Estimating spatially varying health effects of wildland fire smoke using mobile health data¶

作者: Lili Wu, Chenyin Gao, Shu Yang, Brian J Reich, Ana G Rappold
来源: Journal of the Royal Statistical Society Series C
主题: 因果推断
相关性: 6/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的根本问题是：在纵向观测研究中，如何估计一个时变处理（如防护行为）对健康结局的因果效应，且允许该效应随空间和时间平滑变化（即时空异质性处理效应）。当前该子方向的成熟度较低——大部分因果推断方法假设处理效应是常数或仅随时间变化，而空间异质性处理效应的识别与估计在方法上几乎空白。本文试图填补这一缺口。

发展脉络（history）¶

奠基工作：结构嵌套均值模型（SNMM）与 G-估计

Robins (1994, 2000)：提出 SNMM 和 G-估计，为纵向观测研究中时变处理的因果效应估计提供了半参数框架。核心思想是：通过建模条件均值差（给定历史协变量和处理历史），在无未测量混杂（NUC）假设下识别处理效应。这是本文的方法论根基。
Yang & Lok (2017)：放松了 NUC 假设，引入偏倚函数量化未测量混杂的影响，并开发了修正的 G-估计量。本文引用它作为“敏感性分析”的起点，但指出其方法针对的是全局（global）SNMM，而非本文要发展的局部（local）SNMM。

主要进展：SNMM 的连续时间与不规则观测扩展

Yang (2022)：将 SNMM 扩展到连续时间设定，处理不规则间隔的纵向观测。发展了半参数效率理论和局部有效估计量，并证明了完全病例估计量在可忽略删失下的双重稳健性。本文引用它作为“未来工作可增强对模型误设的稳健性”的起点。
Coulombe & Yang (2024)：进一步提出多重稳健估计量，处理协变量驱动的观测时间。本文引用它作为“未来工作可增强稳健性”的另一个起点。

当前 frontier：空间因果推断与时空异质性

Reich et al. (2021)：对空间因果推断方法进行了全面综述，明确指出“具有空间变化效应的因果模型在很大程度上是需要的”。本文直接引用这句话作为其动机的核心依据。
Gelfand et al. (2003)：提出了空间变系数模型（SVC），但本文指出它们“仅研究处理与结局的关联关系，缺乏因果解释”。这是本文与已有空间统计方法的关键区分点——已有方法做的是关联性建模，本文要做的是因果推断。
Guan et al. (2023)：从谱域角度处理空间混杂，提出了一种新的空间混杂调整方法。本文在讨论中提及它作为未来敏感性分析的潜在方向。

本文的位置：本文是第一个将 SNMM 框架与空间核加权结合，估计时空异质性处理效应的工作。它填补了 Reich et al. (2021) 综述中明确指出的缺口——即“具有空间变化效应的因果模型”的缺失。

子线索聚类¶

这些被引文献大致落在三条子线索上：

SNMM 与 G-估计的理论与方法（Robins 1994/2000, Yang & Lok 2017, Yang 2022, Coulombe & Yang 2024）：这条线索关注纵向观测研究中时变处理的因果效应识别与估计，核心工具是 SNMM 和 G-估计。本文的方法论根基在此。
空间统计与空间变系数模型（Gelfand et al. 2003, Guan et al. 2023）：这条线索关注空间数据的建模，但主要做关联性分析而非因果推断。本文试图将因果推断引入这一领域。
公民科学与移动健康数据的方法论挑战（Rappold et al. 2019, Johnston et al. 2012）：这条线索关注 Smoke Sense 项目的数据收集与初步分析，但缺乏严格的因果推断方法。本文是第一个为这类数据提供因果推断框架的工作。

这个方向在追问的核心问题¶

如何识别时空异质性处理效应？ 在纵向观测研究中，处理效应可能随空间和时间平滑变化，但传统的 SNMM 假设效应是常数或仅随时间变化。需要新的识别条件。
如何处理信息缺失？ 在公民科学项目中，参与者的自我报告数据往往存在信息缺失（missing not at random, MNAR），即缺失机制依赖于未观测到的健康结局。这比传统的缺失随机（MAR）假设更难处理。
如何实现双重稳健性？ 在时空异质性设定下，能否构造一个估计量，使得只要结果回归模型或缺失倾向得分模型之一正确指定，即可得到一致估计？
如何将 RCT 的结论推广到目标人群？ 本文在讨论中提及了 Lee et al. (2022, 2023, 2024) 的一系列工作，但本文的主要设定是观测研究，而非 RCT 推广。

当前主流方法与已知瓶颈：主流方法要么假设处理效应是常数（传统 SNMM），要么只做关联性分析（空间变系数模型）。瓶颈在于：在时空异质性设定下，如何同时处理时变混杂、空间相关性和信息缺失，并保持估计量的双重稳健性。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者将缺口 frame 为“现有因果推断方法缺乏对时空异质性处理效应的估计能力”。具体来说，作者在引言中写道：“Although spatially varying coefficient models exist (e.g., Gelfand et al., 2003), they restrict to study the associational relationship of treatment and outcome and thus lack causal interpretations.” 以及 “Reich et al. (2021) provided a comprehensive review of spatial causal inference methods and suggested that causal models with spatially varying effects are largely needed.” 因此，本文的贡献被定位为“第一个将 SNMM 与空间核加权结合，实现时空异质性处理效应的因果估计”。

哪些竞争路线被他淡化或回避了： - 空间混杂问题：本文假设无未测量混杂（NUC），但未讨论空间混杂的可能性（即未观测到的空间变量同时影响处理和结局）。作者仅在讨论中提及 Guan et al. (2023) 的谱域方法作为未来方向，但未在本文中处理。 - 干扰（interference）问题：在空间设定中，一个个体的处理可能影响另一个个体的结局（即干扰）。本文假设无干扰（SUTVA 的一部分），但未讨论这一假设在空间环境中的合理性。 - RCT 推广：Lee et al. 的一系列工作关注的是将 RCT 结论推广到目标人群，而本文的设定是纯观测研究。作者在讨论中提及这一方向，但未深入。

什么明显该被引 / 该存在、却没出现在 intro 里？ - 空间因果推断中的工具变量方法：例如，使用空间工具变量处理空间混杂的工作（如 Bivand et al. 或 Pace & LeSage 的相关工作）未被引用。这可能是因为本文的识别策略不依赖工具变量，但作为空间因果推断的替代路线，它值得被提及。 - 空间干扰的建模方法：例如，使用空间权重矩阵建模干扰的工作（如 Aronow & Samii 2017 或 Liu & Hudgens 2014）未被引用。本文假设无干扰，但未讨论这一假设在空间环境中的合理性。

张力¶

未见明显对立引用。所有被引工作基本在同一个方法论谱系内（SNMM + 空间统计），没有出现彼此矛盾或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：把符号、模型、可观测数据交代清楚¶

符号： - \( i = 1, \dots, n \)：个体索引。 - \( t = 1, \dots, T_i \)：时间点索引（每个个体可能有不同数量的观测时间点）。 - \( s_i \)：个体 \( i \) 的地理位置（如经纬度坐标）。 - \( A_{it} \)：处理变量（二元或连续），表示个体 \( i \) 在时间 \( t \) 是否采取了防护行为（如戴口罩、待在室内）。 - \( Y_{it} \)：结局变量，表示个体 \( i \) 在时间 \( t \) 的健康症状严重程度（如自我报告的呼吸症状评分）。 - \( X_{it} \)：时变协变量向量，包括个体 \( i \) 在时间 \( t \) 的观测特征（如年龄、性别、基础健康状况、空气污染暴露水平等）。 - \( \bar{A}_{i,t-1} = (A_{i1}, \dots, A_{i,t-1}) \)：处理历史。 - \( \bar{X}_{i,t-1} = (X_{i1}, \dots, X_{i,t-1}) \)：协变量历史。 - \( V_{it} = (\bar{A}_{i,t-1}, \bar{X}_{i,t-1}, s_i) \)：个体 \( i \) 在时间 \( t \) 的“历史信息”，包括处理历史、协变量历史和地理位置。 - \( R_{it} \)：缺失指示变量，\( R_{it} = 1 \) 表示结局 \( Y_{it} \) 被观测到，\( R_{it} = 0 \) 表示缺失。 - \( \pi_m(V_{it}) = P(R_{it} = 1 \mid V_{it}, Y_{it}) \)：缺失倾向得分，即给定历史信息和当前结局下结局被观测到的概率。注意：它依赖于 \( Y_{it} \) 本身，因此是 MNAR 设定。 - \( \psi(s, t) \)：目标参数，表示在位置 \( s \) 和时间 \( t \) 的处理效应（即防护行为对健康症状的平均因果效应）。 - \( \beta(s, t) \)：SNMM 中的参数函数，\( \psi(s, t) \) 是 \( \beta(s, t) \) 的某个函数（具体见模型部分）。

模型： - 数据生成机制：假设数据来自一个纵向观测研究，每个个体 \( i \) 在多个时间点 \( t \) 被观测。处理 \( A_{it} \) 是时变的，可能依赖于过去的历史 \( V_{it} \)。结局 \( Y_{it} \) 是处理 \( A_{it} \) 和协变量 \( X_{it} \) 的函数，但可能存在未测量的混杂。 - SNMM 设定：假设处理效应 \( \psi(s, t) \) 是位置 \( s \) 和时间 \( t \) 的平滑函数。具体地，对于每个个体 \( i \) 和时间 \( t \)，定义潜在结局 \( Y_{it}(a) \)（即在处理 \( a \) 下的结局）。SNMM 假设：

\[E[Y_{it}(A_{it}) - Y_{it}(0) \mid V_{it}] = \psi(s_i, t) \cdot A_{it}\]

其中 \( Y_{it}(0) \) 是未接受处理时的潜在结局。这个等式意味着：给定历史信息 \( V_{it} \)，处理 \( A_{it} \) 对结局的平均因果效应是 \( \psi(s_i, t) \cdot A_{it} \)，且该效应仅依赖于位置 \( s_i \) 和时间 \( t \)，而不依赖于个体特征（即效应是“同质的”给定位置和时间）。 - 缺失机制：假设缺失机制是 MNAR，即 \( R_{it} \) 可能依赖于未观测到的 \( Y_{it} \)。具体地，假设缺失倾向得分 \( \pi_m(V_{it}) \) 是 \( V_{it} \) 和 \( Y_{it} \) 的函数，但为了识别，需要额外的假设（如非响应工具变量，见下文）。

可观测数据： - 可观测：对于每个个体 \( i \)，可观测到 \( (s_i, \{A_{it}, X_{it}, R_{it}, R_{it}Y_{it}\}_{t=1}^{T_i}) \)。即：位置、处理历史、协变量历史、缺失指示变量，以及当 \( R_{it}=1 \) 时的结局。 - 不可观测：当 \( R_{it}=0 \) 时，\( Y_{it} \) 缺失。此外，潜在结局 \( Y_{it}(a) \) 对于 \( a \neq A_{it} \) 是不可观测的（反事实）。 - 关键区分：本文的因果推断依赖于 NUC 假设（即给定历史 \( V_{it} \)，处理 \( A_{it} \) 与潜在结局独立），但缺失机制是 MNAR，因此需要额外的工具变量假设来处理缺失。

第二步：讲最小内核¶

最简特例：假设只有两个时间点（\( T=2 \)），且所有个体在相同的时间点被观测（即 \( T_i = 2 \) 对所有 \( i \)）。进一步假设处理是二元的（\( A_{it} \in \{0, 1\} \)），且没有缺失（\( R_{it}=1 \) 对所有 \( i, t \)）。在这个特例下，本文的核心问题退化为：

问题：估计处理效应 \( \psi(s) \)（假设不随时间变化，仅随空间变化），其中 \( \psi(s) \) 是位置 \( s \) 的平滑函数。

SNMM 退化为：

\[E[Y_{i2}(A_{i2}) - Y_{i2}(0) \mid V_{i2}] = \psi(s_i) \cdot A_{i2}\]

其中 \( V_{i2} = (A_{i1}, X_{i1}, X_{i2}, s_i) \)。注意：这里 \( Y_{i2}(0) \) 是时间 2 未接受处理时的潜在结局，而 \( Y_{i2}(A_{i2}) \) 是实际观测到的结局。

核心思路：在 NUC 假设下，我们可以构造一个无偏估计方程：

\[E\left[ \left( Y_{i2} - \psi(s_i) A_{i2} - \mu(V_{i2}) \right) \cdot A_{i2} \mid V_{i2} \right] = 0\]

其中 \( \mu(V_{i2}) = E[Y_{i2}(0) \mid V_{i2}] \) 是未接受处理时的结局均值（给定历史）。这个方程是 G-估计的核心：它利用处理 \( A_{i2} \) 与“去处理效应后的结局”之间的条件独立性。

空间核加权：为了估计 \( \psi(s) \) 在任意位置 \( s \) 的值，我们使用地理核加权。具体地，对于目标位置 \( s_0 \)，我们求解以下局部估计方程：

\[\sum_{i=1}^n K_h(s_i - s_0) \cdot \left( Y_{i2} - \psi(s_0) A_{i2} - \mu(V_{i2}) \right) \cdot A_{i2} = 0\]

其中 \( K_h(\cdot) \) 是一个核函数（如高斯核），带宽 \( h \) 控制局部邻域的大小。这个方程的解 \( \hat{\psi}(s_0) \) 就是 \( \psi(s_0) \) 的局部估计。

为什么成立：在 NUC 假设下，\( E[ (Y_{i2} - \psi(s_i) A_{i2} - \mu(V_{i2})) \cdot A_{i2} \mid V_{i2} ] = 0 \)。核加权后，只要 \( \psi(s) \) 在 \( s_0 \) 附近是平滑的，局部估计方程在 \( s_0 \) 处的期望近似为零，从而得到一致估计。

这个特例揭示了本文的核心数学困难：当 \( \psi(s) \) 是平滑函数时，如何通过局部估计方程实现一致估计，同时保持双重稳健性（即 \( \mu(V_{i2}) \) 可以是非参数估计的，只要模型正确指定）。一般情形（多个时间点、信息缺失）只是在这个特例上增加了处理时变混杂和缺失的复杂性。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在 Smoke Sense 公民科学项目的纵向健康数据中，估计防护行为（如戴口罩、待在室内）对健康症状的时空异质性因果效应，同时处理信息缺失（MNAR）。
核心工具 / 方法：将结构嵌套均值模型（SNMM）与地理核加权结合，提出局部估计方程方法，并通过逆概率加权（IPW）处理信息缺失，构造双重稳健估计量。
主要结论：防护行为的效果在美国西南部比西北部更显著，且该效应随时间变化；模拟研究验证了方法在有限样本下的良好表现。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

SNMM 设定（公式 1-2）：对于每个时间 \( t \)，假设
\[E[Y_{it}(A_{it}) - Y_{it}(0) \mid V_{it}] = \psi(s_i, t) \cdot A_{it}\]
其中 \( V_{it} = (\bar{A}_{i,t-1}, \bar{X}_{i,t-1}, s_i) \)。这个假设意味着：给定历史信息，处理效应是位置和时间的函数，且与个体特征无关（即效应是“同质的”给定位置和时间）。相比已有文献：传统 SNMM 假设 \( \psi \) 是常数或仅随时间变化，本文将其扩展到时空变化。
无未测量混杂（NUC）假设（公式 3）：对于每个 \( t \)，
\[A_{it} \perp Y_{it}(0) \mid V_{it}\]
即给定历史信息 \( V_{it} \)，处理 \( A_{it} \) 与未接受处理时的潜在结局独立。这是 SNMM 的标准假设，但本文未讨论空间混杂的可能性。
缺失机制假设（公式 4-5）：假设缺失倾向得分 \( \pi_m(V_{it}) = P(R_{it}=1 \mid V_{it}, Y_{it}) \) 满足：
\[\pi_m(V_{it}) = \pi_m(V_{it}, Y_{it}) \quad \text{（MNAR）}\]
为了识别，假设存在一个非响应工具变量 \( Z_{it} \subseteq V_{it} \)，使得 \( Z_{it} \) 与 \( Y_{it} \) 独立给定 \( V_{it} \) 和 \( R_{it}=1 \)。这个假设允许缺失机制依赖于未观测的结局，但通过工具变量实现识别。相比已有文献：传统方法假设 MAR（缺失随机），本文放松为 MNAR。
平滑性假设：\( \psi(s, t) \) 是 \( s \) 和 \( t \) 的平滑函数（如 Lipschitz 连续），使得局部核加权估计有效。
无干扰假设：一个个体的处理不影响另一个个体的结局。这是 SUTVA 的一部分，但本文未讨论其在空间环境中的合理性。

主要结果¶

定理 1（双重稳健性）：假设 NUC 假设和缺失机制假设成立。如果以下两个模型之一正确指定： - 结果回归模型 \( \mu(V_{it}) = E[Y_{it}(0) \mid V_{it}] \)（即未接受处理时的结局均值），或 - 缺失倾向得分模型 \( \pi_m(V_{it}) \)（即给定历史和结局下结局被观测到的概率），则本文提出的局部估计量 \( \hat{\psi}(s_0, t_0) \) 是 \( \psi(s_0, t_0) \) 的一致估计。

直觉：双重稳健性来源于估计方程的结构——它结合了结果回归的“插补”项和缺失倾向得分的“加权”项。只要其中一个模型正确，估计方程在期望下为零。

必要条件：核带宽 \( h \) 需要满足 \( h \to 0 \) 且 \( nh^2 \to \infty \)（即带宽趋于零但速度慢于 \( n^{-1/2} \)），以确保局部估计的一致性和渐近正态性。

解决的技术难点：在时空异质性设定下，如何构造一个同时处理时变混杂、空间相关性和信息缺失的估计方程，并证明其双重稳健性。本文的关键创新是将地理核加权与 SNMM 的 G-估计方程结合，并通过 IPW 处理缺失。

定理 2（渐近正态性）：在正则条件下，\( \hat{\psi}(s_0, t_0) \) 是渐近正态的，且其渐近方差可以通过“夹心”估计量一致估计。这为构造置信区间提供了理论基础。

证明路线与技术技巧¶

整体路线（3-5 步逻辑主干）：

构造局部估计方程：对于目标位置 \( s_0 \) 和时间 \( t_0 \)，定义
\[U(\psi; s_0, t_0) = \sum_{i=1}^n \sum_{t=1}^{T_i} K_h(s_i - s_0) \cdot w_h(t - t_0) \cdot \frac{R_{it}}{\pi_m(V_{it})} \cdot \left( Y_{it} - \psi(s_0, t_0) A_{it} - \mu(V_{it}) \right) \cdot A_{it}\]
其中 \( w_h(\cdot) \) 是时间核（可选，本文主要关注空间核）。这个方程是 G-估计方程 + 核加权 + IPW 的组合。
证明无偏性：在 NUC 假设下，证明 \( E[U(\psi_0; s_0, t_0)] = 0 \)，其中 \( \psi_0 \) 是真实参数。这一步依赖于 NUC 假设和缺失机制假设，以及核加权的局部性。
双重稳健性证明：将估计方程分解为两部分——一部分依赖于结果回归模型 \( \mu \)，另一部分依赖于缺失倾向得分模型 \( \pi_m \)。证明如果 \( \mu \) 正确，则即使 \( \pi_m \) 误设，方程期望仍为零；反之亦然。这是通过“双稳健估计方程”的标准技巧实现的（如 Bang & Robins 2005）。
渐近正态性证明：使用 M-估计理论（van der Vaart 1998），证明 \( \hat{\psi}(s_0, t_0) \) 是渐近正态的。关键步骤是：将估计方程在真实参数处线性展开，证明余项是 \( o_p(n^{-1/2}) \)，并推导渐近方差表达式。
方差估计：使用“夹心”估计量（sandwich estimator）一致估计渐近方差，从而构造置信区间。

关键跳跃点： - 核加权的局部性 vs. 双重稳健性的全局性：双重稳健性通常要求模型在全局范围内正确指定，但核加权只关注局部邻域。本文需要证明，在平滑性假设下，局部模型误设不会破坏双重稳健性。这是通过“局部线性近似”技巧实现的——假设 \( \mu(V_{it}) \) 和 \( \pi_m(V_{it}) \) 在局部邻域内是平滑的，因此局部模型误设的偏差是 \( o(1) \)。 - MNAR 下的 IPW：在 MNAR 设定下，\( \pi_m(V_{it}) \) 依赖于未观测的 \( Y_{it} \)，因此不能直接估计。本文假设存在非响应工具变量 \( Z_{it} \)，使得 \( \pi_m(V_{it}) \) 可以通过 \( Z_{it} \) 和 \( V_{it} \) 识别。这是通过“工具变量回归”技巧实现的（如 Wang et al. 2014）。

技术技巧点名： - G-估计方程：用于构造无偏估计方程，核心是“去处理效应后的结局”与处理的条件独立性。 - 地理核加权：用于局部估计，允许处理效应随空间平滑变化。 - 逆概率加权（IPW）：用于处理信息缺失，通过加权观测到的数据来“纠正”缺失偏差。 - 双重稳健性：通过结合结果回归和缺失倾向得分，实现“只要一个模型正确”的一致估计。 - 夹心估计量：用于渐近方差估计，提供稳健的置信区间。

真实例子与应用¶

数据：Smoke Sense 公民科学项目，通过智能手机应用收集的纵向健康数据。参与者自我报告健康症状（如呼吸症状、头痛）和防护行为（如戴口罩、待在室内、使用空气净化器）。数据包含地理位置（经纬度）和时间戳。

方法应用： 1. 处理变量：\( A_{it} \) 是二元变量，表示个体 \( i \) 在时间 \( t \) 是否采取了至少一种防护行为。 2. 结局变量：\( Y_{it} \) 是健康症状的严重程度评分（0-10 分）。 3. 协变量：包括年龄、性别、基础健康状况、空气污染暴露水平（PM2.5 浓度）、温度、湿度等。 4. 缺失机制：部分参与者在某些时间点未报告症状，假设缺失是 MNAR（即未报告症状的参与者可能症状更严重或更轻）。 5. 估计：使用本文提出的局部 SNMM 估计量，估计防护行为对健康症状的时空异质性效应。

结果： - 防护行为在美国西南部（如加利福尼亚、亚利桑那）对减轻健康症状有显著效果（效应估计为负，且置信区间不包含零）。 - 在西北部（如华盛顿、俄勒冈），防护行为的效果较小且不显著。 - 效应随时间变化：在野火季节高峰期（如 8-9 月），防护行为的效果更显著。

这个例子想说明什么： - 验证理论：展示了方法在真实数据中的可行性，并验证了时空异质性效应的存在。 - 展示相对 baseline 的优势：与全局 SNMM（假设效应为常数）相比，局部 SNMM 能捕捉到效应在空间上的变化，从而提供更精细的结论。 - 实际意义：为公共卫生决策提供空间差异化的建议——在西南部，推广防护行为可能更有效。

🔎 结论是否比证明窄¶

空间混杂问题：本文假设 NUC，但未讨论空间混杂的可能性。在真实数据中，未观测到的空间变量（如当地空气质量监测站的密度、医疗资源可及性）可能同时影响防护行为和健康结局。作者在讨论中提及 Guan et al. (2023) 的谱域方法作为未来方向，但未在本文中处理。因此，结论“防护行为有效”可能受到空间混杂的偏倚。
干扰问题：本文假设无干扰，但在空间环境中，一个个体的防护行为可能影响另一个个体的健康结局（如通过减少社区传播）。作者未讨论这一假设的合理性。因此，结论可能高估或低估了防护行为的真实效果。
缺失机制假设：本文假设存在非响应工具变量，但未在真实数据中验证这一假设的合理性。如果工具变量无效，估计量可能不一致。作者在模拟研究中假设了正确的工具变量，但未在真实数据中讨论其敏感性。

四、开放问题¶

空间混杂的敏感性分析：本文假设 NUC，但未处理空间混杂。能否将 Yang & Lok (2017) 的偏倚函数方法扩展到局部 SNMM，以量化空间混杂的影响？扎根点：讨论部分提及 Guan et al. (2023) 的谱域方法，但未深入。
空间干扰的建模：本文假设无干扰，但在空间环境中，干扰可能普遍存在。能否将空间权重矩阵引入 SNMM，建模干扰下的处理效应？扎根点：引言中引用 Reich et al. (2021) 的综述，其中讨论了空间干扰的挑战，但本文未处理。
多重稳健性扩展：本文实现了双重稳健性（结果回归或缺失倾向得分之一正确）。能否扩展到多重稳健性（如 Coulombe & Yang 2024），即多个模型中的任何一个正确即可？扎根点：讨论部分提及“Following Yang (2022) and Coulombe and Yang (2024), future work could enhance robustness against model misspecification.”
效率界与最优带宽：本文未推导局部 SNMM 估计量的半参数效率界，也未讨论最优带宽选择。能否在给定平滑性假设下，推导最优带宽下的效率界？扎根点：定理 2 给出了渐近方差表达式，但未讨论其与效率界的关系。

Maintained by 陈星宇 · Homepage · Source on GitHub