跳转至

Maxway CRT: improving the robustness of the model-X inference

作者: Shuangning Li, Molei Liu
来源: Journal of the Royal Statistical Society Series B
主题: 因果推断
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：在高维协变量 Z 存在的情况下，如何检验条件独立性假设 H₀: X ⟂ Y | Z（即给定 Z 时 X 与 Y 独立），且检验能在有限样本下控制第一类错误（type-I error），同时不要求对 Y|(X,Z) 的模型做任何参数假设。 该问题的核心挑战在于：Z 的维度可能远大于样本量，传统的参数检验（如线性模型中的 t 检验）依赖于 Y|(X,Z) 的正确设定，而高维非参数检验又面临维数灾难。当前该方向的成熟度处于“方法已提出但鲁棒性不足”的阶段——已有方法（如 model-X CRT）在理论上完美，但在实践中因需要精确知道 X|Z 的分布而极易失效。

发展脉络

奠基工作：model-X 框架的提出。 Candès et al. (2018) 提出了 model-X 框架和条件随机化检验（CRT），其核心思想是：如果已知 X|Z 的分布，就可以通过从该分布中重采样 X 来构造一个在零假设下精确控制第一类错误的检验，且不依赖 Y|(X,Z) 的任何模型。这一工作开创了一个全新的检验范式，但也留下了一个巨大的口子：它要求 X|Z 的分布完全已知，这在实践中几乎不可能。

主要进展：对 X|Z 建模误差的鲁棒性分析。 后续工作开始量化 X|Z 建模误差对第一类错误的影响。Berrett et al. (2020) 证明了，当使用估计的 X|Z 分布进行 CRT 时，第一类错误膨胀可以被估计分布与真实分布之间的总变差距离（total variation distance）所界定。Barber et al. (2020) 对 model-X knockoffs 做了类似分析，将 FDR 膨胀量化为真实分布与采样分布之间的距离。Huang and Janson (2020) 提出了一种鲁棒的 knockoff 推断程序，通过条件在 X 模型的充分统计量上来放松对 X|Z 完全已知的要求。这些工作共同揭示了：只要 X|Z 的估计误差足够小，第一类错误就能被控制；但一旦 X|Z 被严重误设，第一类错误就会急剧膨胀。

当前 frontier：引入 Y|Z 的信息来增强鲁棒性。 本文（Li & Liu, 2024）是这一方向的最新进展。作者观察到，仅依赖 X|Z 的估计是不够的——当 Z 高维时，X|Z 的估计误差几乎不可避免。他们的关键洞见是：可以同时学习 Y|Z 的分布，并用它来校准 X 的重采样分布，从而获得对 X|Z 建模误差的“几乎双稳健”鲁棒性。 这一思路与双稳健估计（doubly robust estimation）有深刻的类比，但应用于检验而非估计。

子线索聚类

这些被引文献大致落在三条子线索上：

  1. model-X 框架及其变体（核心线索）：Candès et al. (2018) 提出原始 CRT；Berrett et al. (2020) 提出条件置换检验（CPT），用非均匀置换代替重采样；Liu et al. (2020) 提出蒸馏 CRT（distilled CRT），通过蒸馏技术降低计算成本；Tansey et al. (2018) 提出 holdout 随机化检验（HRT），用数据分割来避免重采样。这一簇的核心是如何利用 X|Z 的信息构造有效的检验。

  2. 鲁棒性与误差分析（支撑线索）：Barber et al. (2020) 量化 knockoffs 对 X 模型误设的鲁棒性；Huang and Janson (2020) 通过条件在充分统计量上放松对 X|Z 的已知要求；Berrett et al. (2020) 给出 CRT 和 CPT 的第一类错误上界。这一簇的核心是当 X|Z 未知时，检验的失效程度有多大。

  3. 半监督学习与迁移学习（应用线索）：Hou et al. (2021) 提出代理辅助半监督学习（SA-SSL）；Cai et al. (2022) 提出三稳健迁移学习（STRIFLE）；Tian and Feng (2022) 研究高维 GLM 下的迁移学习。这一簇的核心是如何利用未标注数据或源域数据来改进目标域的学习，为本文的算法实现提供了工具。

这个方向在追问的核心问题

  1. 能否在 X|Z 被误设时仍控制第一类错误？ 当前主流方法（CRT、CPT、knockoffs）在 X|Z 精确已知时完美，但一旦误设就失效。本文的“几乎双稳健”性质是对这一问题的直接回应。
  2. 检验的功效（power）如何？ Katsevich and Ramdas (2022) 给出了 CRT 在局部半参数备择下的渐近功效表达式，表明功效取决于预测算法的误差。但鲁棒性增强是否会牺牲功效？本文的模拟表明功效损失很小。
  3. 如何在高维 Z 下实现？ 高维 Z 使得 X|Z 和 Y|Z 的估计都变得困难。本文通过将 Y|Z 的学习降维（只学习一个低维调整模型）来规避这一困难。
  4. 能否利用未标注数据？ 半监督学习场景中，大量未标注的 (X,Z) 数据可用于改进 X|Z 的估计，但 Y 的标签稀缺。本文的 SA-SSL 算法正是针对这一设定。

⚠️ 作者的 framing

这是作者的说法： 作者将缺口 frame 成“现有 model-X 方法在 X|Z 建模错误时第一类错误严重膨胀，而本文通过引入 Y|Z 的校准实现了几乎双稳健的鲁棒性”。具体来说，作者声称： - “The model-X CRT … may lose its validity when there is an error in modelling X|Z. This problem is even more severe when Z is of high dimensionality.” - “We prove that the type-I error inflation of the Maxway CRT can be controlled by the learning error for a low-dimensional adjusting model plus the product of learning errors for X|Z and Y|Z, interpreted as an ‘almost doubly robust’ property.”

被淡化或回避的竞争路线： - 双机器学习（DML）：作者在引言中承认 DML 也能处理类似问题，但指出 DML 基于渐近正态性，而本文的方法是非渐近的，对小样本或重尾数据更鲁棒。这一对比是否公平？DML 的渐近理论在样本量足够大时是可靠的，而本文的非渐近界可能更保守。 - 条件置换检验（CPT）：Berrett et al. (2020) 的 CPT 也提供了对 X|Z 建模误差的鲁棒性，且其第一类错误膨胀上界与 CRT 相同。作者没有直接比较 Maxway CRT 与 CPT 的鲁棒性，而是强调 Maxway CRT 的“几乎双稳健”性质是新的。

什么明显该被引 / 该存在、却没出现在 intro 里？ - 更早的“双稳健检验”文献：在因果推断中，双稳健估计（如 AIPW）已有大量工作，但双稳健检验（doubly robust testing）相对较少。作者引用了 Dukes et al. (2021) 关于 DML 双稳健推断的工作，但未提及更早的如 Robins et al. (2000) 关于双稳健检验的理论。这可能是因为那些工作更关注估计而非检验，但值得研究者去查。 - 高维 Z 下的条件独立性检验的 minimax 下界：是否存在理论下界表明，当 Z 的维度增长时，任何检验都无法同时控制第一类错误和达到非平凡功效？这类下界（如 Verzelen 2012 关于高维相关性检验的下界）未被引用，可能是该方向的空白。

张力

未见明显对立引用。所有被引工作基本一致地认为：model-X 框架在 X|Z 已知时有效，但鲁棒性不足；改进方向是引入更多信息（如 Y|Z 或未标注数据）。没有出现“在相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： - X：待检验的变量（标量或低维向量）。我们想检验 H₀: X ⟂ Y | Z。 - Y：响应变量（标量，可以是连续或离散）。 - Z：协变量向量（可能高维，维度 p 可能远大于样本量 n）。 - H₀：零假设，即给定 Z 时 X 与 Y 条件独立。 - f_{X|Z}(x|z)：X 给定 Z 的真实条件密度（或概率质量函数）。这是 model-X 框架的核心对象，但实践中未知。 - f̂_{X|Z}(x|z)：f_{X|Z} 的估计量，可能来自参数模型、非参数方法或机器学习。 - f_{Y|Z}(y|z)：Y 给定 Z 的真实条件密度。本文用它来校准 X 的重采样分布。 - f̂_{Y|Z}(y|z)：f_{Y|Z} 的估计量。 - T(X, Y, Z)：检验统计量，是 (X, Y, Z) 的任意函数。CRT 的灵活性在于 T 可以是任何东西（如 Lasso 系数、随机森林预测误差等）。 - ρ̃_{X|Z}(·|Z)：本文提出的“校准后的”X 重采样分布，它结合了 f̂{X|Z} 和 f̂{Y|Z} 的信息。 - α：名义显著性水平（如 0.05）。 - n：样本量（标注数据量）。 - N：未标注数据量（在半监督场景中，N >> n）。

模型： - 数据生成机制：观测数据为 i.i.d. 三元组 (X_i, Y_i, Z_i)，i=1,...,n，来自某个联合分布 P_{XYZ}。没有对 P_{XYZ} 做任何参数假设（非参数设定）。 - 零假设 H₀ 下，X 和 Y 在给定 Z 时独立，即 P_{X|Y,Z} = P_{X|Z}。 - 本文不假设 f_{X|Z} 已知，也不假设 f_{Y|Z} 已知。两者都需要从数据中估计。

可观测数据： - 研究者实际能观测到的是：n 个 i.i.d. 样本 {(X_i, Y_i, Z_i)}。在半监督场景中，还有额外的 N 个样本 {(X_i, Z_i)}（没有 Y）。 - 想要但观测不到的是：f_{X|Z} 和 f_{Y|Z} 的真实形式。它们只能通过假设（如参数模型、稀疏性）或非参数方法（如核密度估计）来近似。

第二步：讲最小内核

最简特例： 假设 X 是二值变量（X ∈ {0,1}），Z 是标量（p=1），Y 是连续变量。我们想检验 H₀: X ⟂ Y | Z。

在这个特例下，标准 CRT 的做法是： 1. 估计 f_{X|Z}。例如，假设 logistic 模型：P(X=1|Z=z) = expit(β₀ + β₁ z)，用观测数据估计 β̂₀, β̂₁。 2. 对每个观测 i，从估计的 f̂_{X|Z}(·|Z_i) 中重采样一个 X̃_i（即从 Bernoulli(expit(β̂₀ + β̂₁ Z_i)) 中采样）。 3. 计算原始统计量 T_obs = T(X, Y, Z) 和重采样统计量 T̃ = T(X̃, Y, Z)。 4. 如果 T_obs 在 T̃ 的分布中处于极端位置（如大于 95% 的分位数），则拒绝 H₀。

问题： 如果 logistic 模型是错的（例如，真实关系是 P(X=1|Z) = Φ(β₀ + β₁ z²)），那么 f̂{X|Z} 与真实 f{X|Z} 有偏差，导致重采样分布错误，第一类错误膨胀。

Maxway CRT 的核心思路（在这个特例下）： 1. 除了估计 f_{X|Z}，还估计 f_{Y|Z}。例如，假设线性模型：Y = γ₀ + γ₁ Z + ε，用观测数据估计 γ̂₀, γ̂₁。 2. 关键步骤：不直接从 f̂{X|Z} 重采样 X，而是从一个“校准后的”分布 ρ̃{X|Z} 中重采样。这个校准分布是： - 以 f̂{X|Z} 为“提议分布”， - 以 f̂{Y|Z} 为“权重”， - 使得重采样出的 X̃ 在 H₀ 下与 Y 的依赖关系被“抵消”。 3. 具体来说，ρ̃{X|Z}(x|z) ∝ f̂{X|Z}(x|z) × w(x, z)，其中 w(x, z) 是 f̂{Y|Z} 的某个函数。在本文中，这个校准是通过一个“低维调整模型”实现的——它只学习一个关于 X 和 Z 的标量函数，而不是完整的 f{Y|Z}。

为什么这能提供鲁棒性？ - 如果 f̂{X|Z} 是准确的，那么 ρ̃{X|Z} ≈ f_{X|Z}，Maxway CRT 退化为标准 CRT，第一类错误被精确控制。 - 如果 f̂{X|Z} 有误差，但 f̂{Y|Z} 是准确的，那么校准步骤会“纠正”重采样分布，使得 ρ̃{X|Z} 仍然接近真实 f{X|Z}，从而控制第一类错误。 - 如果两者都有误差，第一类错误膨胀由乘积项（f̂{X|Z} 的误差 × f̂{Y|Z} 的误差）控制，这就是“几乎双稳健”的含义——只要其中一个估计是准确的，第一类错误就能被控制；即使两者都不准确，误差也是乘积而非加性的，在高维下通常更小。

这个特例揭示的核心数学困难： 如何构造 ρ̃{X|Z} 使得校准步骤本身不引入新的偏差？本文的答案是：通过一个低维调整模型来学习 Y|Z 对重采样分布的影响，从而避免在高维 Z 下直接估计 f{Y|Z} 的困难。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：针对 model-X CRT 在 X|Z 建模错误时第一类错误膨胀的问题，提出 Maxway CRT，通过学习 Y|Z 的分布来校准 X 的重采样分布，从而获得对 X|Z 建模误差的鲁棒性。
  2. 核心工具 / 方法：提出“几乎双稳健”的检验框架，其第一类错误膨胀由低维调整模型的学习误差加上 X|Z 和 Y|Z 学习误差的乘积来控制；并开发了在半监督学习（SA-SSL）和迁移学习（TL）场景下的具体实现算法。
  3. 主要结论：Maxway CRT 在保持与标准 CRT 相似功效的同时，显著改善了第一类错误控制；理论上的“几乎双稳健”性质在模拟和真实数据中得到验证。

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：

  • 数据：观测数据为 i.i.d. 三元组 (X_i, Y_i, Z_i)，i=1,...,n。在半监督场景中，还有额外的未标注数据 {(X_i, Z_i)}，i=n+1,...,n+N。
  • 零假设：H₀: X ⟂ Y | Z。在 H₀ 下，P_{X|Y,Z} = P_{X|Z}。
  • 估计量：
    • f̂_{X|Z}：X|Z 的估计量，可以是任何方法（参数、非参数、机器学习）。
    • f̂_{Y|Z}：Y|Z 的估计量，同样可以是任何方法。
    • 关键假设：存在一个低维调整模型 g(X, Z; θ)，其参数 θ 的维度远小于 Z 的维度。这个模型用于捕捉 Y|Z 对重采样分布的影响。例如，g 可以是线性形式 θ₀ + θ₁ X + θ₂^T Z，但 θ₂ 是稀疏的（只有少数 Z 变量重要）。
  • 校准分布：ρ̃{X|Z}(x|z) ∝ f̂{X|Z}(x|z) × exp( g(x, z; θ̂) )，其中 θ̂ 是通过某种准则（如最大似然）从数据中估计的。这个形式确保了校准步骤只涉及一个低维参数 θ，避免了在高维 Z 下直接估计 f_{Y|Z}。
  • 相比已有文献的放宽或强化：
    • 放宽：不要求 f_{X|Z} 精确已知（标准 CRT 的要求），也不要求 f_{X|Z} 的估计误差足够小（Berrett et al. 2020 的要求）。
    • 强化：要求存在一个低维调整模型 g 能充分捕捉 Y|Z 对校准的影响。如果 g 被严重误设（例如，真实关系是非线性的而 g 是线性的），鲁棒性可能下降。

主要结果

定理 1（第一类错误控制，非正式陈述）：在 H₀ 下，Maxway CRT 的第一类错误膨胀满足：

\[\text{Type-I error inflation} \leq C_1 \cdot \epsilon_{\text{adj}} + C_2 \cdot \epsilon_{X|Z} \cdot \epsilon_{Y|Z}\]
其中： - \(\epsilon_{\text{adj}}\) 是低维调整模型 g 的估计误差（例如，θ̂ 与真实 θ 的差距）。 - \(\epsilon_{X|Z}\) 是 f̂{X|Z} 与真实 f{X|Z} 之间的某种距离（如总变差距离）。 - \(\epsilon_{Y|Z}\) 是 f̂{Y|Z} 与真实 f{Y|Z} 之间的某种距离。 - C₁, C₂ 是常数。

直觉：如果低维调整模型是准确的（\(\epsilon_{\text{adj}} \approx 0\)），那么第一类错误膨胀由乘积项控制——只要 X|Z 或 Y|Z 中有一个估计准确，乘积就很小。如果两者都不准确，乘积项仍然比加性项（如标准 CRT 的 \(\epsilon_{X|Z}\)）更小，因为乘积在高维下通常衰减更快。

必要条件：低维调整模型 g 必须被正确指定（即存在某个 θ 使得校准分布 ρ̃_{X|Z} 在 H₀ 下是有效的）。如果 g 被误设，\(\epsilon_{\text{adj}}\) 可能很大，主导第一类错误膨胀。

解决的技术难点： - 如何构造 ρ̃_{X|Z} 使得校准步骤本身不破坏检验的有效性？作者通过将校准问题转化为一个低维参数估计问题来规避高维困难。 - 如何证明乘积项的上界？这需要将 X|Z 和 Y|Z 的估计误差解耦，并利用 H₀ 下的条件独立性来简化分析。

定理 2（半监督场景，非正式陈述）：当有大量未标注的 (X,Z) 数据时，Maxway CRT 的第一类错误膨胀可以进一步降低，因为未标注数据可以更准确地估计 f_{X|Z}，从而减小 \(\epsilon_{X|Z}\)。

定理 3（迁移学习场景，非正式陈述）：当有来自源域的 (X,Y,Z) 数据时，如果源域与目标域的 Y|Z 分布相似，可以用源域数据来估计 f_{Y|Z}，从而减小 \(\epsilon_{Y|Z}\)。

证明路线与技术技巧

整体路线（3-5 步逻辑主干）：

  1. 步骤 1：将检验问题转化为重采样分布的比较。 在 H₀ 下，真实重采样分布是 f_{X|Z}，而 Maxway CRT 使用的重采样分布是 ρ̃_{X|Z}。第一类错误膨胀取决于这两个分布之间的差异。
  2. 步骤 2：分解 ρ̃{X|Z} 与 f{X|Z} 的差异。 利用校准分布的定义，将差异分解为三部分：
    • 低维调整模型的估计误差（\(\epsilon_{\text{adj}}\)）。
    • f̂{X|Z} 与 f{X|Z} 的差异（\(\epsilon_{X|Z}\)）。
    • f̂{Y|Z} 与 f{Y|Z} 的差异（\(\epsilon_{Y|Z}\)）。
  3. 步骤 3：利用 H₀ 下的条件独立性简化乘积项。 在 H₀ 下，X 和 Y 在给定 Z 时独立，因此 f_{Y|Z} 与 X 无关。这使得 f̂_{Y|Z} 的误差对重采样分布的影响可以通过一个乘积项来界定，而不是加性项。
  4. 步骤 4：应用概率不等式（如 Markov 不等式、Bernstein 不等式）将分布差异转化为第一类错误膨胀的上界。 这一步需要仔细处理重采样过程引入的随机性。
  5. 步骤 5：对半监督和迁移学习场景，分别分析未标注数据和源域数据如何减小 \(\epsilon_{X|Z}\) 和 \(\epsilon_{Y|Z}\)。

关键跳跃点： - 最吃功夫的引理：证明乘积项 \(\epsilon_{X|Z} \cdot \epsilon_{Y|Z}\) 的上界。难点在于：f̂{X|Z} 和 f̂{Y|Z} 都是从同一数据中估计的，它们之间存在相关性。作者通过数据分割（sample splitting） 来打破这种相关性：用一部分数据估计 f̂{X|Z}，另一部分估计 f̂{Y|Z}，第三部分用于检验。这使得两个估计误差在条件独立下可解耦。 - 另一个关键跳跃：如何将低维调整模型 g 的估计误差 \(\epsilon_{\text{adj}}\) 控制住。作者假设 g 是低维的（如稀疏线性），因此可以用 Lasso 或类似方法以 \(\sqrt{\log(p)/n}\) 的速率估计 θ，从而 \(\epsilon_{\text{adj}}\) 是 \(O(\sqrt{\log(p)/n})\)。

技术技巧点名： - 数据分割（sample splitting）：用于解耦 f̂{X|Z} 和 f̂{Y|Z} 的估计误差，是证明乘积项上界的关键。 - 经验过程理论（empirical process theory）：用于控制重采样分布与真实分布之间的均匀偏差（uniform deviation）。 - 低维参数化（low-dimensional parametrization）：通过假设调整模型 g 是低维的，将高维的 f_{Y|Z} 估计问题降维为一个低维参数估计问题。 - 交叉拟合（cross-fitting）：在算法实现中，使用交叉拟合来避免数据分割导致的功效损失。

真实例子与应用

本文包含两个真实数据例子：

例子 1：半监督学习（SA-SSL）场景——电子健康记录（EHR）表型分析 - 数据：来自一项 EHR 研究，目标是识别与 2 型糖尿病（T2D）相关的遗传变异。X 是某个 SNP（单核苷酸多态性），Y 是 T2D 的真实状态（通过手动图表审查确定，但只有少量样本有标注），Z 是其他协变量（如年龄、性别、BMI）。此外，还有大量未标注的 (X,Z) 数据（来自 EHR 数据库）。 - 方法应用：将 Maxway CRT 应用于 SA-SSL 场景。用少量标注数据估计 f̂{Y|Z}（Y 的模型），用大量未标注数据估计 f̂{X|Z}（X 的模型，即 SNP 的基因型分布，通常可以用 Hardy-Weinberg 平衡或连锁不平衡模型）。然后进行 Maxway CRT 检验。 - 结果：与标准 CRT 相比，Maxway CRT 在保持相似功效的同时，显著降低了第一类错误（即减少了假阳性遗传关联的发现）。 - 这个例子想说明：在 EHR 研究中，Y 的标注成本高但 X|Z 的分布可以从大量未标注数据中准确估计。Maxway CRT 能有效利用未标注数据来增强鲁棒性。

例子 2：迁移学习（TL）场景——他汀类药物对 2 型糖尿病风险的影响 - 数据：目标域是某个临床试验数据，X 是他汀类药物使用（二值），Y 是 T2D 发病，Z 是基线协变量。源域是一个大型遗传学研究（如 UK Biobank），其中 X 是 HMGCR 基因的某个 SNP（rs17238484-G），Y 是 T2D 发病，Z 是类似协变量。源域与目标域共享相同的 Y|Z 分布（即他汀类药物和该 SNP 对 T2D 的影响机制相似），但 X|Z 分布不同（药物使用 vs. 基因型）。 - 方法应用：用源域数据估计 f̂{Y|Z}（Y 的模型），用目标域数据估计 f̂{X|Z}（X 的模型）。然后进行 Maxway CRT 检验。 - 结果：Maxway CRT 成功检测到他汀类药物对 T2D 风险的显著影响，而标准 CRT 因 X|Z 建模误差（药物使用与协变量的关系复杂）而失效。 - 这个例子想说明：在迁移学习场景中，当源域和目标域的 Y|Z 分布相似时，Maxway CRT 可以借用源域信息来增强目标域检验的鲁棒性。

🔎 结论是否比证明窄

是，存在一些地方结论比证明窄： - 定理 1 的乘积项上界是在“低维调整模型 g 被正确指定”的条件下证明的。作者在讨论中承认，如果 g 被误设，\(\epsilon_{\text{adj}}\) 可能很大，此时乘积项的优势可能消失。但作者在摘要和引言中强调“almost doubly robust”时，没有明确说明这一前提条件。 - 半监督和迁移学习场景的算法是在“未标注数据量远大于标注数据量”和“源域与目标域的 Y|Z 分布足够相似”的假设下分析的。作者在模拟中验证了这些假设，但未给出当这些假设被违反时的理论保证。 - 功效分析：作者在模拟中展示了 Maxway CRT 的功效与标准 CRT 相似，但没有给出理论上的功效下界。Katsevich and Ramdas (2022) 对标准 CRT 的功效有深入分析，但本文没有类似的理论结果。

四、开放问题

  1. 低维调整模型 g 的误设问题：本文假设 g 被正确指定（即存在一个低维参数 θ 使得校准有效）。如果 g 被误设（例如，真实校准需要高维非线性函数），第一类错误膨胀由 \(\epsilon_{\text{adj}}\) 主导，乘积项的优势消失。扎根点：定理 1 的陈述中“\(\epsilon_{\text{adj}}\)”项的存在，以及作者在讨论中承认“the performance may degrade if the adjusting model is misspecified”。一个开放问题是：能否构造一个对 g 的误设也鲁棒的检验？

  2. 功效的理论分析：本文没有给出 Maxway CRT 的功效理论。Katsevich and Ramdas (2022) 对标准 CRT 的功效有深入分析（局部半参数备择下的渐近功效），但 Maxway CRT 的校准步骤可能改变功效。扎根点：作者在模拟中展示了功效，但没有理论保证。一个开放问题是：Maxway CRT 的功效与标准 CRT 相比，在什么条件下会损失或增益？

  3. 高维 Z 下调整模型 g 的维度选择：本文假设 g 是低维的，但实践中如何选择 g 的维度（即哪些 Z 变量进入调整模型）是一个开放问题。如果选择太少，\(\epsilon_{\text{adj}}\) 可能很大；如果选择太多，g 的估计误差可能主导。扎根点：作者在算法中使用了 Lasso 来选择 g 中的变量，但没有理论指导如何选择惩罚参数以平衡 \(\epsilon_{\text{adj}}\) 和估计误差。

  4. 与双机器学习（DML）的更深层连接：本文的“几乎双稳健”性质与 DML 的“双稳健”性质有相似之处，但应用于检验而非估计。一个开放问题是：能否将 Maxway CRT 的思想推广到更一般的半参数检验问题（如检验某个参数是否为 0），并建立统一的“双稳健检验”理论？扎根点：作者在引言中比较了 Maxway CRT 与 DML，但未深入探讨两者的理论联系。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论