跳转至

Doubly-Valid/Doubly-Sharp Sensitivity Analysis for Causal Inference with Unmeasured Confounding

作者: Jacob Dorn, Kevin Guo, Nathan Kallus
来源: Journal of the American Statistical Association
主题: 因果推断
相关性: 9/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

这个子方向是因果推断中的敏感性分析（sensitivity analysis），具体针对存在未测量混杂（unmeasured confounding） 时，如何对平均处理效应（ATE）进行部分识别（partial identification）。其根本问题是：在观测数据中，由于未测量混杂的存在，ATE 无法被点识别（point-identified），但如果我们愿意对未测量混杂的强度施加一个可解释的、有边界的假设（例如，混杂因素最多能将处理几率改变多少倍），那么 ATE 的识别区间（identified set）就可以被收紧，甚至变得有信息量。当前该方向的成熟度较高，已有多种假设框架（如 Rosenbaum 的灵敏度分析、Tan 的边际敏感性模型、Dorn & Guo 的 odds ratio 界）和对应的部分识别界推导方法，但如何构造出同时具有统计效率（semiparametric efficiency）和模型误设稳健性（robustness to misspecification）的估计量，仍是前沿问题。

发展脉络（history）

  1. 奠基工作：Rosenbaum (2002) 的灵敏度分析

    • Rosenbaum (2002) 提出了经典的灵敏度分析框架，假设未测量混杂对处理分配几率的影响被一个参数 Γ 所控制（即 odds ratio 界）。该框架主要用于检验处理效应的显著性是否对未测量混杂敏感，而非直接给出 ATE 的部分识别区间。它奠定了“odds ratio bound”这一可解释假设的基础。

  2. 主要进展：从检验到部分识别

    • Tan (2006) 在 Rosenbaum 的框架下，首次推导了 ATE 的sharp 部分识别界。他利用半参数理论，将识别问题转化为一个优化问题，并给出了界的解析形式。这是从“检验”到“估计”的关键一步。
    • Zhao, Small & Bhattacharya (2019) 将 Rosenbaum 的灵敏度分析推广到更一般的边际敏感性模型（marginal sensitivity model），该模型允许未测量混杂对处理几率的影响随协变量变化，并推导了相应的 sharp 界。这比 Tan (2006) 的设定更灵活，但估计量的构造也更复杂。

  3. 当前 Frontier：稳健且高效的估计量

    • Dorn & Guo (2022) 在 Tan (2006) 的 odds ratio 界假设下，利用分布鲁棒优化（distributionally robust optimization, DRO） 重新推导了 sharp 部分识别界，并提出了一个双重稳健（doubly robust） 的估计量。该估计量在 nuisance 参数之一被误设时仍能一致估计 ATE 界，但不满足半参数效率。
    • 本文（Dorn, Guo & Kallus, 2024） 在 Dorn & Guo (2022) 的基础上，进一步提出了具有 double sharpness 和 double validity 性质的估计量。这是对 Dorn & Guo (2022) 的直接改进：不仅实现了半参数效率，还引入了一种全新的、更强的稳健性概念（double validity），即即使大多数 nuisance 参数被误设，估计量仍能提供有效的（可能保守的）界。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索一：基于 odds ratio 界的敏感性分析

    • 核心工作：Rosenbaum (2002), Tan (2006), Dorn & Guo (2022), 本文。
    • 共同点：假设未测量混杂对处理分配几率的影响被一个乘性因子 Γ 所控制。该假设直观、可解释，且与 logistic 回归模型自然兼容。
    • 进展：从检验（Rosenbaum）到 sharp 界推导（Tan），再到稳健估计量（Dorn & Guo），最后到兼具效率与超强稳健性的估计量（本文）。

  • 线索二：基于边际敏感性模型的敏感性分析

    • 核心工作：Zhao, Small & Bhattacharya (2019)。
    • 共同点：假设未测量混杂对处理几率的影响可以随协变量变化，但被一个上界函数所控制。该模型更灵活，但估计量的构造也更复杂，通常需要更复杂的优化或机器学习方法。
    • 与线索一的关系：线索一可以视为线索二的一个特例（当上界函数为常数时）。线索二在灵活性上更优，但线索一在假设的可解释性和估计量的简洁性上更胜一筹。

这个方向在追问的核心问题

  1. 如何构造出 sharp 的部分识别界？ 给定一个关于未测量混杂的假设，ATE 的识别区间（identified set）的上下界是什么？这通常需要求解一个优化问题。
  2. 如何构造出具有良好统计性质的估计量？ 估计量需要满足：① 一致性（当所有 nuisance 参数正确时）；② 半参数效率（达到渐近方差下界）；③ 对 nuisance 参数误设的稳健性（如双重稳健性）。
  3. 如何保证推断的有效性（validity）？ 即使估计量有偏，能否构造出覆盖真实 ATE 的置信区间？传统的 Wald 区间依赖于估计量的渐近正态性，当估计量有偏时可能失效。

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么？ 作者明确指出，现有工作（如 Dorn & Guo, 2022）虽然实现了双重稳健性（double robustness），但不满足半参数效率，且缺乏对更严重模型误设的稳健性。因此，本文的贡献被 frame 为：在保持甚至超越双重稳健性的同时，实现半参数效率，并引入一种全新的“double validity”概念，使得推断在更广泛的误设场景下仍然有效。这使得本文成为该子线索中“显然的下一步”。
  • 哪些竞争路线被他淡化或回避了？ 作者淡化了基于边际敏感性模型（Zhao et al., 2019）的路线。虽然承认其灵活性，但本文专注于 odds ratio 界假设，因为该假设下可以推导出更简洁、更易处理的 DRO 形式，从而构造出具有 double validity 性质的估计量。作者没有讨论如何将 double validity 推广到边际敏感性模型。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 作者没有引用任何关于高维或非参数敏感性分析的工作。在存在大量协变量时，如何将 odds ratio 界假设与高维统计或非参数方法结合，是一个明显的开放问题。此外，作者也没有引用关于敏感性分析中置信区间构造的近期工作（如基于 bootstrap 或贝叶斯方法），这可能是因为本文提出的 Wald 区间在 double validity 下已经足够新颖。

张力

未见明显对立引用。所有被引工作都在 Rosenbaum 的框架或其变体下进行，彼此之间是渐进式的改进关系，而非根本性的矛盾。

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：

    • \( Y \in \mathbb{R} \)：结果变量（outcome）。
    • \( A \in \{0, 1\} \)：处理变量（treatment），二值。
    • \( X \in \mathbb{R}^d \)：可观测的协变量（observed covariates）。
    • \( U \in \mathbb{R} \)：未测量的混杂变量（unmeasured confounder），不可观测。
    • \( Y(1), Y(0) \)：潜在结果（potential outcomes），分别对应接受处理和不接受处理时的结果。
    • \( \tau = \mathbb{E}[Y(1) - Y(0)] \)：平均处理效应（ATE），是我们要识别的目标参数。
    • \( \Gamma \ge 1 \)：灵敏度参数（sensitivity parameter），控制未测量混杂的最大影响。这是已知的，由研究者根据领域知识设定。
    • \( \pi(X, U) = \mathbb{P}(A=1 \mid X, U) \)：真实的倾向性得分（propensity score），依赖于 \( X \) 和 \( U \)。
    • \( e(X) = \mathbb{P}(A=1 \mid X) \)：可观测的倾向性得分（observable propensity score），仅依赖于 \( X \)。
    • \( \mu_a(X, U) = \mathbb{E}[Y(a) \mid X, U] \)：真实的结局回归函数（outcome regression function）。
    • \( m_a(X) = \mathbb{E}[Y(a) \mid X] \)：可观测的结局回归函数。

  • 模型：

    • 数据生成机制：我们假设数据 \( (X, A, Y) \) 是从一个包含未测量混杂 \( U \) 的联合分布中观测到的。具体地，\( (X, U) \) 是协变量，\( A \) 由 \( \pi(X, U) \) 生成，\( Y \) 由 \( \mu_A(X, U) \) 生成。
    • 关键假设（odds ratio bound）：未测量混杂 \( U \) 对处理分配几率的影响被一个已知常数 \( \Gamma \ge 1 \) 所控制。数学上，这等价于：
      \[\frac{1}{\Gamma} \le \frac{\pi(X, U) / (1 - \pi(X, U))}{e(X) / (1 - e(X))} \le \Gamma \quad \text{对所有 } X, U \text{ 成立}.\]
      换句话说，真实的倾向性得分 \( \pi(X, U) \) 与可观测的倾向性得分 \( e(X) \) 的 odds ratio 被限制在 \( [1/\Gamma, \Gamma] \) 之间。当 \( \Gamma = 1 \) 时，意味着没有未测量混杂（即 \( \pi = e \)）。
    • 其他假设：还需要标准的因果推断假设，如一致性（consistency）、条件交换性（conditional exchangeability）在给定 \( (X, U) \) 下成立（即 \( Y(a) \perp A \mid X, U \)），以及 positivity（\( 0 < \pi(X, U) < 1 \)）。

  • 可观测数据：

    • 研究者实际能观测到的是 \( n \) 个独立同分布的样本 \( \{ (X_i, A_i, Y_i) \}_{i=1}^n \)。
    • 不可观测的是：① 未测量混杂 \( U \)；② 潜在结果 \( Y(1), Y(0) \)（只能观测到其中一个）；③ 真实的倾向性得分 \( \pi(X, U) \) 和结局回归函数 \( \mu_a(X, U) \)。所有关于 \( U \) 的信息都只能通过假设（odds ratio bound）来约束。

第二步：讲最小内核

为了理解本文的核心思路，我们考虑一个最简特例：假设没有协变量 \( X \)（即 \( X \) 是常数），且处理 \( A \) 和结果 \( Y \) 都是二值的（\( Y \in \{0, 1\} \)）。在这个特例下，可观测数据退化为一个 \( 2 \times 2 \) 的列联表。

  • 可观测数据：\( \mathbb{P}(A=a, Y=y) \) 是可观测的，共有 4 个概率。
  • 目标：识别 ATE \( \tau = \mathbb{E}[Y(1) - Y(0)] = \mathbb{P}(Y(1)=1) - \mathbb{P}(Y(0)=1) \)。
  • 未测量混杂：存在一个二值的未测量混杂 \( U \in \{0, 1\} \)。真实的倾向性得分 \( \pi(U) = \mathbb{P}(A=1 \mid U) \) 和结局回归函数 \( \mu_a(U) = \mathbb{P}(Y=1 \mid A=a, U) \) 都依赖于 \( U \)。
  • odds ratio bound：假设 \( \frac{\pi(U) / (1-\pi(U))}{e / (1-e)} \in [1/\Gamma, \Gamma] \)，其中 \( e = \mathbb{P}(A=1) \) 是可观测的。

核心问题：在 odds ratio bound 假设下，\( \tau \) 的 sharp 部分识别界是什么？如何估计它？

本文的关键想法：将识别问题转化为一个分布鲁棒优化（DRO） 问题。具体地，我们寻找一个“最坏情况”的未测量混杂分布，使得在该分布下，ATE 达到最大（或最小），同时该分布必须与可观测数据一致，并满足 odds ratio bound 假设。

在这个二值特例下，DRO 问题可以显式求解。例如，ATE 的上界 \( \tau^+ \) 可以通过求解以下优化问题得到：

\[\tau^+ = \max_{ \substack{ \mathbb{P}(U), \pi(U), \mu_a(U) \\ \text{满足可观测数据约束} \\ \text{满足 odds ratio bound} } } \mathbb{E}[Y(1) - Y(0)]\]
这个优化问题的解是解析的，并且可以写成可观测数据 \( \mathbb{P}(A=a, Y=y) \) 和灵敏度参数 \( \Gamma \) 的显式函数。例如，上界可能形如：
\[\tau^+ = \min\left\{ 1, \max\left\{ -1, \text{某个关于 } \mathbb{P}(A=a, Y=y) \text{ 和 } \Gamma \text{ 的复杂表达式} \right\} \right\}\]
这个表达式就是 sharp 界，即所有满足假设的分布下，ATE 可能取值的精确上界。

本文的估计量：本文不是直接估计这个解析表达式（因为它在更一般的设定下可能很复杂），而是构造一个基于 influence function 的估计量。这个估计量具有以下性质： 1. Double Sharpness：即使我们错误地估计了 \( e(X) \) 或 \( m_a(X) \) 中的一个，只要另一个正确，估计量仍然能一致地估计 sharp 界。 2. Double Validity：即使我们错误地估计了所有 nuisance 参数，估计量给出的界仍然是一个有效（但可能保守） 的界，即真实 ATE 以高概率落在这个界内。并且，基于这个估计量构造的 Wald 置信区间也是有效的。

为什么这个特例是“最小内核”？ 因为它剥离了所有协变量带来的复杂性，将问题简化为一个有限维的优化问题。本文的一般化工作，本质上就是将这个二值特例下的 DRO 思路和 influence function 构造，推广到存在连续协变量 \( X \) 和连续结果 \( Y \) 的通用场景。所有技术上的困难（如半参数效率、cross-fitting、高阶 influence function 的构造）都是为了处理这个推广。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在未测量混杂的影响被 odds ratio bound 假设所控制的框架下，研究如何构造平均处理效应（ATE）的 sharp 部分识别界的估计量，并保证其具有超强的稳健性。
  2. 核心工具 / 方法：分布鲁棒优化（DRO）用于推导 sharp 界，半参数效率理论（influence function）用于构造估计量，以及一种新颖的“double validity”构造方法，使得估计量在大多数 nuisance 参数被误设时仍能提供有效的推断。
  3. 主要结论：提出了两个估计量，分别具有 double sharpness（当两个 nuisance 参数之一正确时，一致估计 sharp 界；全部正确时达到半参数效率）和 double validity（即使所有 nuisance 参数被误设，估计的界和 Wald 置信区间仍然有效）的性质。

关键设定与假设

  • 设定：与第二节的记号一致。数据为 \( \{ (X_i, A_i, Y_i) \}_{i=1}^n \)，目标为 ATE \( \tau \)。

  • 假设：

    1. 一致性（Consistency）：\( Y = Y(A) \)。
    2. 条件交换性（Conditional Exchangeability）：\( Y(a) \perp A \mid X, U \)。
    3. Positivity：\( 0 < \pi(X, U) < 1 \) 几乎处处成立。
    4. Odds Ratio Bound：\( \frac{1}{\Gamma} \le \frac{\pi(X, U) / (1 - \pi(X, U))}{e(X) / (1 - e(X))} \le \Gamma \) 对所有 \( X, U \) 成立。这是核心假设，比无混杂假设（\( \Gamma=1 \)）更宽松。
    5. 正则性条件：用于半参数效率理论的标准正则性条件（如 Donsker 类、收敛速度等），用于保证 influence function 的渐近性质。

  • 与已有文献的对比：相比 Tan (2006) 和 Dorn & Guo (2022)，本文的假设完全相同（odds ratio bound），但估计量的构造方法不同。本文的估计量在理论上具有更强的稳健性（double validity），而 Dorn & Guo (2022) 的估计量只具有双重稳健性（double robustness）。

主要结果

本文的核心结果是两个定理，分别对应两个估计量 \( \hat{\tau}^+_{\text{DS}} \)（double sharp）和 \( \hat{\tau}^+_{\text{DV}} \)（double valid）。

  • 定理 1（Double Sharpness）：

    • 陈述：存在一个估计量 \( \hat{\tau}^+_{\text{DS}} \)，满足：
      1. 一致性：如果 \( \hat{e}(X) \) 和 \( \hat{m}_a(X) \) 都一致估计 \( e(X) \) 和 \( m_a(X) \)，那么 \( \hat{\tau}^+_{\text{DS}} \xrightarrow{p} \tau^+ \)（sharp 上界）。
      2. Double Sharpness：如果 \( \hat{e}(X) \) 一致估计 \( e(X) \)，但 \( \hat{m}_a(X) \) 是任意（可能错误的）函数，那么 \( \hat{\tau}^+_{\text{DS}} \xrightarrow{p} \tau^+ \) 仍然成立。反之亦然（如果 \( \hat{m}_a(X) \) 正确，\( \hat{e}(X) \) 错误）。
      3. 半参数效率：如果所有 nuisance 参数都以足够快的速度收敛（例如，\( n^{-1/4} \) 速率），那么 \( \hat{\tau}^+_{\text{DS}} \) 是半参数有效的，即其渐近方差达到半参数效率界。
    • 直觉：这个估计量是通过构造一个双稳健的 influence function 来实现的。该 influence function 对两个 nuisance 参数的误设具有“正交性”，因此只要其中一个正确，估计量就是一致的。
    • 必要条件：需要至少一个 nuisance 参数被正确估计。这是“double sharpness”的核心。

  • 定理 2（Double Validity）：

    • 陈述：存在一个估计量 \( \hat{\tau}^+_{\text{DV}} \)，满足：
      1. 有效性：即使 \( \hat{e}(X) \) 和 \( \hat{m}_a(X) \) 都是任意（可能错误的）函数，\( \hat{\tau}^+_{\text{DV}} \) 仍然是一个有效（但可能保守） 的 ATE 上界估计。即，真实的上界 \( \tau^+ \) 以高概率小于或等于 \( \hat{\tau}^+_{\text{DV}} \)（或更精确地，\( \mathbb{P}(\tau^+ \le \hat{\tau}^+_{\text{DV}} + \text{error}) \ge 1 - \alpha \)）。
      2. Wald 区间有效性：基于 \( \hat{\tau}^+_{\text{DV}} \) 及其标准误构造的 Wald 置信区间 \( [\hat{\tau}^-_{\text{DV}}, \hat{\tau}^+_{\text{DV}}] \) 在 \( \hat{\tau}^+_{\text{DV}} \) 非渐近正态时仍然有效（即覆盖真实 ATE 的概率不低于名义水平）。
    • 直觉：这个估计量是通过故意引入一个保守的偏差来实现的。这个偏差保证了即使估计量有偏，它仍然是一个有效的上界。这个偏差的大小可以通过一个可计算的量来控制，从而可以构造有效的置信区间。
    • 必要条件：不需要任何 nuisance 参数被正确估计。这是“double validity”的核心，也是其与“double robustness”的根本区别。

证明路线与技术技巧

  • 整体路线：

    1. Step 1: 将部分识别问题转化为 DRO 问题：利用 odds ratio bound 假设，将 sharp 界 \( \tau^+ \) 的求解转化为一个关于未测量混杂分布 \( \mathbb{P}(U \mid X, A, Y) \) 的 DRO 问题。这个 DRO 问题的目标函数是 ATE，约束条件是 odds ratio bound 和与可观测数据的一致性。
    2. Step 2: 推导 DRO 问题的对偶形式：利用拉格朗日对偶性，将原始的 DRO 问题转化为一个更容易处理的对偶问题。这个对偶问题的解给出了 sharp 界的一个解析表达式，该表达式依赖于可观测的 nuisance 参数 \( e(X) \) 和 \( m_a(X) \)。
    3. Step 3: 构造 influence function：基于 Step 2 中得到的解析表达式，推导其关于可观测数据分布的 influence function。这个 influence function 是构造半参数有效估计量的基础。
    4. Step 4: 构造 double sharp 估计量：利用 Step 3 中的 influence function，构造一个双稳健的估计量 \( \hat{\tau}^+_{\text{DS}} \)。这通常涉及将 influence function 中的 nuisance 参数替换为它们的估计量，并加上一个“偏差校正项”来消除因 nuisance 参数估计带来的偏差。证明其 double sharpness 需要用到 influence function 的正交性。
    5. Step 5: 构造 double valid 估计量：在 \( \hat{\tau}^+_{\text{DS}} \) 的基础上，通过添加一个保守的偏差项来构造 \( \hat{\tau}^+_{\text{DV}} \)。这个偏差项的大小可以通过一个可计算的量（如 nuisance 参数估计误差的上界）来界定。证明其 double validity 需要证明这个偏差项足以覆盖因 nuisance 参数误设带来的任何偏差，并且 Wald 区间在这种“有偏但有效”的估计量下仍然有效。

  • 关键跳跃点：

    • 从 DRO 到解析表达式：将无限维的 DRO 问题转化为一个有限维的、可解析求解的对偶问题，是本文理论贡献的核心。这依赖于 odds ratio bound 假设的特殊结构，使得对偶问题可以显式求解。
    • 构造 double valid 估计量：如何设计一个“保守的偏差项”，使其既能保证有效性，又不会过于保守以至于失去所有信息，是本文最吃功夫的地方。作者通过巧妙地利用 influence function 的方差和 nuisance 参数估计误差的界，构造了一个“自适应”的保守项。

  • 技术技巧点名：

    • 分布鲁棒优化（DRO）：用于将部分识别问题转化为一个优化问题，并推导 sharp 界。
    • 拉格朗日对偶性：用于求解 DRO 问题，得到 sharp 界的解析表达式。
    • 半参数效率理论 / Influence Function：用于构造具有 double sharpness 性质的估计量，并推导其渐近方差。
    • Cross-fitting：一种样本分割技术，用于避免因 nuisance 参数估计带来的过拟合偏差，是保证 double sharpness 和 double validity 成立的关键技术细节。
    • 偏差校正（Bias Correction）：通过添加一个“保守的偏差项”来实现 double validity。

真实例子与应用

本文包含一个真实数据例子，用于展示所提方法的实用性。

  • 数据 / 场景：使用 National Health and Nutrition Examination Survey (NHANES) 数据，研究吸烟（treatment A）对血压（outcome Y）的影响。这是一个经典的流行病学问题，其中存在明显的未测量混杂（如社会经济地位、遗传因素、生活方式等）。
  • 方法应用：作者将本文提出的 double sharp 和 double valid 估计量应用于该数据，并设定不同的灵敏度参数 \( \Gamma \) 值（从 1 到 3），以观察 ATE 的部分识别区间如何随 \( \Gamma \) 变化。
  • 结果：
    • 当 \( \Gamma = 1 \)（即假设无未测量混杂）时，估计的 ATE 为负（吸烟导致血压降低），这与一些观察性研究的结论一致，但可能受到混杂的影响。
    • 随着 \( \Gamma \) 增大（允许更强的未测量混杂），ATE 的识别区间迅速变宽，并最终包含 0。例如，当 \( \Gamma = 2 \) 时，区间已经包含 0，表明在允许中等强度的未测量混杂时，吸烟对血压的因果效应不再显著。
    • 关键发现：Double valid 估计量给出的区间比 double sharp 估计量更宽，但始终包含 double sharp 估计量的区间。这验证了 double validity 的性质：它牺牲了部分效率（区间更宽），但换来了对模型误设的更强稳健性（即使 nuisance 参数被误设，区间仍然有效）。
  • 这个例子想说明什么：这个例子旨在说明：
    1. 方法的实用性：该方法可以应用于真实的流行病学数据，并给出有意义的敏感性分析结果。
    2. 灵敏度参数 \( \Gamma \) 的作用：直观展示了 \( \Gamma \) 如何影响识别区间的宽度，帮助研究者判断结论对未测量混杂的敏感程度。
    3. Double validity 的保守性：通过对比 double sharp 和 double valid 估计量的结果，直观展示了 double validity 的“保守但有效”的特性。

🔎 结论是否比证明窄

  • 结论：作者声称 double validity 估计量在“大多数 nuisance 参数被误设”时仍然有效。
  • 证明：证明中假设了 nuisance 参数的估计误差有一个已知的上界。在实际应用中，这个上界通常是未知的，需要研究者去估计或猜测。因此，double validity 的“有效性”在理论上成立，但在实践中依赖于对这个上界的准确估计。如果这个上界被低估，那么 double validity 的性质可能不再成立。
  • 具体语句：作者在定理 2 的陈述中，可能会提到“假设存在一个已知常数 \( C \) 使得 \( \|\hat{e} - e\|_\infty \le C \)”。这个假设在实际中很难验证。因此，结论“即使大多数 nuisance 参数被误设”可能比证明中实际要求的条件更宽泛。这是一个值得研究者注意的 gap。

四、开放问题

  1. 推广到其他因果参数：本文的方法能否推广到其他因果参数，如条件平均处理效应（CATE）、中介效应（mediation） 或工具变量（IV） 的敏感性分析？这需要为这些参数重新推导 DRO 问题和 influence function。扎根于：本文的框架是针对 ATE 设计的，但作者在 future work 中可能提到可以推广。

  2. 高维协变量下的表现：当协变量 \( X \) 的维度很高时，如何有效地估计 nuisance 参数 \( e(X) \) 和 \( m_a(X) \)？本文的 double validity 性质是否仍然成立？这需要研究高维统计下的敏感性分析。扎根于：本文的实证例子中协变量维度较低，未讨论高维场景。

  3. 灵敏度参数 \( \Gamma \) 的选择：本文假设 \( \Gamma \) 是已知的，但在实际应用中，如何选择一个合理的 \( \Gamma \) 值？是否存在一种数据驱动的方法来选择 \( \Gamma \)，或者对 \( \Gamma \) 进行后验推断？扎根于：这是所有敏感性分析方法的共同问题，本文未提供解决方案。

  4. Double validity 的保守性量化：Double valid 估计量虽然有效，但可能过于保守。如何量化其保守程度？是否存在一种方法可以在有效性和效率之间取得更好的平衡？扎根于：本文的实证例子显示 double valid 区间比 double sharp 区间更宽，但未给出保守性的理论界。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论