跳转至

Causal inference with a functional outcome

作者: Kreske Ecker, Xavier de Luna, Lina Schelin
来源: Journal of the Royal Statistical Society Series C
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

本文研究的子方向是函数型结果变量的因果推断。根本的科学问题是：当处理变量（如是否在特定地区居住）对结果的影响不是单一数值，而是一条随时间/空间变化的曲线（如收入轨迹）时，如何定义、识别和推断其因果效应？该方向当前处于从“标量结果因果推断”向“函数型结果因果推断”的初步扩展阶段，方法学上主要依赖经典因果推断框架（结果回归、倾向性评分、双重稳健）与函数型数据分析（FDA）工具的直接拼接，尚未形成成熟的半参数效率理论或高维处理框架。

发展脉络

奠基工作：因果推断的标量结果框架（Rubin因果模型、未混淆假设、结果回归/倾向性评分/双重稳健估计）是本文的底层基础。本文直接引用了Tan (2007) 对结果回归（OR）与双重稳健（DR）估计的系统比较，作为其选择OR估计量的方法论依据。同时，Belloni et al. (2017) 的工作为高维控制变量下的函数型结果因果推断提供了“近似稀疏”假设下的后选择/后正则化推断框架，但本文明确区分了自己的贡献：“我们提供精确的有限样本推断，而Belloni et al. (2017) 为渐近bootstrap推断提供证明”——这是本文定位自身的一个关键口子。

主要进展：函数型数据分析（FDA）领域为函数型参数的推断提供了多种工具。本文引用了多条线索： - 同时置信带（SCB）：Choi & Reimherr (2018) 提出了基于超椭球和超矩形的函数型参数置信区域构建策略，但指出“几乎所有区域在使用经验协方差时覆盖率为零”，并提出“ghosting”新范式。Liebl & Reimherr (2020) 提出了快速、公平的SCB方法，不依赖重抽样且无需完整协方差函数估计。Telschow & Schwartzman (2022) 利用高斯运动学公式（GKF）构建SCB，并证明即使观测非高斯，CLT也足以保证渐近精确覆盖。 - 多重比较校正：Vsevolozhskaya et al. (2014) 和 Abramowicz et al. (2018) 分别提出了函数型方差分析中的p值调整和区间错误率控制方法。 - 函数型结果的因果效应：Lin et al. (2021) 将因果效应定义在Wasserstein空间（分布函数空间）上，并开发了双重稳健估计量——这是与本文最接近的先行工作，但处理的是分布函数而非函数型轨迹。

当前frontier与本文位置：本文位于“将经典因果推断框架（结果回归）与函数型数据推断工具（同时置信带）结合”这一具体节点上。作者将缺口frame为：现有函数型结果因果推断文献缺乏对FATE的全局推断方法（同时置信带），而现有FDA的SCB方法尚未被应用于因果推断设定。本文的贡献是填补这一空白。

子线索聚类

  1. 因果推断方法论（标量结果）：Tan (2007) [OR/DR比较]、Belloni et al. (2017) [高维稀疏下的均匀推断]、Genbäck & de Luna (2019) [未混淆假设违背下的敏感性分析]、Moosavi et al. (2021) [均匀有效推断的成本与收益]。这一簇提供了本文的因果识别框架和估计量选择依据。

  2. 函数型数据推断工具：Choi & Reimherr (2018) [几何方法构建置信区域]、Liebl & Reimherr (2020) [快速公平SCB]、Telschow & Schwartzman (2022) [GKF-based SCB]、Vsevolozhskaya et al. (2014) [多重比较校正]、Abramowicz et al. (2018) [函数型线性模型推断]。这一簇提供了本文的推断工具。

  3. 函数型结果的因果效应：Lin et al. (2021) [Wasserstein空间上的因果效应]。这是与本文最直接竞争/互补的工作，但处理的是分布函数而非函数型轨迹。

  4. 实证应用：Schwandt & von Wachter (2019) [劳动力市场进入时机对工资的长期影响]、Lindgren et al. (2016) [瑞典SIMSAM数据库]。这一簇提供了本文的实证背景和数据来源。

这个方向在追问的核心问题

  1. 如何定义函数型结果的因果效应？ 是逐点定义（FATE(t)）还是全局定义（如分布函数、Wasserstein距离）？
  2. 如何对函数型因果效应进行全局推断？ 同时置信带是自然选择，但如何保证其覆盖率和有限样本性质？
  3. 如何处理高维/函数型协变量？ 当协变量本身是函数型或高维时，如何实现有效推断？
  4. 如何实现双重稳健或半参数有效估计？ 现有工作（如本文）仅使用结果回归，尚未发展出函数型结果的DR估计或效率界。

当前主流方法与已知瓶颈：主流方法是将标量结果因果推断的估计量（OR、IPW、DR）逐点应用于函数型结果，然后使用FDA的推断工具进行全局校正。瓶颈在于：(a) 逐点估计的紧性难以保证（Choi & Reimherr, 2018 已指出）；(b) 函数型协变量下的推断问题尚未解决；(c) 缺乏半参数效率理论。

⚠️ 作者的framing

作者将缺口frame为：“现有文献缺乏对函数型平均处理效应（FATE）的全局推断方法（同时置信带）”。具体来说： - 作者声称“我们的方法论贡献在于提供精确的有限样本推断，而Belloni et al. (2017) 提供渐近bootstrap推断”——这暗示本文的方法在有限样本下更优。 - 作者淡化/回避了以下竞争路线：(a) 双重稳健估计（DR）——本文仅使用结果回归，但DR在标量结果中已被证明具有更好的稳健性；(b) 半参数效率理论——本文未推导FATE估计量的效率界；(c) 高维协变量处理——本文假设协变量维数固定且远小于样本量。

什么明显该被引/该存在、却没出现在intro里？ - 没有引用任何关于函数型数据半参数效率理论的工作（如函数型数据的有效影响函数、效率界）。 - 没有引用函数型双重稳健估计的工作（如将Kennedy (2016) 的DR框架扩展到函数型结果）。 - 没有引用函数型工具变量或函数型中介分析的工作——这些是因果推断中更复杂的设定。 - 没有引用函数型数据的高维推断工作（如函数型数据的lasso或稀疏主成分分析）。

张力

未见明显对立引用。所有被引工作基本在各自子领域内自洽，没有出现“在略不同条件下得相反结论”的情况。

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： - \(A_i \in \{0, 1\}\)：第 \(i\) 个个体的二值处理变量（如是否在早期居住于特定地区）。 - \(Y_i(t) \in \mathbb{R}\)：第 \(i\) 个个体的函数型结果在时间点 \(t \in [0, 1]\) 的值（如 \(t\) 岁时的收入）。\(Y_i\) 是一个随机函数（随机过程）。 - \(X_i \in \mathbb{R}^p\)：第 \(i\) 个个体的协变量向量（如性别、出生年份、父母收入等），\(p\) 固定且远小于样本量 \(n\)。 - \(Y_i^{(a)}(t)\)：第 \(i\) 个个体的潜在结果（potential outcome）在时间点 \(t\) 的值，如果处理 \(A_i = a\)。这是不可观测的——对于每个个体，我们只能观测到 \(Y_i(t) = Y_i^{(A_i)}(t)\)。 - \(\theta(t) = \mathbb{E}[Y_i^{(1)}(t) - Y_i^{(0)}(t)]\)：函数型平均处理效应（FATE） 在时间点 \(t\) 的值。这是要估计的目标参数（estimand），是一个函数。 - \(\mu_a(t, x) = \mathbb{E}[Y_i(t) \mid A_i = a, X_i = x]\)：结果回归函数（outcome regression function），即给定处理 \(a\) 和协变量 \(x\) 时结果的条件期望。这是需要估计的 nuisance 参数。 - \(\hat{\theta}(t)\)：FATE 的估计量。 - \(\hat{B}(t) = \hat{\theta}(t) - \theta(t)\)：估计量的偏差过程（bias process）。 - \(\hat{\Sigma}(s, t)\)：\(\hat{B}(t)\) 的协方差函数的估计量。 - \(n\)：样本量。 - \(p\)：协变量维数。

模型： - 数据生成机制：\((X_i, A_i, Y_i(\cdot))\) 独立同分布（i.i.d.）来自某个联合分布。\(Y_i(\cdot)\) 是定义在 \([0, 1]\) 上的随机函数，假设其轨迹是光滑的（属于某个Sobolev空间或Hilbert空间）。 - 识别假设： - 未混淆性（Unconfoundedness）：\(A_i \perp\!\!\!\perp Y_i^{(a)}(t) \mid X_i\)，对所有 \(t \in [0, 1]\) 和 \(a \in \{0, 1\}\) 成立。即给定协变量 \(X_i\)，处理分配与潜在结果独立。 - 重叠性（Overlap）：\(0 < \mathbb{P}(A_i = 1 \mid X_i = x) < 1\)，对所有 \(x\) 成立。 - 一致性（Consistency）：\(Y_i(t) = Y_i^{(A_i)}(t)\)。 - 已知/未知：协变量 \(X_i\) 的分布、处理分配机制 \(e(x) = \mathbb{P}(A_i = 1 \mid X_i = x)\)（倾向性评分）和结果回归函数 \(\mu_a(t, x)\) 都是未知的，需要从数据中估计。本文假设 \(\mu_a(t, x)\) 是参数化的（如线性模型），但方法本身可扩展到非参数估计。

可观测数据： - 可观测：\(\{(X_i, A_i, Y_i(t_{i1}), \ldots, Y_i(t_{i m_i}))\}_{i=1}^n\)，即每个个体在离散时间点上的结果观测值。时间点个数 \(m_i\) 可能因个体而异（稀疏/密集采样），但本文假设所有个体在相同密集网格 \(\{t_1, \ldots, t_m\}\) 上被观测，且 \(m\) 固定且远小于 \(n\)。 - 不可观测：每个个体的完整函数型轨迹 \(Y_i(\cdot)\)（只能从离散观测插值/平滑得到），以及潜在结果 \(Y_i^{(1-a)}(t)\)（反事实）。

第二步：讲最小内核

最简特例：假设 \(p=1\)（只有一个协变量 \(X_i\)），且结果回归函数是线性的：

\[\mu_a(t, x) = \beta_{0a}(t) + \beta_{1a}(t) x\]
其中 \(\beta_{0a}(t)\) 和 \(\beta_{1a}(t)\) 是未知的函数型系数（即每个时间点 \(t\) 有一个系数值）。

在这个特例下，FATE 退化为：

\[\theta(t) = \mathbb{E}[Y_i^{(1)}(t) - Y_i^{(0)}(t)] = \mathbb{E}[\mu_1(t, X_i) - \mu_0(t, X_i)] = \mathbb{E}[(\beta_{01}(t) - \beta_{00}(t)) + (\beta_{11}(t) - \beta_{10}(t)) X_i]\]

估计步骤（最小内核）： 1. 逐点估计：对每个时间点 \(t_j\)（\(j=1,\ldots,m\)），用线性回归估计 \(\hat{\beta}_{0a}(t_j)\) 和 \(\hat{\beta}_{1a}(t_j)\)（基于处理组 \(A_i=a\) 的个体），然后计算：

\[\hat{\theta}(t_j) = \frac{1}{n} \sum_{i=1}^n [\hat{\mu}_1(t_j, X_i) - \hat{\mu}_0(t_j, X_i)]\]
其中 \(\hat{\mu}_a(t_j, x) = \hat{\beta}_{0a}(t_j) + \hat{\beta}_{1a}(t_j) x\)。

  1. 偏差过程：\(\hat{B}(t_j) = \hat{\theta}(t_j) - \theta(t_j)\)。在正则条件下，\(\hat{B}(t_j)\) 是渐近正态的，且 \(\hat{B}(\cdot)\) 是均值为零的高斯过程。

  2. 协方差估计：估计 \(\hat{B}(t)\) 的协方差函数 \(\hat{\Sigma}(s, t) = \widehat{\text{Cov}}(\hat{B}(s), \hat{B}(t))\)。这可以通过bootstrap或解析公式得到。

  3. 同时置信带：构建形如 \([\hat{\theta}(t) \pm c_\alpha \hat{\sigma}(t)]\) 的带，其中 \(\hat{\sigma}^2(t) = \hat{\Sigma}(t, t)\)，临界值 \(c_\alpha\) 满足：

    \[\mathbb{P}\left(\sup_{t \in [0,1]} \frac{|\hat{\theta}(t) - \theta(t)|}{\hat{\sigma}(t)} \leq c_\alpha\right) = 1 - \alpha\]
    这可以通过模拟高斯过程的分位数得到（如使用Cholesky分解或bootstrap）。

核心思路：本文的整个方法就是把这个最小内核中的“线性回归”替换成更一般的参数/半参数模型，并把“逐点估计”替换成“函数型回归”（如使用B样条基展开），然后用同时置信带进行全局推断。数学上的主要困难在于：当结果回归函数是函数型的（即系数是函数）时，偏差过程 \(\hat{B}(t)\) 的协方差结构更复杂，且需要证明其紧性（tightness）以保证同时置信带的渐近有效性。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在未混淆假设下，对二值处理对函数型结果的因果效应（FATE）进行识别、估计和全局推断。
  2. 核心工具/方法：使用结果回归（OR）估计量，结合函数型数据分析中的同时置信带（SCB）对FATE进行全域推断。
  3. 主要结论：提出了FATE的OR估计量，证明了其逐点渐近正态性，并构建了同时置信带；模拟实验表明SCB能有效控制多重比较问题；实证分析估计了早期居住地对后续收入轨迹的因果效应。

关键设定与假设

完整设定（在第二节最小记号基础上补充）： - 函数型结果：\(Y_i(t)\) 定义在 \([0, 1]\) 上，假设属于 \(L^2[0,1]\) 空间。实际观测是在密集网格 \(\{t_1, \ldots, t_m\}\) 上，\(m\) 固定且远小于 \(n\)。 - 结果回归模型：\(\mu_a(t, x) = \mathbb{E}[Y_i(t) \mid A_i = a, X_i = x]\) 被参数化为：

\[\mu_a(t, x) = \sum_{k=1}^K \beta_{ak}(x) B_k(t)\]
其中 \(\{B_k(t)\}_{k=1}^K\) 是已知的基函数（如B样条），\(\beta_{ak}(x)\) 是协变量 \(x\) 的线性函数（即 \(\beta_{ak}(x) = \gamma_{ak0} + \gamma_{ak}^\top x\)）。这等价于一个函数型线性模型。 - 估计方法：使用最小二乘法逐点（或全局）估计基系数，然后通过基展开得到 \(\hat{\mu}_a(t, x)\)。FATE估计量为：
\[\hat{\theta}(t) = \frac{1}{n} \sum_{i=1}^n [\hat{\mu}_1(t, X_i) - \hat{\mu}_0(t, X_i)]\]

关键假设（与已有文献的比较）： - Assumption 1 (未混淆性)：与标量结果因果推断的标准假设一致，未放宽或强化。 - Assumption 2 (重叠性)：标准假设。 - Assumption 3 (高斯性)：假设 \(Y_i(t) \mid A_i, X_i\) 是高斯过程。作者指出“Assumption 3中的高斯条件并非推导 \(\hat{\theta}(t)\) 的逐点性质（如一致性）所必需”（引用Genbäck & de Luna, 2019），但对同时置信带的构建至关重要——因为SCB的临界值依赖于高斯过程的分布。这是一个强假设，在实证中可能不成立。 - Assumption 4 (模型正确设定)：结果回归模型 \(\mu_a(t, x)\) 被正确设定。这是OR估计量的标准要求，也是其相对于DR估计量的弱点。 - 函数型数据假设：假设所有个体在相同密集网格上被观测，且 \(m\) 固定。这比“稀疏/不规则采样”的设定更简单。

相比已有文献的放宽/强化： - 放宽：相比Belloni et al. (2017) 的高维设定，本文假设协变量维数 \(p\) 固定且远小于 \(n\)，无需稀疏性假设。 - 强化：相比标量结果因果推断，本文增加了高斯过程假设（Assumption 3）和函数型线性模型假设（Assumption 4）。

主要结果

理论结果（本文为应用型论文，理论结果相对简洁）：

  1. 逐点渐近正态性（Theorem 1）：在Assumptions 1-4下，对任意固定 \(t \in [0, 1]\)，有：

    \[\sqrt{n} (\hat{\theta}(t) - \theta(t)) \xrightarrow{d} N(0, \sigma^2(t))\]
    其中 \(\sigma^2(t)\) 是渐近方差。证明依赖于标准M-估计理论（结果回归估计量的逐点性质）。

  2. 同时置信带（Theorem 2）：在Assumptions 1-4下，构建形如 \([\hat{\theta}(t) \pm c_\alpha \hat{\sigma}(t)]\) 的带，其中 \(\hat{\sigma}^2(t)\) 是 \(\sigma^2(t)\) 的一致估计，\(c_\alpha\) 通过模拟高斯过程的分位数得到。该带满足：

    \[\lim_{n \to \infty} \mathbb{P}\left(\theta(t) \in [\hat{\theta}(t) \pm c_\alpha \hat{\sigma}(t)], \forall t \in [0,1]\right) = 1 - \alpha\]
    证明依赖于：(a) \(\hat{B}(t) = \sqrt{n}(\hat{\theta}(t) - \theta(t))\) 作为随机过程在 \(C[0,1]\) 中的紧性（tightness）；(b) 协方差函数 \(\Sigma(s, t)\) 的一致估计；(c) 连续映射定理。

技术难点： - 紧性证明：需要证明 \(\hat{B}(t)\) 作为 \(C[0,1]\) 中的随机过程是紧的。这通常需要验证其等度连续性（equicontinuity），即对任意 \(\epsilon > 0\)，存在 \(\delta > 0\) 使得 \(\sup_{|s-t|<\delta} |\hat{B}(s) - \hat{B}(t)|\) 以高概率小于 \(\epsilon\)。本文利用结果回归估计量的光滑性（基函数展开）来保证这一点。 - 协方差估计：\(\hat{\Sigma}(s, t)\) 的估计需要处理函数型数据的相关性结构。本文使用bootstrap（如残差bootstrap或wild bootstrap）来估计协方差，避免了复杂的解析公式。

与baseline的对比（模拟实验）： - 本文比较了同时置信带与逐点置信带（pointwise confidence bands，即对每个 \(t\) 分别构建95%置信区间，不做多重比较校正）。 - 核心量化结论：当FATE在部分区域为0时，逐点置信带会过度拒绝（即错误地认为FATE非零），而同时置信带能有效控制族系错误率（FWER）。例如，在模拟中，当FATE在 \([0.2, 0.8]\) 上恒为0时，逐点置信带的实际覆盖率远低于95%，而同时置信带接近95%。

证明路线与技术技巧

整体路线（3-5步逻辑主干）：

  1. 估计结果回归函数：对每个处理组 \(a \in \{0, 1\}\)，使用基展开和最小二乘法估计 \(\hat{\mu}_a(t, x)\)。这一步是标准的函数型线性模型拟合。

  2. 构造FATE估计量：\(\hat{\theta}(t) = \frac{1}{n} \sum_{i=1}^n [\hat{\mu}_1(t, X_i) - \hat{\mu}_0(t, X_i)]\)。这一步是“平均化”预测值，类似于标量结果中的OR估计量。

  3. 推导偏差过程的渐近分布：

  4. 将 \(\hat{\theta}(t) - \theta(t)\) 分解为“估计误差”+“近似误差”（如果基展开是近似的）。
  5. 利用M-估计的渐近理论，证明 \(\sqrt{n}(\hat{\theta}(t) - \theta(t))\) 逐点收敛到正态分布。

  6. 证明该过程作为 \(C[0,1]\) 中的随机过程是紧的（tight），从而其极限是一个高斯过程。

  7. 估计协方差函数：使用bootstrap（如残差bootstrap）估计 \(\hat{\Sigma}(s, t)\)。具体来说，对每个bootstrap样本，重新估计 \(\hat{\theta}^*(t)\)，然后计算bootstrap样本的协方差。

  8. 构建同时置信带：

  9. 计算标准化过程 \(\hat{Z}(t) = \frac{\hat{\theta}(t) - \theta(t)}{\hat{\sigma}(t)}\)。
  10. 模拟高斯过程 \(G(t)\)，其均值为0，协方差为 \(\hat{\Sigma}(s, t) / (\hat{\sigma}(s) \hat{\sigma}(t))\)。
  11. 通过模拟找到临界值 \(c_\alpha\)，使得 \(\mathbb{P}(\sup_{t \in [0,1]} |G(t)| \leq c_\alpha) = 1 - \alpha\)。
  12. 输出带 \([\hat{\theta}(t) \pm c_\alpha \hat{\sigma}(t)]\)。

关键跳跃点： - 从逐点正态到过程紧性：这是从“逐点推断”到“全局推断”的关键跳跃。作者需要证明 \(\hat{B}(t)\) 的样本路径是“足够光滑”的，以保证其紧性。这依赖于结果回归估计量的光滑性（基函数展开天然提供了光滑性）。 - bootstrap的一致性：需要证明bootstrap估计的协方差函数 \(\hat{\Sigma}(s, t)\) 是 \(\Sigma(s, t)\) 的一致估计。这通常需要验证bootstrap的“镜像”性质（即bootstrap样本的分布收敛到原始样本的分布）。

技术技巧点名： - 基函数展开（B-splines）：用于将函数型回归问题转化为有限维参数估计问题。这是函数型数据分析的标准技巧。 - M-估计理论：用于证明逐点渐近正态性。这是标量结果因果推断的标准工具。 - bootstrap（残差bootstrap）：用于估计协方差函数，避免解析推导。这是计算上的实用技巧。 - 高斯过程模拟：用于计算同时置信带的临界值。这是FDA中构建SCB的标准方法（如Telschow & Schwartzman, 2022 使用的GKF方法，但本文使用更直接的模拟）。

真实例子与应用

数据：瑞典出生队列数据（Umeå SIMSAM Lab, Lindgren et al., 2016），聚焦于1954年出生的队列。

场景：估计早期居住地（18岁时的居住地，二值处理：城市 vs. 农村）对后续收入轨迹（19-50岁的年收入，函数型结果）的因果效应。

方法应用： 1. 协变量：性别、父母收入、父母教育水平、出生地等。 2. 结果回归模型：对每个处理组（城市/农村），用B样条基展开拟合收入轨迹，协变量作为线性项进入模型。 3. FATE估计：计算 \(\hat{\theta}(t)\)，即城市 vs. 农村的平均收入差异轨迹。 4. 同时置信带：构建95%同时置信带，判断在哪些年龄区间上效应显著。

结果： - FATE估计显示：早期居住在城市的人，在20-30岁期间收入显著高于农村居住者（同时置信带不包含0），但在40岁以后差异消失。 - 逐点置信带（未校正）在30-40岁期间也显示显著差异，但作者指出这可能是多重比较导致的假阳性。

这个例子想说明什么： - 验证理论：展示同时置信带在实际数据中如何控制多重比较问题，避免过度解释。 - 展示相对baseline的优势：与逐点置信带对比，说明同时置信带更保守但更可靠。 - 实际意义：为“早期居住地对长期收入的影响”这一经济学问题提供因果证据。

🔎 结论是否比证明窄

  • 高斯过程假设（Assumption 3）：作者在Theorem 2的证明中明确依赖于高斯性，但在实证中收入数据显然不是高斯的。作者在讨论中承认“高斯条件可能不成立”，但声称“bootstrap方法对偏离高斯性具有稳健性”——这是一个conjecture，没有严格证明。读者应检查bootstrap在非高斯函数型数据下的一致性条件。
  • 模型正确设定假设（Assumption 4）：作者假设结果回归模型被正确设定，但在实证中线性模型可能不成立。作者没有进行模型误设定下的敏感性分析或稳健性检验。
  • 密集网格假设：作者假设所有个体在相同密集网格上被观测，但实际数据可能存在缺失或稀疏采样。作者没有讨论这种情况下的处理方法。
  • “精确有限样本推断”的声称：作者在引言中声称“提供精确的有限样本推断”，但Theorem 2是渐近结果（\(n \to \infty\)），并非精确有限样本。这个声称可能过于强烈——实际提供的是渐近精确的同时置信带。

四、开放问题

  1. 非高斯函数型结果下的同时置信带：本文的Theorem 2依赖于高斯过程假设（Assumption 3）。能否在非高斯设定下（如使用bootstrap的极限理论）证明同时置信带的渐近有效性？ 扎根于：Assumption 3的讨论（“高斯条件并非推导逐点性质所必需，但对同时置信带至关重要”）。

  2. 双重稳健估计：本文仅使用结果回归（OR）估计量，但标量结果文献中DR估计量具有更好的稳健性（对OR或PS模型误设定不敏感）。能否将DR估计量扩展到函数型结果，并推导其渐近性质和同时置信带？ 扎根于：引言中引用Tan (2007) 讨论OR/PS/DR，但本文仅使用OR。

  3. 高维协变量下的函数型因果推断：本文假设协变量维数 \(p\) 固定且远小于 \(n\)。当 \(p\) 随 \(n\) 增长（高维设定）时，如何实现函数型结果的因果推断？ 是否需要类似Belloni et al. (2017) 的稀疏性假设？扎根于：引言中引用Belloni et al. (2017) 但明确区分了自己的“有限样本推断”vs. 他们的“渐近bootstrap推断”。

  4. 函数型协变量：当协变量本身是函数型（如基因表达轨迹）时，如何定义和推断函数型结果的因果效应？ 这需要处理“函数型变量对函数型变量”的因果效应，目前文献几乎空白。扎根于：本文假设协变量是标量向量，但引言中未讨论函数型协变量的情况。

提醒：要确认第1条（非高斯下的SCB）是否是真gap，建议去读Liebl & Reimherr (2020) 和 Telschow & Schwartzman (2022) 的近期工作——如果它们已经处理了非高斯设定，则本文的gap可能已被填补。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论