跳转至

Conditional quantiles: An operator-theoretical approach

作者: Luciano de Castro, Bruno N. Costa, Antonio F. Galvao, Jorge P. Zubelli
来源: Bernoulli
主题: 非参数 / 半参数
相关性: 6/10
链接: https://doi.org/10.3150/22-bej1546

一、领域脉络与小综述

这个方向是什么

本方向系统地研究条件分位数（conditional quantile）的算子理论性质。核心问题是：将分位数（尤其是条件分位数）视为一个作用于随机变量、输出一个σ-代数可测随机变量的非线性算子（类似于期望算子是线性算子），其代数（如线性性、单调性）、分析（连续性、可微性）、以及递推（如迭代法则）性质分别是什么？这些性质如何与经典的条件期望算子理论（如Jensen不等式、Fatou引理、Leibniz法则、迭代期望法则）平行而又有区别？这个子方向目前处于经典理论结果的系统化与泛函分析视角的统一阶段——已有大量关于无条件分位数性质的孤立结果，但缺乏一个针对条件情形的、自洽且与期望算子平行的算子理论框架。

发展脉络（history）

根据论文引言及其引用的文献，该方向的发展脉络可梳理如下：

  1. 奠基工作：无条件分位数性质的确立。

    • Koenker & Bassett (1978) 提出了分位数回归（quantile regression），确立了分位数在回归分析中的核心地位。这为后续将分位数视为一个“算子”提供了算法和应用的土壤，但当时并未在算子理论框架下系统处理。
    • Dodge, Jurečková & Rublik (1991) 明确给出了无条件分位数的平移不变性（translation equivariance）和等变性（equivariance to monotone transformation）的严格证明。这些是后来建立条件版本性质的基础。
    • Mosteller & Tukey (1977) 等经典著作中，分位数的共单调可加性（comonotonic additivity）被广泛讨论，但多停留在定义和特殊情形。

  2. 主要进展：条件分位数理论的引入与拓展。

    • Koenker (2005) 的专著《Quantile Regression》系统总结了条件分位数在计量经济学中的应用，但侧重于建模和推断，而非算子理论性质的普适性证明。
    • Carlier, Dana & Galichon (2012) 和 Bellini et al. (2018) 开始从风险度量（risk measures）和偏好（preferences）角度讨论分位数，将其与共单调性（comonotonicity）和次可加性（subadditivity）联系起来。Bellini等人的工作尤其将无条件分位数（Value at Risk）视为一个算子，并探讨其在金融中的公理性质。这些是本文的直接先导——它们证明了将分位数作为算子研究的价值，但局限在无条件情形或简单的条件设定（如仅给定一个随机变量）。
    • Acerbi & Szekely (2014) 提出了条件分位数作为最小化问题的解的表述，为本文的优化定义提供了直接基础。

  3. 当前Frontier：算子理论框架的建立。

    • 本文（de Castro et al.） 是这一脉络的集大成之作。它明确地将条件分位数定义为非线性算子，并系统证明其平移不变性、共单调可加性、单调变换等变性等性质。更关键的是，它首次将分析学的经典工具——Jensen不等式、Fatou引理、Leibniz法则、迭代法则——完整地推广到条件分位数算子，从而建立了一个与期望算子平行的、统一的泛函分析视角。

  4. 本文的位置：本文完成了对条件分位数算子的性质系统化，填补了从“无条件分位数性质”到“条件分位数算子理论”的逻辑鸿沟。它不是在提出一个新的估计方法（如分位数回归变体），而是为所有基于条件分位数的统计推断提供理论基础设施。论文的结论（如连续性、可微性）直接可用于分析估计量的渐近性质，而迭代法则的刻画则揭示了条件分位数与条件期望的根本差异。

子线索聚类

被引文献大致落在以下3条子线索：

  • 线索A：无条件分位数性质的经典阐述与公理化。代表工作：Dodge, Jurečková & Rublik (1991) (平移不变性/等变性的证明)；Mosteller & Tukey (1977) (共单调可加性)；Bellini et al. (2018) (从风险度量角度的公理化)。这一簇主要确立了基础概念与代数性质。
  • 线索B：条件分位数的估计理论与应用。代表工作：Koenker (2005) (分位数回归)；Koenker & Bassett (1978) (奠基)。这一簇不关注算子性质的系统性证明，而是关注如何从数据中估计条件分位数，以及如何建立因果或经济模型。这是文献主流，也是本文意图“服务”的对象。
  • 线索C：分位数的泛函分析视角。代表工作：Carlier, Dana & Galichon (2012)；Acerbi & Szekely (2014)。这一簇的工作开始尝试用泛函工具（如对偶性、优化问题）来分析分位数，为本文的算子框架提供了先期技术准备。本文是这一簇的顶峰。

这个方向在追问的核心问题与已知瓶颈

  • 核心问题1：条件分位数算子的代数结构是什么？ 是否具有线性、可加性、以及哪些情况下具有这些性质？瓶颈：已知条件分位数不是线性算子（即 \(Q_{Y_1+Y_2|\mathcal{F}} \neq Q_{Y_1|\mathcal{F}} + Q_{Y_2|\mathcal{F}}\) 一般），这使得其代数性质复杂。
  • 核心问题2：条件分位数算子的分析性质（连续性、可微性）如何？ 这直接决定了能否对分位数估计量应用常规的极限理论（如Delta方法）。瓶颈：分位数算子的非线性特性使得传统的、基于线性算子的泛函分析工具（如算子范数）不直接适用。
  • 核心问题3：条件分位数算子是否满足迭代法则？ 即 \(Q_{Y|\mathcal{G}} = Q_{Q_{Y|\mathcal{F}}|\mathcal{G}}\) 对 \(\mathcal{G} \subset \mathcal{F}\) 在什么条件下成立？这与条件期望的迭代法则形成鲜明对比。瓶颈：普遍认为迭代法则一般不成立，但其成立的充分必要条件一直没有得到严格刻画。
  • 核心问题4：如何统一地建立这些性质？ 已有结果（如平移不变性）分散在各处，缺乏一个统一的、自洽的框架。本文旨在填补这一空白。

我曾考虑过是否存在明显的“张力”（即不同文献对同一命题给出矛盾结论或反转）。在本文所引用的文献中，未见明显的、彼此矛盾的结论。所有被引工作都在各自的设定（无条件 vs. 条件，或不同σ-代数）下成立，且结论之间是递进或拓展关系，而非对立。这是一个高度一致、证据确凿的领域，作者的贡献是“系统化”而非“解悖论”。

⚠️ 作者的Framing

作者将缺口frame成：“尽管条件分位数在应用（如回归、风险度量）中无处不在，其作为算子的基础性质——特别是分析性质（连续性、可微性、迭代法则）——要么未被证明，要么被视作理所当然而错用。 ” 因此，本文是“显然的下一步”：先建立严格的理论基础，为后人的应用和理论分析提供可靠工具。具体来说：

  • 被其淡化或回避的竞争路线：作者没有正面回应分位数回归的渐近理论（如Koenker 2005）是否已经隐含了本文的部分连续性或可微性结果。作者选择另起炉灶，从更抽象、更一般的算子角度重新证明，可能意在确立一个不依赖于特定估计方法（如分位数回归）的通用理论。他们也未与半参数分位数处理效应的文献（如Firpo 2007）进行直接的理论对话，尽管后者的效率界推导可能受益于本文的结果。
  • 值得研究者去查的问题：0-1损失下分位数是贝叶斯估计，其迭代法则在理论上的困难是否与“迭代贝叶斯法则”（即 \(E(Y|\mathcal{G}) = E(E(Y|\mathcal{F})|\mathcal{G})\) ）的推导基于线性期望这个本质有关？ 是否有工作尝试从非线性期望（如 Choquet 期望或上/下期望）的框架来理解分位数？这或许是理解迭代法则不成立的根源所在。另外，哪些常见统计误用可以在本文框架下被直接指出？ 例如，是否有计量经济学论文错误地假设了条件分位数的可加性或迭代法则？如果能找到具体实例，将极大增强本文的影响力。

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：
    • \((\Omega, \mathcal{A}, \mathbb{P})\): 概率空间。
    • \(Y\): 一个实值随机变量（响应变量，值域 \(\mathbb{R}\)）。
    • \(\mathcal{F} \subseteq \mathcal{A}\): 一个 σ-代数（包含的信息/条件集）。在条件分位数的语境下，它代表“已知的信息”。
    • \(\tau \in (0,1)\): 分位数水平。
    • \(Q_Y(\tau|\mathcal{F})\): τ-条件分位数。它是一个 \(\mathcal{F}\)-可测的随机变量（即给定 \(\mathcal{F}\) 的信息后可确定的数）。它是本文研究的主体，是一个非线性算子的输出。
    • \(F_{Y|\mathcal{F}}(y)\): 给定 \(\mathcal{F}\) 下 \(Y\) 的条件分布函数。它是一个 \(\mathcal{F}\)-可测的随机变量（关于 \(y\) 的函数）。
    • estimand：我们想要研究的“对象”是条件分位数算子 \(Q_{\cdot}(\tau|\mathcal{F}): Y \mapsto Q_Y(\tau|\mathcal{F})\) 本身的性质。
  • 模型：
    • 无模型假设：论文的核心贡献之一是不对 \(Y\) 的分布做任何参数假设。它适用于任何定义在概率空间上的实值随机变量 \(Y\)，并针对任意σ-代数 \(\mathcal{F}\)。因此，数据生成机制（DGP）是任意的。这是该理论普适性（general-purpose）的来源。
    • 唯一需要的结构：一个概率空间 \((\Omega, \mathcal{A}, \mathbb{P})\)，以及一个 \(\mathcal{F}\)-可测的随机变量集。这非常基础。
  • 可观测数据：
    • 论文讨论的是理论性质，不涉及样本数据。
    • 然而，从“条件分位数”的常见应用出发，如果我们想估计 \(Q_Y(\tau|\mathcal{F})\)，通常需要观测到多个 \((Y, X)\) 对，其中 \(X\) 是生成 \(\mathcal{F}\) 的协变量（例如 \(\mathcal{F} = \sigma(X)\)）。论文本身不处理估计，但其性质（如连续性、可微性）是理解估计量渐近行为的关键。
    • 潜在/不可观测量：条件分位数算子本身不是直接观测到的，它是从条件分布 \(F_{Y|\mathcal{F}}\) 中定义出来的。我们无法“看到” \(Q_Y(\tau|\mathcal{F})\)，只能通过数据推断。

第二步：最小内核

为了看清本质，我们剥离所有泛函分析和高维设定，找到一个最简单直接的例子来展示“条件分位数算子如何运作”以及它的核心数学困难在哪。

最简特例：设 \(\mathcal{F} = \{\Omega, \emptyset\}\)（平凡σ-代数）。此时，条件分位数退化为无条件分位数：\(Q_Y(\tau|\mathcal{F}) = q_Y(\tau)\)，其中 \(q_Y(\tau)\) 是满足 \(\mathbb{P}(Y \leq q_Y(\tau)) \ge \tau\) 的数（通常取左连续版本）。

  • 在这个特例下，要证的命题退化成什么？
    • 平移不变性：个大数的分位数加常数，等于分位数再加常数，即 \(q_{Y+c}(\tau) = q_Y(\tau) + c\)。这是成立的（对任意常数c）。
    • 共单调可加性：如果 \(Y_1, Y_2\) 是同序/共单调的（函数关系单调），则 \(q_{Y_1+Y_2}(\tau) = q_{Y_1}(\tau) + q_{Y_2}(\tau)\)。这是成立的。如果任意，则不成立。
    • Jensen不等式：对于凸函数 \(\phi\)，\(q_{\phi(Y)}(\tau) \ge \phi(q_Y(\tau))\)。这是成立的（对于无条件分位数，这是一个经典结论，也是本文首次给出简洁证明的部分）。
    • Fatou引理：对于随机变量序列 \(\{Y_n\}\)，\(q_{\liminf Y_n}(\tau) \le \liminf q_{Y_n}(\tau)\)。这是成立的。
    • 迭代法则：它退化为 \(q_Y(\tau) = Q_{Q_Y(\tau|\mathcal{F})|\mathcal{G}}\)，这里 \(\mathcal{G}\) 更粗。在平凡σ-代数下，\(q_Y(\tau)=Q_{q_Y(\tau)|\mathcal{G}}\)，这是trivially成立的，因为 \(q_Y(\tau)\) 是常数。
  • 这个最小内核说明了什么？
    • 核心思路：论文一系列复杂性质的证明，本质上都是将无条件分位数的这些经典性质，连同其证明方法，推广到条件σ-代数 \(\mathcal{F}\) 上。证明的关键在于处理“条件”带来的随机性——所有结论不再是数，而是随机变量。
    • 证明怎么走（以Jensen不等式为例）：
      1. 已知结果：对于无条件分位数，Jensen不等式成立（即 \(q_{\phi(Y)}(\tau) \ge \phi(q_Y(\tau))\)）。这个结果是经典的，可以通过定义和使用凸函数的性质证明。
      2. 核心技巧：证明条件版本 \(Q_{\phi(Y)}(\tau|\mathcal{F}) \ge \phi(Q_Y(\tau|\mathcal{F}))\)，作者的关键技巧是利用表示定理（论文引理3.2）：条件分位数 \(Q_Y(\tau|\mathcal{F})\) 可以写成 \(K_\tau(\hat{F}_{Y|\mathcal{F}})\)，其中 \(K_\tau(\cdot)\) 是无条件分位数算子，\(\hat{F}_{Y|\mathcal{F}}\) 是条件分布函数的“反函数”（其实就是 \(F_{Y|\mathcal{F}}\) 的广义逆）。由于 \(\phi\) 是凸的，\(\phi(Y)\) 的条件分布函数是 \(\hat{F}_{Y|\mathcal{F}}\) 经过一个变换。这时，条件Jensen不等式就可以转化为在每一个可能的条件分布（即每一个 \(\omega \in \Omega\)）上应用无条件Jensen不等式。因为对所有 \(\omega\) 都成立，所以不等式作为随机变量几乎必然成立。
    • 为什么成立：因为论文中的所有证明，最终都依赖一个共同的底层逻辑——“逐路径地（pointwise in \(\omega\)）建立性质”。如果某个性质在无条件情形下对任意固定分布成立，那么将其应用于条件（给定 \(\mathcal{F}\)）后所得到的随机分布，该性质也必然逐路径成立。

三、这篇论文做了什么

三句话

  1. 研究了条件分位数作为非线性算子的系统性质，意图建立一个与条件期望算子理论平行的、完整的数学框架。
  2. 核心工具是：将无条件分位数的经典性质作为“构件”，通过 “逐路径（event-wise）应用” 和随机集（τ-条件分位数随机集）的表示来推广到条件情形。
  3. 主要结论包括：证明了平移不变性、共单调可加性、单调变换等变性；给出了条件Jensen不等式、Fatou引理的简洁新证明；推导了条件分位数算子在 \(L^p\) 和弱拓扑下的连续性条件以及单调、可分函数的Leibniz法则；刻画了迭代分位数法则成立的最大随机变量集合，并研究了其与无穷复合条件分位数的关系。

关键设定与假设

  • 设定：
    • 概率空间 \((\Omega, \mathcal{A}, \mathbb{P})\)。无特别要求，如非原子等。
    • σ-代数 \(\mathcal{F} \subseteq \mathcal{A}\)。无特别要求，如完备性等。论文对所有σ-代数都成立，完全一般性。
    • 随机变量 \(Y\)：无需任何矩条件或分布假设。这使得结果具备最大普适性。
    • τ-条件分位数随机集 \(\mathcal{Q}_Y(\tau|\mathcal{F})\)（定义3.1）：优化问题 \( \text{Argmin}_{m \in L^0(\mathcal{F})} \mathbb{E}[ \rho_\tau(Y-m) | \mathcal{F} ]\) 的解集，其中 \(\rho_\tau(u) = (\tau - \mathbb{I}_{u \le 0})u\) 是分位数损失函数（check function），\(L^0(\mathcal{F})\) 是所有 \(\mathcal{F}\)-可测随机变量。这个定义是关键，它确保解是一个随机集（可能非单点，视条件分布而定）。条件分位数算子 \(Q_Y(\tau|\mathcal{F})\) 通常取这个集合中的一个特定元素（如左连续版本）。
  • 关键假设（本文基本没有假设）：这既是优势（普适性），也是技术难点来源（必须在最弱条件下证明性质）。唯一的隐含假设是随机变量 \(Y\) 的分布函数是可定义的。
  • 与已有文献对比：相比之前工作（如Dodge et al. 1991, Bellini et al. 2018），本文的设定更为一般：它不限制 \(\mathcal{F}\) 的结构（如有限生成、离散等），且不要求分位数唯一。这使得结论可以适用于几乎所有常见的计量经济学和统计模型，如面板数据（固定效应 \(\mathcal{F}\)）、状态空间模型等。

主要结果

这部论文的核心是定理与命题的集合。我们选择最关键的2-3个如下：

  1. 平移不变性、共单调可加性、等变性（推论3.2, 推论3.3, 命题3.2）：这是性质系统化的基石。

    • 陈述：对于任意 \(\tau \in (0,1)\)，
      • \(Q_{Y + a}(\tau|\mathcal{F}) = Q_Y(\tau|\mathcal{F}) + a\)，对所有 \(\mathcal{F}\)-可测的 \(a\) 成立（平移不变性）。
      • \(Q_{Y_1 + Y_2}(\tau|\mathcal{F}) = Q_{Y_1}(\tau|\mathcal{F}) + Q_{Y_2}(\tau|\mathcal{F})\)，当 \(Y_1\) 和 \(Y_2\) 条件共单调（conditionally comonotonic w.r.t. \(\mathcal{F}\)）时成立。
      • \(Q_{\phi(Y)}(\tau|\mathcal{F}) = \phi(Q_Y(\tau|\mathcal{F}))\)，对所有严格单调的 \(\phi\) 成立（等变性）。
    • 技术难点解决：证明这些性质时，最大的难点是处理“条件”下的随机性。论文通过随机集的表示和逐路径（pointwise \( \omega\)）的方法巧妙地绕开了这一困难。例如，平移不变性直接由优化问题的解集定义（加上常数不改变最小化问题）得到，本质上是一个两条引理的简单推论。

  2. 条件Jensen不等式（定理4.1）：

    • 陈述：对任意凸函数 \(\phi: \mathbb{R} \to \mathbb{R}\)，\(Q_{\phi(Y)}(\tau|\mathcal{F}) \ge \phi(Q_Y(\tau|\mathcal{F}))\) a.s.
    • 技术难点解决：非线性算子与凸函数的耦合。证明的巧妙之处在于：利用表示定理，将“条件”转化成“随机分布”，然后引用无条件（经典）Jensen不等式，通过逐路径地应用该不等式，直接得到随机变量版本的期望结论。这个证明比任何传统的、基于Hoeffding引理或积分技巧的重述都更简洁。

  3. 迭代分位数法则的刻画（定理7.1, 7.2, 7.3）：

    • 陈述：对于σ-代数链 \(\mathcal{G} \subset \mathcal{F}\)，迭代法则 \(Q_{Y|\mathcal{G}}(\tau) = Q_{Q_{Y|\mathcal{F}}(\tau)|\mathcal{G}}(\tau)\) 并非普遍成立。论文刻画了使该法则成立的最大随机变量集合。具体地，它刻画了 \(Y\) 属于一个特定的、由 \(\mathcal{G}\) 和 \(\mathcal{F}\) 生成的 “尾σ-代数” 类（本质上是 \(\mathcal{F}\) -可测且条件分布为常数的随机变量）。
    • 技术难点解决：这是论文中最深入的部分之一。它揭示了条件分位数与条件期望的根本差异：后者对任意方差有限的随机变量都满足迭代法则，而前者仅对极有限的随机变量（几乎对所有 \(\mathcal{G}\)-可测化）成立。论文通过分析“条件分位数随机集”的交集与包含关系，找到了这个精确的、非平凡的刻画。

证明路线与技术技巧

  • 整体路线（3-5步逻辑主干）：

    1. 定义：将条件分位数定义为随机优化问题的解集（随机集），这是基础。
    2. 表示：提出表示定理（引理3.2）：\( Q_Y(\tau|\mathcal{F}) = K_\tau(\hat{F}_{Y|\mathcal{F}}) \)，即通过无条件分位数算子作用在条件分布函数的广义逆上得到。这是联系条件与无条件的桥梁。
    3. “逐路径”策略：几乎所有关于代数性质（平移、共单调、等变性）和不等式（Jensen）的证明，都遵循同一模式：对几乎每个 \(\omega \in \Omega\)，将问题退化为关于固定条件分布 \(F_{Y|\mathcal{F}}(\cdot, \omega)\) 的无条件问题，然后直接应用已有的无条件性质。
    4. 分析性质分离：连续性和可微性更难，不能完全依赖“逐路径”策略。这里需要使用泛函分析工具。例如，为了证明 \(L^p\) 连续性，论文利用 \(Q_Y(\tau|\mathcal{F})\) 与检验函数 \(\rho_\tau\) 的关系，转化为证明由损失函数定义的泛函的连续性。
    5. 迭代法则刻画：这部分最独特。它避开了“逐路径”逐次应用，而是直接研究条件分位数随机集的结合律。通过建立随机集之间的包含关系，发现迭代法则成立的充分必要条件等价于一个关于条件分布性质的强劲条件。

  • 关键跳跃点：

    • 定义与优化：将分位数定义为最小化条件期望损失问题的解，是第一个关键跳跃。这引入了随机集，为后续的不唯一性处理提供了框架，但也带来了证明的复杂性（必须处理可测选择问题）。
    • 表示定理：这是连接条件与无条件的桥梁。它本质上是说：“条件分位数等于对条件分布函数应用无条件分位数算子”。这个简单的观结果觉得平淡无奇，但它是证明所有“逐路径”性质的核心引擎。
    • Fatou引理的证明：Fatou引理通常需要处理序列收敛的交换，经典的分布函数方法会复杂。本文通过将问题转化为条件期望的Fatou引理，利用期望与条件分布的交换，提供了一个极其简洁的证明（证明4.2）。

  • 技术技巧点名：

    • Random set / Measurable selection：用于处理分位数不唯一性。
    • 逐路径（pointwise/event-wise）技巧：核心技巧，将所有条件性质转化为无条件性质。

真实例子与应用

本文为纯理论文章，没有真实数据例子或模拟实验。理论贡献体现在以下几个方面： * 为分位数估计提供理论基础：连续性结论直接用于证明分位数回归估计量的相合性（consistency）；可微性结论用于推导渐近正态性（Asymptotic normality）和Delta方法（Delta method）的应用。 * 澄清误解：通过严格证明迭代法则不成立，警示研究者不要轻率地将其应用于条件分位数建模（比如在高维分位回归或分位数处理效应中可能出现的误用）。

🔎 结论是否比证明窄？

论文的结论是自洽的，没有泛化。每个定理的假设和结论都写得很清楚（如共单调可加性需要“条件共单调”）。作者没有做出不基于证明的断言。本文的价值和贡献在于证明本身，而非一个对已有证明的简化。它不是提出新发现，而是严格证明了前人含糊或未予证明的性质。因此，不存在结论比证明窄的问题。论文的局限性在于： * 没有提供具体的应用实例（如“使用算子理论简化了某个特定计量模型的识别假设”）。 * 没有处理高维情形（如协变量维度 \(p \gg n\)），这使得直接应用于高维分位数回归需要额外的假设。论文明确将这一点留给了未来工作。

四、开放问题（点到为止，扎根具体语句）

  1. 高维（\(p \gg n\)）条件分位数算子的性质：论文的结果对任意σ-代数 \(\mathcal{F}\) 成立。但当 \(\mathcal{F}\) 由高维协变量 \(X\) 生成（例如 \(\mathcal{F} = \sigma(X_1, ..., X_p)\)）时，如何将本文的连续性/可微性结果与高维正则化（如Lasso分位数回归）的渐近理论结合？ 具体扎根点：论文在证明连续性和可微性时没有假设维数，但其应用需要处理维度诅咒。作者在结尾提到“扩展到高维情形是自然的方向”，但没有推导。
  2. 迭代法则刻画的实际意义：论文刻画了迭代法则成立的“最大”随机变量集合。这个集合是统计可检验的吗？ 也就是说，能否基于观测数据构造检验，决定一个随机变量是否属于该集合？这对于确认应用中的模型是否合理至关重要。扎根点：定理7.3的刻画依赖于条件分布的性质，但如何用有限样本检验这个性质是一个开放问题。
  3. 算子范数的定义与收敛性：本文给出了几种拓扑（\(L^p\)、弱拓扑）下的连续性。但是，如果我们要比较两个不同的条件分位数算子（例如来自两个不同的σ-代数），什么是合适的算子范数？ 能否定义一个类似于条件期望的“条件分位数算子范数”并研究其收敛性？扎根点：论文第5节讨论连续性，但未定义算子之间的“距离”或范数。
  4. 超越共单调的可加性：共单调性是一个很强的条件。在半参数分位数处理效应（如QTT, QTE）中，处理效应可能会破坏共单调性。能否找到更弱的、适用于分位数处理效应的可加性形式？扎根点：推论3.3（共单调可加性）的证明依赖该条件。能否放松它，得到适用于DID或IV设定下的结果？

Maintained by 陈星宇 · Homepage · Source on GitHub

评论