Causal inference with invalid instruments: post-selection problems and a solution using searching and sampling¶

作者: Zijian Guo
来源: Journal of the Royal Statistical Society Series B
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¶

这个子方向关注的是工具变量（IV）方法中，当部分工具变量可能无效（violate exclusion restriction 或 independence assumption）时，如何对因果效应进行识别和推断。核心挑战在于：研究者通常无法事先知道哪些 IV 是有效的，因此需要依赖数据驱动的选择程序（如 Lasso、投票规则）来筛选有效 IV，但这一选择过程本身会引入不确定性，导致后续的置信区间覆盖不足（即后选择推断问题）。该方向当前处于从“识别与点估计”向“稳健推断”过渡的阶段——已有大量工作解决了在无效 IV 存在下的点估计一致性，但如何构造均匀有效的置信区间仍是开放问题。

发展脉络（history）¶

奠基工作：Kang et al. (2016, sisVIVE) 首次提出在多数规则（majority rule，即超过 50% 的 IV 有效）下，通过 ℓ1 惩罚估计同时识别有效 IV 和因果效应，并给出理论保证。这是该子方向的起点，但只解决了点估计，未处理推断。
主要进展（识别条件弱化）：Guo et al. (2018) 和 Hartwig et al. (2017) 将识别条件从多数规则弱化为多数投票规则（plurality rule）——即有效 IV 组是最大的、具有相同因果效应估计的组，而不要求超过 50%。这大大拓宽了适用场景。同时，Bowden et al. (2015, MR-Egger) 和 Bowden et al. (2016, weighted median) 从 MR 应用角度提出了对无效 IV 稳健的估计量，但它们的识别假设（如 InSIDE 条件）与多数/多数投票规则不同。
当前 frontier（后选择推断）：Windmeijer et al. (2021, CIIV) 和 Windmeijer et al. (2019, CI method) 提出了基于置信区间重叠的 IV 选择方法，并证明了 oracle 性质（即若选择正确，估计量渐近等价于已知有效 IV 时的估计）。但本文（Guo, 2023）指出，这些方法未考虑选择错误时的推断有效性——当有效/无效 IV 难以区分时（如信号较弱），选择程序可能出错，导致置信区间覆盖不足。
本文的位置：本文是第一个系统处理后选择推断问题在无效 IV 设定下的工作。它不依赖 IV 选择的一致性，而是通过“搜索 + 抽样”构造对选择错误均匀有效的置信区间。这与高维推断文献（Zhang & Zhang, 2014; Javanmard & Montanari, 2014; van de Geer et al., 2014）中的 debiased Lasso 思路有平行之处，但后者处理的是高维协变量选择后的推断，而本文处理的是 IV 选择后的推断。

子线索聚类¶

这些被引文献大致落在三条子线索上：

基于投票规则的识别与估计（核心线索）：
Kang et al. (2016): 多数规则 + ℓ1 惩罚估计（sisVIVE）。
Guo et al. (2018): 多数投票规则 + 硬阈值投票（HT）方法。
Hartwig et al. (2017): 零模态多效性假设（zero modal pleiotropy），等价于多数投票规则。
Windmeijer et al. (2019, 2021): CI 方法和 CIIV 方法，基于置信区间重叠选择有效 IV。
共同点：依赖某种“多数”或“众数”条件来识别有效 IV，但推断阶段未考虑选择不确定性。
基于正交性/异方差性的识别（替代线索）：
Bowden et al. (2015, MR-Egger): 假设 IV 的直接效应与 IV-处理关联近似正交（InSIDE 条件）。
Kolesár et al. (2015): 假设直接效应与 IV-处理关联不相关。
Tchetgen Tchetgen et al. (2021, MR MiSTERI): 利用异方差协方差限制识别。
共同点：不依赖多数规则，而是通过结构假设（如正交性、异方差）在全部 IV 无效时仍可识别。但假设较强，且通常需要 IV 数量较大。
后选择/高维推断（方法论背景）：
Berk et al. (2013), Lee et al. (2016): 精确后选择推断（基于选择事件的截断分布）。
Zhang & Zhang (2014), Javanmard & Montanari (2014), van de Geer et al. (2014): debiased Lasso 用于高维回归中的推断。
Chernozhukov et al. (2015): 后正则化推断（post-regularization inference）。
共同点：处理模型选择后的推断问题，但通常假设选择程序是“好”的（如 Lasso 的 oracle 性质），或依赖选择事件的精确刻画。本文的“搜索 + 抽样”方法不依赖选择一致性，是这一线索在 IV 设定下的新应用。

这个方向在追问的核心问题¶

识别：在多少 IV 无效、以及无效 IV 以何种模式存在时，因果效应仍可被识别？多数规则 vs. 多数投票规则 vs. 正交性条件，哪个更弱、更可信？
估计：如何构造对无效 IV 稳健的点估计？现有方法（sisVIVE、HT、CIIV）的有限样本表现如何？
推断：在数据驱动选择 IV 后，如何构造覆盖概率正确的置信区间？后选择偏差如何校正？
均匀有效性：置信区间能否在“有效 IV 组几乎可分”和“难以区分”两种情形下都保持正确覆盖？现有方法在后者下会失败。

已知瓶颈：现有推断方法（如 Windmeijer et al., 2021 的 CIIV 置信区间）假设选择程序能一致地选出有效 IV，或至少选择错误是“局部”的（即只有弱无效 IV 可能被误选）。当有效/无效 IV 的信号强度相近时，选择错误可能很大，导致置信区间覆盖远低于名义水平。本文直接针对这一瓶颈。

⚠️ 作者的 framing¶

作者将缺口 frame 成：“现有方法（如 CIIV）的置信区间在有效/无效 IV 难以区分时覆盖不足，因为选择错误被忽略。本文通过搜索 + 抽样构造对选择错误均匀有效的置信区间，且达到参数长度。” 这一定位使得本文成为“显然的下一步”——在点估计问题已被广泛研究后，推断问题自然成为焦点。

被淡化或回避的竞争路线： - 作者将 MR-Egger 和 Kolesár et al. (2015) 归为“假设直接效应与 IV-处理关联正交”的路线，并指出其假设与多数规则不同。但未深入讨论：当多数规则不成立但正交性成立时，本文方法是否仍适用？答案是否定的——本文的搜索方法依赖于多数/多数投票规则，无法处理全部 IV 无效的情形。 - 作者未讨论 Tchetgen Tchetgen et al. (2021) 的异方差方法在推断上的表现——该方法是否也存在后选择问题？可能没有，因为它不涉及 IV 选择，但识别假设更强。

什么明显该被引/该存在、却没出现在 intro 里？ - 无。intro 的引用覆盖了该子方向的主要工作，包括识别（Kang et al., 2016; Guo et al., 2018）、估计（Windmeijer et al., 2019, 2021）、替代识别策略（Bowden et al., 2015; Kolesár et al., 2015; Tchetgen Tchetgen et al., 2021）以及后选择推断的一般方法（Berk et al., 2013; Lee et al., 2016; Zhang & Zhang, 2014 等）。未见明显遗漏。

张力¶

未见明显对立引用。各条线索（多数规则 vs. 正交性 vs. 异方差）的假设不同，但作者将其视为互补而非矛盾——不同假设适用于不同场景。唯一潜在的张力是：Windmeijer et al. (2021) 的 CIIV 方法声称在多数投票规则下 oracle 性质成立，但本文指出其置信区间在有限样本下可能覆盖不足。这不是理论矛盾，而是有限样本表现与渐近性质之间的差距。

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： - \( Y \in \mathbb{R}^n \)：结果变量（outcome），可观测。 - \( D \in \mathbb{R}^n \)：处理变量（treatment），可观测，可能是内生的（与误差项相关）。 - \( Z \in \mathbb{R}^{n \times p_z} \)：工具变量（IVs），可观测。\( p_z \) 是 IV 的数量，可能很大（甚至大于 \( n \)）。 - \( X \in \mathbb{R}^{n \times p_x} \)：协变量（covariates），可观测，用于调整可观测的混杂。 - \( \beta \in \mathbb{R} \)：目标参数——处理 \( D \) 对结果 \( Y \) 的因果效应（假设为常数，线性模型）。 - \( \pi \in \mathbb{R}^{p_z} \)：每个 IV 对处理的效应（first-stage coefficients），可估。 - \( \gamma \in \mathbb{R}^{p_z} \)：每个 IV 对结果的直接效应（direct effect），即绕过处理 \( D \) 的路径。这是关键：若 IV \( j \) 是有效的，则 \( \gamma_j = 0 \)；若无效，则 \( \gamma_j \neq 0 \)。 - \( \epsilon \in \mathbb{R}^n \)：结果方程的误差项，包含未观测混杂。 - \( \eta \in \mathbb{R}^n \)：处理方程的误差项。 - \( \mathcal{V} \subseteq \{1, \dots, p_z\} \)：有效 IV 的指标集（未知）。 - \( \mathcal{I} = \{1, \dots, p_z\} \setminus \mathcal{V} \)：无效 IV 的指标集（未知）。

模型（线性 IV 模型，含可能的无效 IV）：

\[Y = D\beta + Z\gamma + X\alpha + \epsilon, \quad \mathbb{E}[\epsilon | Z, X] = 0\]

\[D = Z\pi + X\delta + \eta, \quad \mathbb{E}[\eta | Z, X] = 0\]

其中 \( \gamma_j = 0 \) 当且仅当 IV \( j \) 有效。注意：第一式中的 \( Z\gamma \) 项捕捉了无效 IV 对结果的直接效应（violation of exclusion restriction）。若所有 IV 有效，则 \( \gamma = 0 \)，模型退化为标准 IV 模型。

可观测数据：研究者观测到 \( \{Y_i, D_i, Z_i, X_i\}_{i=1}^n \)，即 \( n \) 个独立同分布样本。不可观测的是： - 误差项 \( \epsilon, \eta \)（包含未观测混杂）。 - 有效 IV 集 \( \mathcal{V} \)。 - 直接效应向量 \( \gamma \)（只能估计，不能直接观测）。

识别条件（多数规则 / 多数投票规则）： - 多数规则（majority rule）：\( |\mathcal{V}| > p_z / 2 \)，即超过一半的 IV 有效。 - 多数投票规则（plurality rule）：有效 IV 组是最大的、具有相同 \( \pi_j \beta + \gamma_j \) 值的组。注意：在模型下，每个 IV 的“简约式”系数（reduced-form coefficient）为 \( \pi_j \beta + \gamma_j \)。若 IV \( j \) 有效（\( \gamma_j = 0 \)），则其简约式系数为 \( \pi_j \beta \)；若无效，则为 \( \pi_j \beta + \gamma_j \)。多数投票规则要求：存在一个 \( \beta \) 值，使得至少有 \( |\mathcal{V}| \) 个 IV 的简约式系数等于 \( \pi_j \beta \)（即 \( \gamma_j = 0 \)），且这个组是最大的。这比多数规则更弱——例如，若 40% 的 IV 有效，其余 60% 的无效 IV 的 \( \gamma_j \) 各不相同，则有效 IV 组仍是最大的组。

第二步：讲最小内核¶

最简特例：假设 \( p_z = 3 \) 个 IV，且多数规则成立（至少 2 个有效）。为简化，忽略协变量 \( X \) 和 first-stage 的估计误差（即假设 \( \pi \) 已知或可精确估计）。那么模型退化为：

\[Y = D\beta + Z\gamma + \epsilon, \quad \mathbb{E}[\epsilon | Z] = 0\]

其中 \( \gamma_1 = 0, \gamma_2 = 0 \)（IV 1 和 2 有效），\( \gamma_3 \neq 0 \)（IV 3 无效）。目标：估计 \( \beta \) 并构造置信区间。

核心思路（搜索）：如果研究者“猜”一个 \( \beta \) 值，记为 \( \tilde{\beta} \)，那么可以计算每个 IV 的“残差直接效应”估计：

\[\hat{\gamma}_j(\tilde{\beta}) = \text{简约式系数}_j - \pi_j \tilde{\beta}\]

若 \( \tilde{\beta} \) 等于真实 \( \beta \)，则对于有效 IV（\( j=1,2 \)），\( \hat{\gamma}_j(\tilde{\beta}) \) 应接近 0；对于无效 IV（\( j=3 \)），\( \hat{\gamma}_3(\tilde{\beta}) \) 应远离 0。因此，可以定义一个“有效 IV 计数”：

\[S(\tilde{\beta}) = \sum_{j=1}^{p_z} \mathbb{I}\left( |\hat{\gamma}_j(\tilde{\beta})| \leq \lambda \right)\]

其中 \( \lambda \) 是一个阈值。在多数规则下，若 \( \tilde{\beta} = \beta \)，则 \( S(\tilde{\beta}) \geq 2 \)（至少 2 个 IV 被判定为有效）；若 \( \tilde{\beta} \) 远离 \( \beta \)，则有效 IV 的 \( \hat{\gamma}_j(\tilde{\beta}) \) 也会远离 0，导致 \( S(\tilde{\beta}) \) 变小。因此，搜索所有使 \( S(\tilde{\beta}) \geq 2 \) 的 \( \tilde{\beta} \) 值，这些值的集合就是一个置信区间——它包含了真实 \( \beta \)，因为真实 \( \beta \) 必然使至少 2 个 IV 的 \( \hat{\gamma}_j \) 接近 0。

为什么这能处理后选择问题？ 传统方法先选择有效 IV（如通过 Lasso 或投票），再用选出的 IV 做两阶段最小二乘（2SLS）并构造置信区间。若选择错误（如把 IV 3 误选为有效），置信区间会偏。而搜索方法不依赖单一选择结果——它检查每个候选 \( \beta \) 值下有多少 IV 看起来有效，只要真实 \( \beta \) 使多数 IV 有效，它就会被包含在搜索区间内。选择错误只会影响区间长度，不会导致覆盖不足。

最小内核的数学表述：在多数规则下，搜索置信区间为：

\[CI_{\text{search}} = \left\{ \beta \in \mathbb{R} : \sum_{j=1}^{p_z} \mathbb{I}\left( |\hat{\gamma}_j(\beta)| \leq \lambda \right) > \frac{p_z}{2} \right\}\]

其中 \( \hat{\gamma}_j(\beta) \) 是基于 \( \beta \) 的残差直接效应估计。该区间以概率至少 \( 1-\alpha \) 覆盖真实 \( \beta \)，且长度随 \( n \) 以 \( O_p(1/\sqrt{n}) \) 收缩（参数长度）。

抽样步骤的作用：搜索区间可能很宽（因为阈值 \( \lambda \) 需保守选择以保证覆盖）。抽样步骤通过从 \( \hat{\gamma} \) 的渐近分布中重复采样，对每个候选 \( \beta \) 计算“有效 IV 比例”的置信下界，从而缩小区间。这类似于 bootstrap 校准，但理论分析更精细。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在存在无效工具变量的线性 IV 模型中，如何构造对有效/无效 IV 的误分（misclassification）均匀有效的置信区间。
核心工具/方法：提出“搜索 + 抽样”两步法——先搜索所有使足够多 IV 被判定为有效的处理效应值，再通过从估计量的渐近分布中抽样来缩小区间长度。
主要结论：在有限样本多数规则和多数投票规则下，构造的置信区间均匀有效（覆盖概率 ≥ 名义水平），且长度达到参数速率 \( O_p(1/\sqrt{n}) \)。模拟和实证（教育对收入的影响）验证了方法。

关键设定与假设¶

完整模型（同第二节，但加上协变量 \( X \)）：

\[Y = D\beta + Z\gamma + X\alpha + \epsilon, \quad \mathbb{E}[\epsilon | Z, X] = 0\]

\[D = Z\pi + X\delta + \eta, \quad \mathbb{E}[\eta | Z, X] = 0\]

其中 \( \gamma_j = 0 \) 当且仅当 IV \( j \) 有效。\( \beta \) 是标量目标参数。

关键假设（本文的 Assumptions 1-4，简化表述）： - Assumption 1 (线性模型与矩条件)：如上模型成立，且 \( \mathbb{E}[\epsilon | Z, X] = 0 \)。这是标准 IV 假设，但允许 \( \gamma \neq 0 \)。 - Assumption 2 (识别条件)：多数规则（\( |\mathcal{V}| > p_z/2 \)）或多数投票规则（有效 IV 组是最大的同质组）。这是本文方法有效的前提。 - Assumption 3 (稀疏性)：无效 IV 的数量 \( |\mathcal{I}| \) 小于 \( p_z/2 \)（多数规则下）或小于最大同质组的大小（多数投票规则下）。这等价于 Assumption 2。 - Assumption 4 (正则条件)：设计矩阵 \( [Z, X] \) 满足某些特征值条件（如 restricted eigenvalue condition），确保 first-stage 估计 \( \hat{\pi} \) 和简约式估计的一致性。这是高维推断的标准假设。

相比已有文献的放宽/强化： - 放宽：不假设 IV 选择的一致性（即不要求 \( \hat{\mathcal{V}} \to \mathcal{V} \)），而 Windmeijer et al. (2021) 的 oracle 性质依赖此条件。 - 强化：要求多数/多数投票规则成立，而 MR-Egger 和 Kolesár et al. (2015) 不依赖此规则（但依赖正交性假设）。本文方法在多数规则不成立时（如全部 IV 无效）无法使用。

主要结果¶

Theorem 1 (搜索置信区间的均匀有效性)：在 Assumptions 1-4 和多数规则下，搜索置信区间 \( CI_{\text{search}} \) 满足：

\[\liminf_{n \to \infty} \inf_{P \in \mathcal{P}} \mathbb{P}_P(\beta \in CI_{\text{search}}) \geq 1 - \alpha\]

其中 \( \mathcal{P} \) 是满足假设的所有数据生成过程（包括有效/无效 IV 难以区分的“坏”情形）。区间长度为 \( O_p(1/\sqrt{n}) \)。

直觉：搜索区间通过检查每个候选 \( \beta \) 下“看起来有效”的 IV 数量来工作。只要真实 \( \beta \) 使多数 IV 有效（由多数规则保证），它就会被包含。均匀性来自对阈值 \( \lambda \) 的保守选择（基于 concentration inequalities），确保即使在最坏情形下，真实 \( \beta \) 也不会被排除。
必要条件：多数规则必须成立。若多数规则不成立（如恰好 50% 的 IV 有效），搜索区间可能退化为整个实数轴。
解决的技术难点：如何选择阈值 \( \lambda \) 使得：① 真实 \( \beta \) 下，有效 IV 的 \( |\hat{\gamma}_j(\beta)| \) 以高概率小于 \( \lambda \)；② 错误 \( \beta \) 下，有效 IV 的 \( |\hat{\gamma}_j(\beta)| \) 以高概率大于 \( \lambda \)。这需要精细的 uniform deviation bounds。

Theorem 2 (抽样置信区间的改进)：在相同假设下，抽样置信区间 \( CI_{\text{samp}} \) 满足：

\[\liminf_{n \to \infty} \inf_{P \in \mathcal{P}} \mathbb{P}_P(\beta \in CI_{\text{samp}}) \geq 1 - \alpha\]

且其长度渐近地不大于搜索区间，且在有效/无效 IV 容易区分时严格更短。

直觉：抽样步骤通过从 \( \hat{\gamma} \) 的渐近正态分布中重复采样，对每个候选 \( \beta \) 计算“有效 IV 比例”的置信下界。这允许使用更小的阈值 \( \lambda \)（因为抽样校准了随机性），从而缩小区间。
技术细节：抽样步骤需要 \( \hat{\gamma} \) 的协方差矩阵估计，本文使用 sandwich estimator。抽样次数 \( M = 1000 \) 足够。

Theorem 3 (多数投票规则下的扩展)：将 Theorems 1-2 推广到多数投票规则。此时，搜索区间定义为：

\[CI_{\text{search}} = \left\{ \beta : \text{存在一组 IV，其 } |\hat{\gamma}_j(\beta)| \leq \lambda \text{，且该组的大小大于任何其他组} \right\}\]

均匀有效性仍然成立。

直觉：多数投票规则下，有效 IV 组不一定是多数，但必须是最大的同质组。搜索区间需要检查所有可能的“组划分”，计算量更大，但理论性质类似。

证明路线与技术技巧¶

整体路线（以多数规则下的 Theorem 1 为例，3-5 步逻辑主干）：

第一步：构造搜索集。定义 \( S(\beta) = \sum_{j=1}^{p_z} \mathbb{I}(|\hat{\gamma}_j(\beta)| \leq \lambda) \)，其中 \( \hat{\gamma}_j(\beta) = \hat{\Gamma}_j - \hat{\pi}_j \beta \)（\( \hat{\Gamma}_j \) 是简约式系数估计，\( \hat{\pi}_j \) 是 first-stage 系数估计）。搜索区间为 \( CI_{\text{search}} = \{\beta : S(\beta) > p_z/2\} \)。
第二步：证明真实 \( \beta \) 被包含。在真实 \( \beta \) 下，对每个有效 IV \( j \in \mathcal{V} \)，有 \( \gamma_j = 0 \)，因此 \( \hat{\gamma}_j(\beta) = \hat{\Gamma}_j - \hat{\pi}_j \beta = (\Gamma_j - \pi_j \beta) + \text{估计误差} = 0 + \text{估计误差} \)。通过 concentration inequality（如 Vershynin, 2010 的 sub-Gaussian tail bound），证明 \( \max_{j \in \mathcal{V}} |\hat{\gamma}_j(\beta)| \leq \lambda \) 以高概率成立，只要 \( \lambda \) 足够大（如 \( \lambda = C \sqrt{\log(p_z)/n} \)）。因此 \( S(\beta) \geq |\mathcal{V}| > p_z/2 \)，真实 \( \beta \) 被包含。
第三步：证明错误 \( \beta \) 被排除（均匀性关键）。对任意 \( \beta' \neq \beta \)，考虑有效 IV \( j \in \mathcal{V} \)。此时 \( \hat{\gamma}_j(\beta') = \hat{\Gamma}_j - \hat{\pi}_j \beta' = (\Gamma_j - \pi_j \beta') + \text{估计误差} = \pi_j(\beta - \beta') + \text{估计误差} \)。若 \( |\beta - \beta'| \) 足够大，则 \( |\pi_j(\beta - \beta')| \) 大于 \( 2\lambda \)（假设 \( \pi_j \) 有下界），因此 \( |\hat{\gamma}_j(\beta')| > \lambda \) 以高概率成立。这意味着所有有效 IV 都被排除，\( S(\beta') \leq p_z - |\mathcal{V}| < p_z/2 \)，因此 \( \beta' \) 不在区间内。均匀性来自：上述论证对 \( \beta' \) 的依赖是 uniform 的（通过 empirical process 技巧处理 \( \sup_{\beta'} \)）。
第四步：区间长度分析。由第三步，任何 \( \beta' \) 若满足 \( |\beta - \beta'| > C / \sqrt{n} \)（其中 \( C \) 依赖于 \( \min_j |\pi_j| \)），则被排除。因此区间长度 \( O_p(1/\sqrt{n}) \)。
第五步：抽样步骤的改进。抽样步骤用 \( \hat{\gamma} \) 的渐近分布替代 pointwise thresholding：对每个候选 \( \beta \)，从 \( N(\hat{\gamma}(\beta), \hat{\Sigma}) \) 中抽取 \( M \) 个样本，计算每个样本下“有效 IV 数量”的分位数，用该分位数替代硬阈值 \( \lambda \)。这允许使用更小的有效阈值，从而缩小区间。

关键跳跃点： - 最吃劲的引理：Lemma 1（uniform deviation bound for \( \hat{\gamma}_j(\beta) \) over \( \beta \) and \( j \)）。难点在于 \( \hat{\gamma}_j(\beta) \) 是 \( \beta \) 的线性函数，但 \( \beta \) 的搜索范围是无界的。作者通过将 \( \beta \) 限制在 compact set 上（由 first-stage 强度保证），再应用 empirical process 的 chaining 技巧来控制 \( \sup_{\beta, j} |\hat{\gamma}_j(\beta) - \mathbb{E}[\hat{\gamma}_j(\beta)]| \)。 - 绕过去的办法：不直接处理选择程序的分布（如 Lee et al., 2016 的 exact post-selection inference），而是通过“搜索”绕过选择——不选 IV，而是检查每个 \( \beta \) 下 IV 的“表现”。这避免了刻画选择事件的复杂几何。

技术技巧点名： - Concentration inequalities（Vershynin, 2010）：用于控制 \( \hat{\pi}_j \) 和 \( \hat{\Gamma}_j \) 的估计误差，选择阈值 \( \lambda \)。 - Empirical process / chaining：用于 uniform bound over \( \beta \)。 - Sandwich covariance estimation：用于抽样步骤中 \( \hat{\gamma} \) 的协方差估计。 - Bootstrap / sampling from asymptotic distribution：抽样步骤本质上是 parametric bootstrap，但理论分析基于渐近正态性而非重抽样一致性。

真实例子与应用¶

数据：来自 Behrman et al. (2012) 的智利家庭调查数据，研究教育对收入的影响。样本量 \( n = 1368 \)。处理变量 \( D \) 是受教育年限，结果 \( Y \) 是 log 收入。

IV 集：\( p_z = 20 \) 个 IV，包括： - 家庭背景变量（父亲教育、母亲教育、配偶教育、家庭规模、过去 12 个月教育支出的 log）。 - 按年龄、性别、地区分组的平均受教育年限（group-level years of education）。 - 个人特质变量（关于公平竞争、天赋、努力、运气、社会联系的陈述）。

协变量：\( p_x = 10 \) 个协变量，包括年龄、年龄平方、性别、地区等。

方法应用： 1. 用 debiased Lasso（Zhang & Zhang, 2014）估计 first-stage 系数 \( \hat{\pi} \) 和简约式系数 \( \hat{\Gamma} \)。 2. 应用搜索 + 抽样方法构造 \( \beta \) 的 95% 置信区间。 3. 与现有方法对比：CIIV（Windmeijer et al., 2021）、HT（Guo et al., 2018）、sisVIVE（Kang et al., 2016）、MR-Egger（Bowden et al., 2015）、weighted median（Bowden et al., 2016）。

结果： - 搜索置信区间：\( [0.042, 0.098] \)（教育每增加一年，收入增加约 4.2%-9.8%）。 - 抽样置信区间：\( [0.048, 0.092] \)（更窄）。 - 对比方法：CIIV 给出 \( [0.052, 0.088] \)，HT 给出 \( [0.050, 0.090] \)，sisVIVE 给出 \( [0.045, 0.095] \)。所有区间大致重叠，但本文区间略宽（反映了对选择错误的保守性）。 - MR-Egger 和 weighted median 给出不同结果（MR-Egger 的区间更宽且包含 0），说明不同识别假设导致不同结论。

这个例子想说明什么： - 验证理论：在真实数据中，搜索 + 抽样区间确实覆盖了所有对比方法的点估计，且长度合理（参数速率）。 - 展示保守性 vs. 效率的权衡：搜索区间比 CIIV 略宽，但作者声称这是“为均匀有效性付出的代价”——在模拟中，当有效/无效 IV 难以区分时，CIIV 的覆盖可能低于 95%，而本文方法保持覆盖。 - 实际意义：教育对收入的正效应在统计上显著，且估计值在经济意义上合理。

🔎 结论是否比证明窄¶

是，有一处明显的窄化： - 本文的 Theorem 1-3 在有限样本多数/多数投票规则下证明，但作者在 Abstract 和 Introduction 中多次使用“uniformly valid”这一术语，暗示对所有满足假设的数据生成过程有效。然而，证明中依赖的 Assumption 4（设计矩阵的特征值条件）在 \( p_z > n \) 时可能不成立（尽管 debiased Lasso 可以处理高维，但本文的搜索步骤需要 \( \hat{\pi}_j \) 对每个 IV 一致估计，这在 \( p_z > n \) 时通常不成立）。因此，本文的均匀有效性严格限于 \( p_z < n \) 或 \( p_z \) 略大于 \( n \) 但稀疏性很强的设定。作者在 Section 5 的模拟中只考虑了 \( p_z = 20, n = 500 \) 和 \( p_z = 100, n = 500 \)（后者 \( p_z < n \) 不成立，但通过稀疏性假设 \( |\mathcal{V}| = 10 \) 来缓解），未明确讨论 \( p_z \gg n \) 的情形。

另一处：Theorem 3（多数投票规则）的证明假设“有效 IV 组是唯一的最大组”，但未处理“有两个大小相等的最大组”的情形（此时识别失败）。作者在 Assumption 2 中隐含了唯一性，但未在正文中明确讨论这一边界情况。

四、开放问题¶

扩展到非线性模型：本文的搜索 + 抽样方法依赖于线性模型和矩条件。能否推广到二元处理/结果（如 probit/logit IV）或更一般的半参数模型？这需要重新定义“有效 IV 计数”和搜索集。扎根于：本文 Assumption 1（线性模型）。
多数规则不成立时的推断：当多数规则和多数投票规则都不成立时（如全部 IV 无效，或有效 IV 组不是最大组），本文方法失效。能否结合正交性条件（如 MR-Egger）或异方差条件（如 MR MiSTERI）构造类似的搜索区间？扎根于：本文 Assumption 2（识别条件）和作者在 Introduction 中对替代识别策略的引用（Bowden et al., 2015; Tchetgen Tchetgen et al., 2021）。
高维 IV 下的计算效率：本文的搜索步骤需要对每个候选 \( \beta \) 计算 \( S(\beta) \)，当 \( p_z \) 很大时（如 \( p_z = 10^4 \) 的 MR 研究），网格搜索的计算成本可能过高。能否设计更高效的搜索算法（如基于二分法或凸优化）？扎根于：本文 Algorithm 1 的网格搜索描述。
与 exact post-selection inference 的联系：本文通过“搜索”绕过选择，但 Lee et al. (2016) 的 exact post-selection inference 提供了另一种思路——刻画选择事件的几何结构，然后条件推断。能否将后者的框架应用于 IV 选择问题，得到比搜索更窄的置信区间？扎根于：本文对 Lee et al. (2016) 的引用（Introduction），以及作者在 Section 6 中提到的“未来工作可能考虑更高效的推断方法”。

Maintained by 陈星宇 · Homepage · Source on GitHub