叉拟合消除 nuisance 估计的过拟合偏，\(n^{-1/4}\) 保证剩余项为 \(o_p(n^{-1/2})\)。必要条件：双稳健条件成立（至少一组 nuisance 一致）；nuisance 估计器乘积收敛速率 \(n^{-1/2}\)（如两类 nuisance 各 \(n^{-1/4}\)）。解决的技术难点：在 IV+删失设定下，nuisance 数量多且组合复杂，需验证所有剩余项（如 \(\hat{\pi}_z - \pi_z\) 与 \(\hat{S}_t - S_t\) 的乘积积分）在交叉拟合下均为 \(o_p(n^{-1/2})\)——本文通过逐项展开与条件期望投影完成验证。
证明路线与技术技巧： - 整体路线： 1. 识别：从潜在结局模型出发，用排除限制、条件独立性、单调性将 \(\theta_t\) 表达为可观测条件期望的比；引入 IPCW 处理删失，得到完全可观测的识别公式。 2. EIF 推导：在非参数模型 \(\mathcal{M}\) 下，计算 \(\theta_t\) 的路径导数，在切空间中找最小方差元素；通过 IPCW 加权与偏修正，将无删失 IV-EIF（Ogburn et al., 2015）扩展为删失 IV-EIF。 3. 双稳健性验证：将估计器展开为 \(\hat{\theta}_t - \theta_t = E_n[\hat{\phi}_t] + \text{剩余项}\)，证明剩余项在双稳健条件下为 \(o_p(n^{-1/2})\)（通过 nuisance 误差的乘积结构与条件期望投影）。 4. 渐近正态性：在交叉拟合下，\(E_n[\hat{\phi}_t]\) 为 IID 平均的渐近正态；剩余项控制后，得 \(\sqrt{n}\)-收敛与方差等于 \(\text{Var}(\phi_t)\)。 - 关键跳跃点： - 结局依赖删失下的识别：如何从 \(C \not\perp T\) 的设定中，仅用可观测 \(V\) 实现识别？本文假设 \(T \perp C \mid (X_0, Z, A, V)\)，但这要求 \(V\) 满足“proxy”性质——这一步的证明依赖条件独立的链式分解，但未给出 \(V\) 存在性的可验证条件，是理论上的跳跃点。 - EIF 中偏修正项的构造：在协变量依赖删失下，EIF 不仅含 IPCW 加权的主项，还含一个减去项（涉及 \(S_t\) 与 \(G_t\) 的交互）——这个减去项的推导需精确计算路径导数并在切空间中投影，是技术难点。 - 技术技巧点名： - IPCW (Inverse Probability of Censoring Weighting)：用在识别公式与 EIF 中，将删失样本的生存指示加权恢复为全样本期望。起作用：处理删失，使识别仅依赖可观测分布。 - Efficient Influence Function (EIF)：半参数理论的核心工具，用于构造双稳健估计器与给出有效界。起作用：保证估计器在所有 nuisance 一致时达有效界，在部分 nuisance 不一致时仍一致（双稳健）。 - Cross-fitting / Sample Splitting：将数据分 \(K\) 份，轮流估计 nuisance 与计算影响函数。起作用：放宽 Donsker 类条件，允许使用任意机器学习 nuisance 估计器。 - 条件期望投影与偏抵消：在双稳健性验证中，将 nuisance 误差的乘积项通过条件期望投影分解，证明在双稳健条件下偏抵消。起作用：验证双稳健性。 - 增量干预与连续 IV 的单调性变换：在连续 IV 设定下，借鉴 Kennedy (2019) 的增量干预框架，将 LATE 定义为 \(Z\) 增加 \(\kappa\) 后的依从者效应。起作用：处理连续 IV，避免离散化损失。
真实例子与应用： - 数据：前列腺、肺、结直肠与卵巢癌筛查试验（PLCO Cancer Screening Trial），包含 14993 名参与者（排除无癌症史者后），基线协变量含年龄、性别、家族史等；IV 为随机分配的筛查邀请（\(Z=1\) 为邀请，\(Z=0\) 为对照）；处理为实际接受筛查（\(A=1\) 或 \(0\)）；结局为生存时间（从随机化到死亡）；删失为退出或随访结束。 - 怎么用上去：用本文估计器估计 \(\theta_t\)（筛查对 \(t\) 年生存概率的 LATE），分别假设协变量依赖删失与结局依赖删失（辅助变量 \(V\) 取死亡原因分类），比较两种删失假设下的因果对比曲线。 - 结果：在协变量依赖删失下，筛查对 10 年生存概率的 LATE 估计约为 0.02-0.03（依从者中筛查提高生存概率 2-3%）；在结局依赖删失下，估计略有差异但方向一致。与 Kianian et al. (2019) 在同一数据上的 Cox IV 估计相比，本文非参数估计给出了时间动态的效应曲线而非单一风险比。 - 想说明什么：验证理论方法的可行性，展示非参数 LATE 曲线比参数风险比更灵活（可看效应随时间变化），并展示不同删失假设对因果推断的影响（协变量依赖 vs 结局依赖删失的估计差异提示删失机制假设的敏感性）。
🔎 结论是否比证明窄： - 结局依赖删失下的识别：定理 1 给出了识别公式，但假设 \(T \perp C \mid (X_0, Z, A, V)\) 且 \(V\) 可观测——这是一个强条件，实际数据中 \(V\) 的选择需领域知识，且文中未给出 \(V\) 不存在或选择错误时的敏感性分析。识别结论在“存在合适 \(V\)”的条件下严格证明，但泛泛 claim“本文适用于结局依赖删失”而未强调 \(V\) 的限制——这是结论比证明宽的地方。 - 连续 IV 的单调性：定理要求 \(A^{Z=z+\kappa} \ge A^{Z=z}\) 对所有 \(z\) 成立，但实际中连续 IV（如距离、遗传评分）的单调性难以验证。文中 claim“适用于连续 IV”但未强调单调性假设的强限制。 - 双稳健性中 \(G_t\) 必须一致：在协变量依赖删失下，双稳健性要求 \(G_t\) 必须一致（无论哪组 nuisance 一致），这意味着删失机制模型不能误设——这比非删失设定下的双稳健性（两组 nuisance 任一一致即可）弱，文中 claim“双稳健”但未强调这一限制。
四、开放问题（点到为止，扎根具体语句）¶
- 结局依赖删失下 \(V\) 的选择与敏感性：本文假设存在可观测 \(V\) 使得 \(T \perp C \mid (X_0, Z, A, V)\)（定理 1 结局依赖删失设定），但未给出 \(V\) 不满足该条件时的偏多大、也未提供敏感性分析框架。扎根点：定理 1 的假设 (A5) 与第 3.2 节的识别公式，以及 intro 中“outcome-dependent censoring is common in practice”的 claim——若 \(V\) 选错，识别公式是否仍近似成立？
- 连续 IV 单调性的可验证性与弱化：本文对连续 IV 要求全局单调性 \(A^{Z=z+\kappa} \ge A^{Z=z}\)（假设 A3），但实际中连续 IV（如遗传评分）常有非单调依从者。扎根点：假设 A3 与第 2.2 节连续 IV 设定——能否借鉴 Kennedy (2019) 的增量干预框架，在不要求单调性下定义其他因果对比（如干预分布差异）？
- 双稳健性中删失机制的不可或缺性：在协变量依赖删失下，双稳健性要求 \(G_t\) 必须一致（定理 2 双稳健条件），这比非删失 IV 设定下的双稳健弱。扎根点：定理 2 的陈述与第 4 节双稳健性验证——能否通过 proximal/控制函数方法，在 \(G_t\) 误设下仍获一致估计（即真正的“两组 nuisance 任一一致即可”的双稳健）？
- 高维 \(X_0\) 下 nuisance 估计的收敛速率保证：本文要求 nuisance 估计收敛速率 \(n^{-1/4}\)（定理 3），但在高维 \(X_0\) 下（如 PLCO 中多协变量），机器学习 nuisance 估计的收敛速率常未知或慢于 \(n^{-1/4}\)。扎根点：定理 3 的条件 (C2) 与第 5 节模拟中低维设定——高维下 \(\hat{\theta}_t\) 的渐近性质是否仍成立，或需更高阶修正（如 HOIF）？
要确认某条是不是真 gap，去读同子领域近期约 5 篇的 intro——都指向它 = 共识（真 gap），互相打架 = 机会。
Maintained by 陈星宇 · Homepage · Source on GitHub