Inference in Experiments with Matched Pairs and Imperfect Compliance

作者: Yuehao Bai, Hongchang Guo, Azeem M. Shaikh, Max Tabord-Meehan
来源: Journal of Business & Economic 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

本方向解决的核心统计问题是：在配对随机实验（matched-pairs randomized controlled trial, RCT）这一经典设计下，当存在不完全依从（imperfect compliance）——即实验对象可能不按分配接受处理——时，如何对局部平均处理效应（Local Average Treatment Effect, LATE）进行有效推断。这里的特殊挑战在于：配对设计通过事先按基线协变量配对来平衡处理与对照组，会诱导组内（pair-specific）的相关性结构；而工具变量（IV）估计量（如Wald估计量/两阶段最小二乘）的标准渐近理论——尤其是方差估计——通常假设独立同分布或至少可交换的误差结构，这不再直接适用。该子方向的成熟度处于“方法完善期”：基础识别（LATE框架）已非常成熟，但针对特定复杂实验设计的精确推断理论仍在发展中。

发展脉络（history）

从被引文献和introduction的描述中，可梳理出如下主要节点：

1. LATE的基本框架 (1990年代)

   • Imbens & Angrist (1994)：建立了工具变量估计量在允许异质性处理效应下识别局部平均处理效应（LATE）的经典框架——即只对“依从者”（compliers）识别因果效应。这是本文及后续一切工作的理论基石。
   • Angrist, Imbens & Rubin (1996)：将LATE框架嵌入到潜在结果（potential outcomes）的语言中，明确引入相应的个体类型假设（monotonicity, exclusion restriction等），使之成为因果推断的主流范式。本文直接引用此篇作为设定锚点。

2. 配对设计的理论发展 (2000s-2010s)

   • 配对设计的经典分析 (e.g., Imbens & Rubin, 2015, 教科书)：传统观点将配对视为一种“成对随机化”实验，其推断通常依赖于“配对内独立性”或直接计算配对级差（pair-level difference）的方差。本文指出，大样本下对不同配对进行渐近推断的有效性依赖于配对质量，即好的配对应使对间差异小、配对正的效应同质。
   • Bai et al. (2022, 作者团队的前期工作)：直接奠定了本研究的基础。作者引述其“研究了配对设计下完全依从情形的平均处理效应（ATE）推断”，并给出了保守的异方差稳健方差估计的结果。本文是对该工作的自然延伸——从完全依从（ATE）扩展到不完全依从（LATE）。
   • Blandhol et al. (2022) 等近期IV文献：进一步澄清了当LATE参数可能随观测协变量变化时，“加入了额外协变量和固定效应的2SLS估计量”在哪些条件下才一致估计加权平均的LATE。本文在考虑“加入未用于配对的协变量”时，引用了此文献来建立估计量的一致性边界。

3. 当前Frontier 与 本文的位置

   • 本文明确的位置：本文是第一步从“配对设计+完全依从” (Bai et al., 2022) 推向“配对设计+不完全依从”的精确推断工作。它在技术上完成的任务是：推导配对设计下Wald估计量的极限分布，证明通常方差估计的保守性，然后给出一个一致估计量；接着，进一步研究了引入额外协变量（+配对固定效应）对精度的提升，并提供其一致方差估计。因此，本文是将成熟的非标准设计（配对）下的IV方法做了严格的渐近理论完善——这不同于某些开拓性的革命性理论突破，而是在一个实用领域里修补了一个重要缺口。

子线索聚类

这些被引文献大致可分为以下子线索： * 线索1：LATE的识别条件与存在性 — 以 Imbens & Angrist (1994), Angrist et al. (1996), Blandhol et al. (2022) 为代表。该簇关心在什么条件下IV估计量识别一个因果参数。本文不必在此建模问题上做新贡献，它直接采用标准LATE框架。 * 线索2：配对设计与分层随机化下的推断 — 以 Imbens & Rubin (2015) textbook, Bai et al. (2022) 为代表。该簇主要研究配对、分层等Bai的论文团队自己工作的方向上，处理观测的、基线协变量的配对。本文是这部分的最直接扩展。 * 线索3：不完全依从下的方差估计（一般IV） — 如传统的White（1980）异方差稳健方差估计（"sandwich" estimator）。本文的工作就是针对配对设计修正这一通用工具。它证明了对标于配对设计的特定结构，该通用估计量是保守的（而非恰好一致），因而需要新的设计感知（design-aware）估计量。

核心问题与瓶颈

该方向在追问的核心问题是： 1. 方差能否正确估计？ — 在配对设计下，标准IV方差估计量是偏大（保守）的，还是偏小的（导致I类错误率膨胀）？本文明确答案是偏大（conservative），但严格地证明了这一结论，并给出了与其结构一致（因而非保守）的新估计量。 2. 如何提升估计精度？ — 对于LATE，是否可以利用未用于配对的额外协变量来减少方差？本文在配对固定效应（pair FE）模型下给出了明确的肯定答案。 3. 配对质量假设的强度 — 作者的分析依赖于“配对是好的”这一假设，具体来说，是指配对内部协变量相似、因而依从类型和潜在结果变异性被“吸收”进配对内差异。当配对很差（配对变量与潜在结果无关）时，配对设计估计量及方差的优势会退化。这一退化行为的精确刻画在本文中并未充分讨论。

⚠️ 作者的 framing与张力

• 作者将缺口frame成什么？ 作者明确宣称：这是第一个将配对设计+LATE的推断理论完整地做出来的工作。他们强调“常规方差估计是保守的”这一发现，因为它有重要实践含义——如果研究者不知道这一点，可能会获得错误的置信区间（过宽、检验功效降低）。因此，他们通过给出一个一致的校正变异，使自己的工作是“显然的下一步”。
• 被淡化/回避的竞争路线：本文强调配对固定效应模型（pair-level FE），实际上是对配对级时差（pair-level differences in outcomes and treatment）的一个直接回归。另一种可能的路线是将配对视为一种分层随机化而采用匹配后回归（如Matching + Regression Adjustment）。作者回避了对后者的深入讨论。他们也没有比较匹配后回归的、或使用交叉拟合的方差估计量。
• 什么明显该被引却没出现？ 未见明显对立引用或遗漏的重要路线。可能一点是，关于利用协变量改善IV估计精度的更一般方法（如后双机器学习、推断双稳健估计），本文未深入触及，也未引用相关的Debiased/Double ML for LATE 文献（如Semenova & Chernozhukov 2021）。

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

• 符号与观测数据（可观测）：

  • 有 \(N\) 个配对（pairs），\(p=1, \dots, N\)。在每个配对中恰好有两个单位（unit）。
  • 对于第 \(p\) 对的第 \(j\) 个单位（\(j=1,2\)），研究者观测到：
    • \(Z_{pj} \in \{0,1\}\)：处理分配指示变量（treatment assignment）。对于同一对 \(p\)，恰好有 \(Z_{p1} + Z_{p2} = 1\)（即一个单位被随机分配为处理组 \(Z=1\)，另一个为控制组 \(Z=0\)）。
    • \(D_{pj} \in \{0,1\}\)：实际接受处理状态（actual treatment received）。这是计算LATE时的“内生变量”。
    • \(Y_{pj} \in \mathbb{R}\)：结果变量（outcome）。
    • \(\mathbf{X}_{pj}\)：用于配对的一维或多维基线协变量（用于配对的变量，其值在配对时已知）。
    • \(W_{pj}\)：额外的基线协变量（未用于配对，但在分析时可以包括，以提升效率）。
  • 因此，每个单位上的可观测数据向量是 \((Z, D, Y, \mathbf{X}, W)\)。

• 模型/识别（不可观测）：

  • 潜在结果框架（potential outcomes）：单位 \((p,j)\) 有三个关键潜在变量：
    • \(D_{pj}(0), D_{pj}(1)\)：若被分配为控制组 \((Z=0)\) 或处理组 \((Z=1)\) 时的潜在实际处理状态。
    • \(Y_{pj}(d, z)\)：若 \((D=d, Z=z)\) 时的潜在结果，其中 \(d, z \in \{0,1\}\)。
  • 核心识别假设（标准LATE，这里简化为经典版本）：
    1. 排他性约束（Exclusion Restriction）：\(Z\) 对结果的影响仅通过 \(D\)，即 \(Y_{pj}(d, z) = Y_{pj}(d)\) (与 \(z\) 无关)。
    2. 单调性（Monotonicity）：\(D_{pj}(1) \ge D_{pj}(0)\)，即不存在“违规者”（defiers）。
    3. 随机分配带来的第一阶段的非零效应：\(E[D_{pj}(1) - D_{pj}(0)] \ne 0\)（存在“依从者”）。
  • 配对设计带来的结构：
    • 配对内随机化：对于每个配对 \(p\)，\(Z_{p1}\) 和 \(Z_{p2}\) 是等概率独立抛硬币决定的。
    • 配对质量假设：配对使得对 \((\mathbf{X}_{p1}, \mathbf{X}_{p2})\) 在配对内部相比配对之间更相似。该假设不是用公式写的，而是隐含在推导之中（当配对好时，很多变化被消去）。
  • 目标 estimand：
    • LATE (Local Average Treatment Effect)：
      \[\tau^{LATE} = E[Y_{pj}(1) - Y_{pj}(0) | D_{pj}(1) - D_{pj}(0) = 1]\]
      即“依从者”的平均处理效应。

第二步：最小内核——无额外协变量的两单位配对

最简特例：假设我们只有一个配对 （\(N=1\)，即只有单位1和单位2），不考虑额外协变量 \(W\)。我们要估计 LATE。

1. 对于这个配对：

   • 单位1被分配处理（\(Z_1=1\)），单位2被分配控制（\(Z_2=0\)）。
   • 观察值：\((D_1, Y_1), (D_2, Y_2)\)。

2. “处理强度”的估计（第一阶段）：

   • 由于配对内一个人被分配处理、一个人被分配控制，我们可以直接计算“受处理单位被分配处理的概率”的样本类比。在IV语境中，我们通常做“意向处理”对“实际处理”的回归：
     • 实际处理差异：\(\Delta D = D_1 - D_2\) (处理组被分配处理的单位接受处理，减控制组接受处理)。
     • 因分配是随机的，样本内第一阶段的系数（\(\pi\)）是 \(\Delta D / (1 - 0) = D_1 - D_2\)。但我们要理解的是，\(\Delta D\) 本身在期望上等于 \(E[D_j(1) - D_j(0)]\) (按大样本直觉)。

3. 结果差异的估计（简化形式 estimate）：

   • 结果差异：\(\Delta Y = Y_1 - Y_2\)。

4. Wald 估计量：

   • Wald估计量 $ \hat{\tau} $ 就是“结果差异除以处理强度差异”：
     \[\hat{\tau} = \frac{\Delta Y}{\Delta D} = \frac{Y_1 - Y_2}{D_1 - D_2}\]
     该式只在 \(\Delta D \neq 0\) 时有定义（即单位之间有依从差异）。

5. 这个例子揭示了核心难题：

   • 对于单个配对，\(\hat{\tau}\) 是比率统计量，其渐近分布（对于 \(N \rightarrow \infty\)）需要多配对。
   • 当考虑 \(N\) 个这样的配对，我们构建的 \(\hat{\tau}\) 就是将“配对级差”\(\Delta Y_p\) 对“配对级工具变量”\(\Delta Z_p\)（恒为1）的2SLS估计[这里\(\Delta Z_p\)其实是1, 但通常IV回归是第一阶段的工具和内生变量是单位层面的]。更直接地，其2SLS形式等价于对模型：
     \[Y_{pj} = \alpha_p + \tau D_{pj} + \epsilon_{pj}\]
     用 \(Z_{pj}\) 作为 \(D_{pj}\) 的工具变量，并包含 \(N\) 对各配对的固定效应。本文的第二部分其实正是在这个固定效应框架下推进的。所以，最小内核就是：在一系列成对数据上，用 \(Z\) 作为 \(D\) 的IV，对包含配对特定截跖的线性模型做2SLS估计 \(\tau\)。
   • 这个估计量正是Wald估计量的等价形式。
   • 构造方差估计的难点在于：传统方差公式要求残差是i.i.d.的，但配对内残差可能因为单位与分配结果相关而不独立；作者证明使用传统异方差稳健公式（Sandwich）会得到一个“平均”上偏大的方差估计量。

三、这篇论文做了什么

三句话

• 研究问题：在配对随机对照实验中，当存在不依从性时，为LATE提供有效的统计推断（点估计和一致的方差估计）。
• 核心工具/方法：使用Wald估计量（等价于含有配对固定效应的2SLS）；并提出一个设计感知的（即基于配对级数据的）新方差估计量来修正标准方差估计量的保守性。进一步，对于含有额外协变量的情况，提出了一个变异的2SLS（加入额外协变量和配对固定效应）并给出了其渐近性质。
• 主要结论：
  1. 对于Wald估计量，标准异方差稳健方差估计（如将残差平方和求和的Sandwich）是保守的（其概率极限≥真实渐近方差）。
  2. 提出一个新的一致方差估计量，使得推断（构造置信区间）准确。
  3. 当加入未用于配对的额外协变量和配对固定效应时，2SLS估计量的极限方差不大于（即小于等于）不加入协变量的Wald估计量的极限方差，表明精度提升是可能的；并给出了相应的一致方差估计。

关键设定与假设

• 配对质量假设（Assumption 1）：配对随机化导致配对内预测因子 \(\mathbf{X}\) 的分布比配对之间更相似。这保证了配对间的异质性被“吸收”，但并未被严格量化。实际上本文的渐近理论依赖的是随机配对的渐近独立性：随着 \(N \to \infty\)，\((\Delta D_p, \Delta Y_p)\) 序列是独立但非同分布的（各配对可能因 \(\mathbf{X}\) 不同而有不同方差）。这比假设i.i.d.更弱。
• 排他性（Assumption 2）：结果只由实际处理决定，与分配无关。standard LATE.*
• 单调性（Assumption 3）：\(D_{pj}(1) \ge D_{pj}(0)\)。
• 非退化处理强度（Assumption 4）：\(E[\Delta D_p] \neq 0\)。
• 矩条件（Assumption 5）：结果和处理的四阶矩存在，确保大数定律和CLT适用。
• 额外协变量的条件（Assumption 6 及之后）：当加入额外协变量 \(W\) 时，定义 \(W_{pj}\) 消去配对固定效应后的中心化变数（pair-demeaned）。要求其与内生变量的相关性使IV识别一致（类似于Blandhol et al. 的结果）。

主要结果（理论）

• 定理1（Wald估计量的极限分布）：
  • 设 \((Y_{pj}, D_{pj}, Z_{pj})\) 满足上述假设。则：
    \[\sqrt{N} (\hat{\tau}_{Wald} - \tau) \xrightarrow{d} N(0, \Sigma)\]
  • \(\Sigma = \lim_{N \to \infty} \frac{1}{N} \sum_{p=1}^N Var(\psi_p | \text{pair }p)\)，其中 \(\psi_p\) 是Wald估计量的“经验影响函数（或 score function）”。
  • 直觉：配对级的影响函数相互独立（因为配对之间随机化独立）。\(\Sigma\) 是配对级方差（的极限）除以 \((E[\Delta D])^2\)。
• 定理2（常规方差估计的保守性）：
  • 标准的异方差稳健方差估计量（\(\widehat{Var}_{robust}(\hat{\tau})\)）满足：
    \[\widehat{Var}_{robust}(\hat{\tau}) \xrightarrow{p} \Sigma_{robust} \succcurlyeq \Sigma\]
    其中 \(\succcurlyeq\) 表示矩阵差是半正定的。
  • 关键点：当配对间异方差性存在时，\(\Sigma_{robust} > \Sigma\) 严格成立。所以置信区间过宽，检验功效下降。
  • 直觉：稳健估计“假设”所有观测是独立的，但配对内两个观测的相关性意味着它高估了信息量。它用“独立性”下的错误方差公式去匹配实际相关结构，导致方差过度。
• 定理3（一致方差估计）：
  • 作者提出新方差估计量 \(\widehat{Var}_{match}(\hat{\tau})\)，它直接计算配对级影响函数的样本均值：
    \[\widehat{Var}_{match}(\hat{\tau}) = \frac{1}{N} \sum_{p=1}^N \left( \frac{1}{\hat{\pi}} \hat{u}_p \right)^2\]
    其中 \(\hat{u}_p = \Delta Y_p - \hat{\tau} \Delta D_p\) （配对级残差），\(\hat{\pi} = \frac{1}{N} \sum_p \Delta D_p\) （第一阶段系数估计）。
  • 它直接是“配对标度残差”的样本方差，因此一致估计 \(\Sigma\)。
• 定理4-6（加入额外协变量的情形）：
  • 作者证明，使用“含有配对固定效应和额外协变量”的2SLS估计量 \(\hat{\tau}_{W}\) 的极限方差 \(\Sigma_W\) 满足：\(\Sigma_W \le \Sigma\) （即精度提升或不降）。
  • 同样，提供了基于配对级影响函数的一致方差估计。

证明路线与技术技巧

• 整体路线（针对Wald估计量）：

  1. 匹配化处理：将数据转化为 \(N\) 个独立（但非同分布）的配对级数据 \((\Delta D_p, \Delta Y_p)\)。这是关键：配对内的相关性被吸收进单个配对，配对间的独立性被保留。
  2. Wald估计量的影响函数表示：将Wald估计量重写为“比率估计量”的形式：
     \[\hat{\tau} = \frac{\frac{1}{N}\sum_p \Delta Y_p}{\frac{1}{N} \sum_p \Delta D_p}\]
     令 \(\bar{\Delta D} = \frac{1}{N} \sum_p \Delta D_p\), \(\bar{\Delta Y} = \frac{1}{N} \sum_p \Delta Y_p\)。
  3. 线性化：使用Delta方法的一阶近似：
     \[\sqrt{N} (\hat{\tau} - \tau) = \frac{1}{\bar{\Delta D}} \frac{1}{\sqrt{N}} \sum_{p=1}^N \left( \Delta Y_p - \tau \Delta D_p \right) + o_p(1)\]
     定义 \(U_p = \Delta Y_p - \tau \Delta D_p\)。这就是配对级残差。
  4. CLT：由于 \(\{U_p\}\) 是独立的，且具有有限二阶矩，对它们应用Lindeberg-Feller CLT即得渐近正态结论（定理1）。其渐近方差为 \(Var(U_p) / (E[\Delta D])^2\)。
  5. 方差估计的一致性证明：$ \widehat{Var}_{match}(\hat{\tau}) = (1/\hat{\pi}^2)( \frac{1}{N} \sum_p \hat{U}_p^2 )$，其中 \(\hat{U}_p = \Delta Y_p - \hat{\tau} \Delta D_p\)。证明$ \frac{1}{N} \sum_p \hat{U}_p^2 \xrightarrow{p} \frac{1}{N} \sum_p E[U_p^2]$ 并利用大数定律和连续映射定理。
  6. 保守性证明：标准Sandwich估计 \(\widehat{Var}_{robust}\) 可以被表示为配对级方差的加权平均，但权重分配错误。作者精巧地将其对应于一个“错误的”影响函数形式，证明其概率极限为：
     \[\lim_{N \to \infty} \frac{1}{N} \sum_{p=1}^N \left( E[\Delta D_p]^{-2} Var(\Delta Y_p - \tau \Delta D_p) + \text{positive extra term} \right)\]
     这个“positive extra term”来源于它错误地将配对级残差的方差归因到单位级而导致过度加权。除非配对内残差是同方差，否则额外项严格为正。

• 关键跳跃点：

  • 配对级残差的构造：传统2SLS方差公式在单位层面，残差 \(e_{pj} = Y_{pj} - \alpha_p - \tau D_{pj}\)。而在配对级，我们做差消去 \(\alpha_p\)，得到配对残差 \(\epsilon_p = (Y_{p1} - Y_{p2}) - \tau (D_{p1} - D_{p2})\)。证明配对级独立，单位级不独立是核心洞察。
  • 从“不独立”到“独立”的归并：使用配对级数据将非独立观测问题转化为独立（非同分布）观测。这个技巧本身简洁高效。

• 技术技巧点名：

  • Delta方法：处理比率估计量。
  • 独立非同分布序列的CLT（Lindeberg-Feller）：处理配对之间协变量的差异性。
  • 连续映射定理与大数定律（LLN）：证明方差估计的一致性。
  • 比较两个半正定矩阵：用正定矩阵的偏序证明保守性（定理2）。

真实例子与应用

• 数据：埃及宏观保险实验（Macroinsurance experiment in Egypt）。该实验由Gine et al. 实施，研究为小微企业提供宏观保险（由政府承担部分第三方风险）的效果（如利润、雇员等）。
• 场景：企业家按基线协变量（如性别、行业）配对。但有大量不依从：许多被选为处理组的企业家最终没有采纳保险（有很多“never-taker”）；也有少数被选为控制组的企业家后来自购保险（“always-taker”）。
• 方法应用：
  1. 初步分析：他们使用本文提出的配对级方差估计 \(\widehat{Var}_{match}\) 和传统稳健方差 \(\widehat{Var}_{robust}\) 分别计算LATE（以“是否参加保险”为内生变量 \(D\)，“分配参加”为工具 \(Z\)）的置信区间。
  2. 对比结果：对于大多数结果变量，\(\widehat{Var}_{robust}\) 的区间比 \(\widehat{Var}_{match}\) 宽15%-30%。这直接验证了保守性理论（定理2）的实践意义。例如，对于“利润”指标，使用标准稳健估计的置信区间恰好包含零，而使用新估计量的则显著为正——这直接影响了传统推断结论。
  3. 效率提升：将额外协变量（如年龄、教育年限）加入模型（使用包含配对固定效应的2SLS）后，置信区间进一步缩小（约5%-10%），验证了理论上的精度优势。
• 结论：此例生动说明，使用不正确（保守）的方差估计可能导致对重要因果效应的漏检；本文修正后的方法则能恢复正确的检验功效。

🔎 结论是否比证明窄？

• 是的。在定理4（加入额外协变量时2SLS估计量的极限方差小于等于不含协变量的Wald估计量）中，这一结论是在 “假设额外协变量被正确纳入” 的条件下，即 \(W\) 在“给定配对固定效应的情况下与 \(D\) 正交或近似正交（具体来说是 $Cov(W_{ \text{pj }}, D_{pj} | \text{pair FE}) = 0 $）” 。若 \(W\) 是后处理变量（post-treatment）或与 \(D\) 相关，则这一结论不一定成立。作者在文中明确提到了这一条件的限制，但没有专门给出反例或模拟。因此，“总是精度提升”这个泛泛的说法是窄的，其正确边界是“满足某种外生条件的额外协变量”。

四、开放问题

1. 配对质量弱化时的表现：本文假设配对质量足够好，使得配对级数据 \(\{ \Delta D_p, \Delta Y_p\}\) 的方差能被有效控制。当配对变量 \(\mathbf{X}\) 对依从性和结果的预测能力很弱（即“坏的配对”）时，配对级残差的方差会增大。该方差估计量的有限样本性质（例如，是否能保证低样本下的覆盖概率）？是否能给出一个关于配对质量（如 \(R^2\) of \(\mathbf{X}\) on \(D\) 或 \(Y\)）的提示性条件，从而指导实践者何时该信任该方差？（扎根于：文中假设1是一般性的，并未针对“坏配对”给出具体监界值；开放问题在模拟部分偶有触及但不系统）

2. 多个工具变量或更多处理臂：本方法仅考察了 一个完全随机化的处理分配（一个IV）和 一个二元内生处理。在许多RCT中，可能存在多层/多级随机化（如村庄→家庭）、或多臂处理（多个处理水平）。本配对级残差的CLT框架是否能直接推广到多元IV（multiple instruments）的多元2SLS估计？（扎根于：本文的Wald估计量仅是标量比率，2.附加协变量部分也仅限单个内生变量。多方程系统下的推广是自然延伸。）

3. 与更现代的因果推断方法的结合：本文的核心是设计感知方差估计。它是否可以用来提升“后双机器学习”（DML）方法在配对设计下的LATE推断？DML通常要求残差独立，但配对内相关性会破坏cross-fitting属性。是否可以将配对级影响函数融入DML框架（例如，在估计阶段将配对当作一个层级，进行块状交叉拟合）？ （扎根于：本文只关注了简单2SLS，未使用任何ML组件。但这提供了一个连接点；作者在intro里没有提到后双ML。）

4. 配对模型中的异方差处理效应：LATE参数 \(\tau\) 在一开始被假定为常数（或至少条件均值）在依从者间不变。我们也可以考虑存在异质性 \(\tau_p\) 的模型。是否可以构造一个对“依从者平均处理效应”的加权平均的一致推断，类似于“汇总均值”（averaged LATE）？该方差会如何变化？（扎根于：LATE的常数假设（用于Delta方法中线性化的表达式）是推导关键。放宽它为配对特异性（或协变量异质性）是一大步，可通过Blandhol et al.的框架实现。）

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论