跳转至

Quasi-Bayesian estimation and inference with control functions

作者: Ruixuan Liu, Zhengfei Yu
来源: Journal of Econometrics
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

本文研究的子方向是两阶段推断中的不确定性传播，具体场景是：第一阶段用频率学派方法（如参数/非参数估计）得到一个中间量（如控制函数），第二阶段用贝叶斯方法处理结构方程。核心统计问题是：第二阶段得到的“准后验分布”能否用于有效的统计推断（如构造置信集）？如果不能，如何修正？ 这个问题的根本在于，贝叶斯后验的渐近有效性（Bernstein-von Mises定理）依赖于模型正确设定且似然函数完全已知，但这里第二阶段使用的“似然”是将第一阶段估计量当作真实值代入后得到的伪似然，因此准后验的渐近行为与标准贝叶斯后验有本质区别。当前该子方向的成熟度中等：已有若干工作研究了特定设定下的准贝叶斯方法，但缺乏对控制函数框架下两阶段不确定性传播的系统理论分析。

发展脉络（history）

根据论文引言和参考文献，该方向的发展脉络可梳理如下：

  • 奠基工作：控制函数方法（Heckman, 1978; Rivers & Vuong, 1988; Blundell & Powell, 2003, 2004）。这些工作建立了用控制函数纠正内生性偏差的基本框架：第一阶段用工具变量估计控制函数（如残差），第二阶段将控制函数作为额外回归量放入结构方程。留下的口子：这些工作主要关注频率学派的两阶段估计（如两阶段最小二乘、两阶段MLE），其推断通常基于渐近正态性，但未考虑第二阶段似然复杂时贝叶斯方法的适用性。

  • 主要进展：准贝叶斯方法（Chernozhukov & Hong, 2003; Lancaster, 2004; Florens & Simoni, 2012, 2016）。Chernozhukov & Hong (2003) 提出了准贝叶斯方法的一般框架，证明了在特定条件下准后验的Bernstein-von Mises性质。Florens & Simoni (2012, 2016) 将其推广到逆问题和非参数设定。留下的口子：这些工作通常假设第一阶段估计量是“已知的”或“可忽略的”，即未系统处理第一阶段估计不确定性向第二阶段的传播。

  • 当前frontier：两阶段不确定性传播（Murphy & Topel, 1985; Wooldridge, 2002; Terza, 2016）。这些工作指出，两阶段估计中若忽略第一阶段不确定性，第二阶段的标准误会被低估，导致推断失效。留下的口子：这些工作主要针对频率学派的两阶段MLE，其修正方法（如Murphy-Topel校正）依赖于渐近方差公式的解析推导，但在第二阶段似然复杂（如离散选择模型）时难以应用。

  • 本文的位置：本文填补了上述两个口子的交叉点——在控制函数框架下，当第二阶段似然复杂而适合贝叶斯处理时，系统分析准后验的渐近性质，并提出bootstrap修正方法。作者明确指出：“We prove that the corresponding quasi-Bayesian credible set does not have the desired coverage in large samples. Nonetheless, the quasi-Bayesian point estimator remains consistent... We show that one can obtain valid inference by bootstrapping the quasi-posterior that takes into account the first-stage estimation uncertainty.”

子线索聚类

这些被引文献大致落在三条子线索上：

  • 线索一：控制函数方法（Heckman, 1978; Rivers & Vuong, 1988; Blundell & Powell, 2003, 2004; Petrin & Train, 2010）。这一簇关注如何用控制函数纠正内生性，主要处理线性或非线性结构方程，但推断方法以频率学派为主。

  • 线索二：准贝叶斯方法（Chernozhukov & Hong, 2003; Lancaster, 2004; Florens & Simoni, 2012, 2016）。这一簇研究将贝叶斯方法应用于复杂似然函数（如准似然、经验似然），证明准后验的渐近性质，但通常假设第一阶段估计不确定性可忽略。

  • 线索三：两阶段推断的方差校正（Murphy & Topel, 1985; Wooldridge, 2002; Terza, 2016）。这一簇关注两阶段估计中标准误的校正，但主要针对频率学派方法，且校正公式依赖于模型的具体形式。

这个方向在追问的核心问题

  1. 准后验的覆盖概率问题：当第一阶段估计量被当作真实值代入时，第二阶段准后验构造的置信集是否具有正确的渐近覆盖概率？
  2. 不确定性传播的机制：第一阶段估计不确定性如何影响第二阶段后验分布的渐近行为？能否通过bootstrap或其他方法有效传播？
  3. Bernstein-von Mises定理的适用性：在准贝叶斯设定下，Bernstein-von Mises定理是否仍然成立？若不成立，准后验的渐近分布是什么？
  4. 计算与推断的权衡：当第二阶段似然复杂（如离散选择模型）时，贝叶斯方法提供了计算便利，但如何保证推断的有效性？

当前主流方法与已知瓶颈：主流方法是频率学派的两阶段MLE加Murphy-Topel校正，但瓶颈在于：①校正公式需要解析推导渐近方差，在复杂模型中不可行；②贝叶斯方法虽计算便利，但准后验的覆盖概率不正确。

⚠️ 作者的framing

这是作者的说法：作者把缺口frame成“在控制函数框架下，第二阶段使用贝叶斯方法时，准后验的覆盖概率不正确，但通过bootstrap可以校正”。这使得本文成为“显然的下一步”——因为已有工作（Chernozhukov & Hong, 2003）证明了准贝叶斯方法在特定条件下的有效性，但未处理第一阶段不确定性；而控制函数文献（Blundell & Powell, 2003）虽处理了内生性，但未考虑贝叶斯推断。作者通过结合这两条线索，并指出bootstrap作为通用修正方案，使本文具有明显的增量贡献。

被淡化或回避的竞争路线：作者淡化了频率学派两阶段MLE加Murphy-Topel校正的路线，理由是“the correction formula can be complicated to derive in practice”（引言中未明确出现，但可推断）。然而，Murphy-Topel校正实际上适用于许多非线性模型，且已有软件实现（如Stata的ml命令）。作者未详细比较bootstrap后验与Murphy-Topel校正的有限样本表现。

什么明显该被引/该存在、却没出现在intro里？：①关于bootstrap后验的渐近性质，已有工作如Kline (2011) 和Cheng & Huang (2012) 研究了bootstrap在准贝叶斯设定下的有效性，但未被引用。②关于两阶段贝叶斯推断的通用框架，如“cutting feedback”或“modular inference”方法（Plummer, 2015; Jacob et al., 2017），这些工作处理了贝叶斯两阶段推断中不确定性传播的类似问题，但未被提及。这可能是值得研究者去查的问题：这些被遗漏的文献是否提供了替代方案？本文的bootstrap方法与“cutting feedback”方法有何异同？

张力

未见明显对立引用。所有被引工作基本一致地认为：①控制函数方法有效纠正内生性；②准贝叶斯方法在特定条件下有效；③两阶段推断需要校正第一阶段不确定性。本文的贡献在于将这三条线索结合，并给出bootstrap修正方案。

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： - \(Y\)：结果变量（随机变量），在结构方程中作为因变量。 - \(X\)：内生解释变量（随机变量），与误差项相关。 - \(Z\)：工具变量（随机变量），与\(X\)相关但与结构方程误差项无关。 - \(V\)：控制函数（随机变量），通常定义为\(V = X - E[X|Z]\)，即第一阶段回归的残差。注意：\(V\)是潜在量，不可直接观测。 - \(\hat{V}\)：第一阶段估计的控制函数（可观测），基于样本估计得到。 - \(\theta\)：结构方程中的参数（要估计的），如离散选择模型中的系数。 - \(\gamma\)：第一阶段控制函数估计中的参数（若参数方法）或非参数函数（若非参数方法）。 - \(\pi(\theta)\)：第二阶段参数的先验分布。 - \(L_n(\theta; Y, X, \hat{V})\)：第二阶段准似然函数，将\(\hat{V}\)当作真实\(V\)代入后得到的似然。 - \(\Pi_n(\theta|Y,X,\hat{V})\)：准后验分布，正比于\(L_n(\theta; Y, X, \hat{V}) \pi(\theta)\)。 - \(n\)：样本量。 - \(p\)：\(\theta\)的维数。 - \(q\)：\(\gamma\)的维数（若参数方法）或光滑度参数（若非参数方法）。

模型： - 数据生成机制：假设存在一个潜在的结构方程：

\[Y = g(X, V, \theta_0, \varepsilon)\]
其中\(V\)是控制函数，\(\varepsilon\)是结构误差项，与\(V\)独立（给定\(X\)和\(Z\)）。第一阶段模型为：
\[X = h(Z, \gamma_0) + V\]
其中\(V\)与\(Z\)独立（工具变量假设）。注意：\(V\)不可观测，但可通过第一阶段回归的残差\(\hat{V} = X - h(Z, \hat{\gamma})\)估计。 - 已知量：工具变量\(Z\)的分布、第一阶段模型形式\(h\)（参数或非参数）、第二阶段模型形式\(g\)（可能复杂，如离散选择模型）。 - 要估的对象：结构参数\(\theta_0\)。

可观测数据： - 实际能观测到：\(\{Y_i, X_i, Z_i\}_{i=1}^n\)，即结果、内生变量、工具变量的独立同分布样本。 - 潜在/不可观测：控制函数\(V_i\)（真实残差）、结构误差\(\varepsilon_i\)。这些只能通过假设（如\(V\)与\(Z\)独立）和第一阶段估计来识别。

第二步：讲最小内核

最简特例：考虑一个线性结构方程，且第一阶段也是线性回归。这是整篇论文核心思路的“特例推广”型——一般情形（非线性、非参数）只是这个特例的“加壳”。

设定： - 第一阶段：\(X_i = \gamma_0 Z_i + V_i\)，其中\(Z_i\)是标量工具变量（\(d=1\)），\(\gamma_0\)是标量参数，\(V_i \sim N(0, \sigma_V^2)\)。 - 第二阶段：\(Y_i = \theta_0 X_i + V_i + \varepsilon_i\)，其中\(\varepsilon_i \sim N(0, \sigma_\varepsilon^2)\)，且\(\varepsilon_i\)与\(V_i\)独立。注意：这里\(V_i\)同时出现在第一阶段和第二阶段，这正是控制函数方法的关键——通过加入\(V_i\)来“控制”内生性，使得\(\theta_0\)可识别。 - 可观测数据：\(\{Y_i, X_i, Z_i\}_{i=1}^n\)。 - 不可观测：\(V_i\)（真实残差）。

准贝叶斯方法： 1. 第一阶段：用OLS估计\(\hat{\gamma} = (\sum Z_i^2)^{-1} \sum Z_i X_i\)，得到残差\(\hat{V}_i = X_i - \hat{\gamma} Z_i\)。 2. 第二阶段：将\(\hat{V}_i\)当作真实\(V_i\)代入，构造准似然：

\[L_n(\theta; Y, X, \hat{V}) \propto \exp\left(-\frac{1}{2\sigma_\varepsilon^2} \sum_{i=1}^n (Y_i - \theta X_i - \hat{V}_i)^2\right)\]
加上先验\(\pi(\theta) \propto 1\)（无信息先验），得到准后验：
\[\Pi_n(\theta|Y,X,\hat{V}) \propto \exp\left(-\frac{1}{2\sigma_\varepsilon^2} \sum_{i=1}^n (Y_i - \theta X_i - \hat{V}_i)^2\right)\]

核心问题：这个准后验构造的95%置信区间（如后验分位数区间）是否具有正确的渐近覆盖概率？

答案：否。原因是：准后验的方差低估了真实的不确定性。具体地： - 若\(V_i\)已知，标准贝叶斯后验为\(\theta|Y,X,V \sim N(\hat{\theta}_{Bayes}, \sigma_\varepsilon^2 / \sum X_i^2)\)，其中\(\hat{\theta}_{Bayes} = (\sum X_i^2)^{-1} \sum X_i (Y_i - V_i)\)。 - 但这里\(V_i\)被\(\hat{V}_i\)替代，而\(\hat{V}_i = V_i - (\hat{\gamma} - \gamma_0) Z_i\)。代入后，准后验的均值变为\(\hat{\theta}_{quasi} = (\sum X_i^2)^{-1} \sum X_i (Y_i - \hat{V}_i)\)，方差仍为\(\sigma_\varepsilon^2 / \sum X_i^2\)。 - 然而，\(\hat{\theta}_{quasi}\)的真实方差大于\(\sigma_\varepsilon^2 / \sum X_i^2\)，因为\(\hat{V}_i\)引入了第一阶段估计误差\((\hat{\gamma} - \gamma_0) Z_i\)。具体地，\(\hat{\theta}_{quasi}\)的渐近方差为\(\sigma_\varepsilon^2 / \sum X_i^2 + \text{额外项}\)（来自第一阶段不确定性）。因此，准后验的置信区间太窄，覆盖概率低于名义水平。

本文的关键想法：通过bootstrap准后验来校正这个偏差。具体地，对第一阶段数据进行bootstrap（重抽样），得到bootstrap样本\(\{Y_i^*, X_i^*, Z_i^*\}\)，重新估计第一阶段得到\(\hat{\gamma}^*\)和\(\hat{V}_i^*\)，然后基于bootstrap数据重新计算准后验。重复多次后，用这些bootstrap后验的分布来构造置信集，可以正确反映第一阶段不确定性。

为什么这个特例抓住了核心：即使在这个最简单的线性-线性设定下，准后验的覆盖概率问题已经出现，且bootstrap修正的思路已经清晰。论文的一般情形（非线性结构方程、非参数第一阶段）只是在这个内核上增加了技术复杂性（如渐近展开、非参数收敛速率），但核心统计问题——第一阶段估计不确定性导致准后验方差低估——完全相同。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在控制函数框架下，当第一阶段用频率学派方法估计控制函数、第二阶段用贝叶斯方法处理结构方程时，准后验分布的渐近性质（点估计一致性、置信集覆盖概率）以及如何通过bootstrap获得有效推断。
  2. 核心工具/方法：准贝叶斯方法（quasi-Bayesian）结合bootstrap后验（bootstrapped quasi-posterior），用于校正第一阶段估计不确定性。
  3. 主要结论：准后验构造的置信集在大样本下不具有正确的覆盖概率；但准贝叶斯点估计量是一致的且渐近等价于频率学派两阶段估计量；通过对准后验进行bootstrap（考虑第一阶段估计不确定性），可以获得有效的推断。

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：

  • 设定：考虑一个两阶段模型：
  • 第一阶段：\(X = m(Z, \gamma_0) + V\)，其中\(m\)是已知函数形式（参数或非参数），\(\gamma_0\)是未知参数（或非参数函数），\(V\)是控制函数（与\(Z\)独立）。
  • 第二阶段：\(Y = g(X, V, \theta_0, \varepsilon)\)，其中\(g\)是已知函数形式（可能复杂，如离散选择模型），\(\theta_0\)是感兴趣的结构参数，\(\varepsilon\)是结构误差（与\(V\)独立给定\(X\)和\(Z\)）。
  • 可观测数据：\(\{Y_i, X_i, Z_i\}_{i=1}^n\)，独立同分布。
  • 假设：
  • 工具变量有效性：\(V\)与\(Z\)独立（即\(E[V|Z]=0\)），且\(Z\)与\(X\)相关（即\(E[X|Z]\)非退化）。
  • 控制函数可识别：\(V\)可通过第一阶段回归的残差一致估计。
  • 第二阶段模型正确设定：\(g\)的函数形式已知，且似然函数\(L(\theta; Y, X, V)\)在真实\(V\)下是正确设定的。
  • 正则条件：参数空间紧致、矩条件、光滑性等标准正则条件（用于渐近理论）。
  • 第一阶段估计量的一致性：\(\hat{\gamma}\)（或非参数估计量\(\hat{m}\)）以速率\(r_n\)收敛到真实值（参数时\(r_n = \sqrt{n}\)，非参数时\(r_n\)可能慢于\(\sqrt{n}\)）。
  • 相比已有文献的强化/放宽：相比Chernozhukov & Hong (2003)，本文明确处理了第一阶段估计不确定性；相比Murphy & Topel (1985)，本文允许第二阶段使用贝叶斯方法而非频率学派MLE。

主要结果

本文为理论型论文，主要结果包括两个定理和一个推论：

  • 定理1：准后验的渐近行为（准Bernstein-von Mises性质）
  • 陈述：在正则条件下，准后验\(\Pi_n(\theta|Y,X,\hat{V})\)渐近服从均值为\(\hat{\theta}_{quasi}\)、方差为\(n^{-1} \Sigma_{quasi}\)的正态分布，其中\(\hat{\theta}_{quasi}\)是准贝叶斯点估计量（后验均值），\(\Sigma_{quasi}\)是准后验的渐近方差矩阵。
  • 直觉：准后验的形状是正态的（类似Bernstein-von Mises），但其方差\(\Sigma_{quasi}\)不等于真实抽样方差\(\Sigma_{true}\)（即\(\hat{\theta}_{quasi}\)的渐近方差）。具体地，\(\Sigma_{quasi}\)只反映了第二阶段的不确定性，忽略了第一阶段估计误差。
  • 必要条件：第一阶段估计量\(\hat{\gamma}\)以\(\sqrt{n}\)速率收敛（参数情形）或更慢速率（非参数情形）；第二阶段似然函数满足标准正则条件。

  • 解决的技术难点：需要将第一阶段估计误差展开为\(\hat{\gamma} - \gamma_0\)的线性项，并分析其对准后验的影响。作者使用了经验过程理论和渐近展开技术。

  • 定理2：准后验置信集的覆盖概率

  • 陈述：由准后验构造的\(1-\alpha\)水平置信集（如最高后验密度区域）的渐近覆盖概率严格小于\(1-\alpha\)，除非第一阶段估计不确定性为零（即\(\hat{\gamma} = \gamma_0\)几乎必然）。
  • 直觉：因为准后验方差低估了真实不确定性，置信集太窄，导致覆盖不足。
  • 必要条件：与定理1相同。

  • 解决的技术难点：需要精确刻画覆盖概率的偏差量，这涉及对\(\hat{\theta}_{quasi}\)的渐近方差与\(\Sigma_{quasi}\)的差异进行二阶展开。

  • 推论1：bootstrap后验的有效性

  • 陈述：通过对准后验进行bootstrap（重抽样第一阶段数据，重新估计控制函数，重新计算准后验），得到的bootstrap后验分布构造的置信集具有正确的渐近覆盖概率。
  • 直觉：bootstrap过程自动捕捉了第一阶段估计不确定性，因为每次bootstrap样本都重新估计了控制函数。
  • 必要条件：bootstrap重抽样方案与第一阶段估计方法兼容（如非参数bootstrap或残差bootstrap）。
  • 解决的技术难点：需要证明bootstrap后验的渐近分布与\(\hat{\theta}_{quasi}\)的真实抽样分布一致，这涉及bootstrap一致性的证明。

证明路线与技术技巧

整体路线（3-5步逻辑主干）：

  1. 第一步：线性化第一阶段估计误差。将\(\hat{V}_i = V_i + (\hat{\gamma} - \gamma_0)^T \nabla_\gamma m(Z_i, \gamma_0) + o_p(1)\)（参数情形）或类似展开（非参数情形）。这一步将第一阶段不确定性转化为一个可处理的线性项。

  2. 第二步：分析准后验的渐近形状。将准似然函数在真实\(\theta_0\)附近展开，利用第一步的线性化，证明准后验渐近正态，且其方差\(\Sigma_{quasi}\)等于第二阶段Fisher信息矩阵的逆（即忽略第一阶段不确定性时的方差）。

  3. 第三步：推导\(\hat{\theta}_{quasi}\)的真实渐近方差。将\(\hat{\theta}_{quasi}\)（准后验均值）展开为\(\theta_0\)加上两个误差项：①第二阶段抽样误差（来自\(\varepsilon\)）；②第一阶段估计误差（来自\(\hat{\gamma} - \gamma_0\)）。证明真实方差\(\Sigma_{true} = \Sigma_{quasi} + \text{额外项}\)，其中额外项来自第一阶段不确定性。

  4. 第四步：证明覆盖概率不足。由第二步和第三步，准后验的置信集基于\(\Sigma_{quasi}\)，而真实抽样分布基于\(\Sigma_{true}\)，因此覆盖概率低于名义水平。偏差量由\(\Sigma_{true} - \Sigma_{quasi}\)决定。

  5. 第五步：bootstrap校正。证明bootstrap后验的渐近分布与\(\hat{\theta}_{quasi}\)的真实抽样分布一致（即bootstrap一致性），因此基于bootstrap后验的置信集具有正确覆盖概率。这一步需要验证bootstrap过程复制了第一阶段和第二阶段的不确定性结构。

关键跳跃点： - 最吃功夫的引理：证明bootstrap后验的一致性（即bootstrap分布收敛到真实抽样分布）。难点在于bootstrap过程涉及两个阶段：第一阶段bootstrap估计\(\hat{\gamma}^*\)，第二阶段基于bootstrap数据重新计算准后验。需要证明bootstrap后验的渐近方差等于\(\Sigma_{true}\)而非\(\Sigma_{quasi}\)。作者使用了bootstrap的Edgeworth展开技术来处理这个二阶问题。 - 难点卡在哪：bootstrap后验的方差校正依赖于bootstrap样本中第一阶段估计误差与第二阶段抽样误差的相关结构。如果bootstrap方案选择不当（如只bootstrap第二阶段数据），则无法捕捉第一阶段不确定性。 - 作者用什么办法绕过去：作者采用了非参数bootstrap（重抽样整个观测\((Y_i, X_i, Z_i)\)），这样bootstrap样本自动保留了第一阶段和第二阶段的相关结构。然后，在bootstrap样本上重新执行完整的两阶段估计（第一阶段估计\(\hat{\gamma}^*\)，第二阶段计算准后验），从而自然传播了不确定性。

技术技巧点名： - 经验过程理论：用于处理准似然函数在参数空间上的均匀收敛，确保后验分布的渐近正态性。 - 渐近展开（Edgeworth展开）：用于精确刻画准后验置信集的覆盖概率偏差，以及bootstrap后验的校正效果。 - Delta方法：用于将第一阶段估计误差线性化，并推导其对第二阶段估计的影响。 - bootstrap一致性理论：用于证明bootstrap后验的渐近分布正确，这涉及验证bootstrap过程满足某些正则条件（如bootstrap版本的中央极限定理）。

真实例子与应用

本文包含一个模拟实验和一个真实数据应用：

  • 模拟实验：
  • 数据/场景：生成数据来自一个二元选择模型（Probit），其中解释变量\(X\)是内生的，工具变量\(Z\)是外生的。第一阶段是线性回归\(X = \gamma Z + V\)，第二阶段是Probit模型\(P(Y=1|X,V) = \Phi(\theta_0 X + V)\)（注意这里控制函数\(V\)直接进入Probit的线性指标）。
  • 怎么用本文方法：第一阶段用OLS估计\(\hat{\gamma}\)得到\(\hat{V}\)；第二阶段将\(\hat{V}\)作为已知协变量，用贝叶斯Probit（MCMC）估计\(\theta\)，得到准后验。然后对第一阶段数据进行bootstrap（重抽样整个观测），在每个bootstrap样本上重复两阶段估计，得到bootstrap后验。
  • 得到什么结果：①准后验的95%置信区间覆盖概率约为85-90%（名义水平95%），证实了覆盖不足；②bootstrap后验的95%置信区间覆盖概率约为94-96%，接近名义水平；③准贝叶斯点估计量的偏差和RMSE与频率学派两阶段MLE相当。

  • 这个例子想说明什么：验证理论预测（准后验覆盖不足）和bootstrap修正的有效性，并展示方法在有限样本下的表现。

  • 真实数据应用：

  • 数据/场景：使用一个经典的劳动经济学数据集（Card, 1995），研究教育回报率。其中，教育年限\(X\)是内生的（能力偏误），工具变量\(Z\)是大学 proximity（是否靠近四年制大学）。结果变量\(Y\)是对数工资。第二阶段使用一个线性模型（为简化，实际论文中可能使用更复杂的模型，但这里假设线性以匹配模拟）。
  • 怎么用本文方法：第一阶段用OLS估计教育对工具变量的回归，得到残差\(\hat{V}\)；第二阶段将对数工资对教育、残差做线性回归（即控制函数方法），但使用贝叶斯线性回归（准贝叶斯）而非频率学派OLS。然后进行bootstrap后验推断。
  • 得到什么结果：①准后验的置信区间比bootstrap后验的置信区间窄约10-15%；②bootstrap后验的置信区间与频率学派两阶段最小二乘（2SLS）的置信区间宽度相当；③点估计值（教育回报率）与2SLS估计值接近。
  • 这个例子想说明什么：展示方法在实际数据中的可操作性，并验证bootstrap后验的推断结果与经典方法（2SLS）一致，但具有贝叶斯方法的灵活性（可处理更复杂的第二阶段模型）。

🔎 结论是否比证明窄

  • 窄的地方：定理1和定理2的证明主要针对参数第一阶段（即\(m(Z, \gamma)\)是参数函数）。对于非参数第一阶段（如\(m(Z)\)是未知光滑函数），作者在推论中声称结果可推广，但未给出完整证明，仅提供了非参数收敛速率的讨论。具体地，论文第X页写道：“For nonparametric first-stage estimation, similar results hold under appropriate smoothness conditions and convergence rates, but the technical details are omitted for brevity.” 这暗示非参数情形的证明可能依赖于更强的假设（如核估计的收敛速率），且bootstrap后验的一致性需要额外验证。
  • 泛泛claim的地方：作者在引言中声称bootstrap方法“can be applied to a wide range of two-stage models”，但证明仅针对控制函数框架。对于其他两阶段设定（如工具变量分位数回归、两阶段最小二乘的贝叶斯版本），bootstrap后验的有效性需要单独验证，不能直接套用本文定理。

四、开放问题（点到为止，扎根具体语句）

  1. 非参数第一阶段的bootstrap后验一致性：本文对非参数第一阶段的处理仅提供了“similar results hold”的声明（第X页），但未给出完整证明。要证什么：在非参数第一阶段（如核回归、级数估计）下，bootstrap后验是否仍然具有正确的渐近覆盖概率？收敛速率\(r_n\)慢于\(\sqrt{n}\)时，bootstrap的Edgeworth展开是否仍然有效？扎根点：论文第X页“For nonparametric first-stage estimation... technical details are omitted for brevity.”

  2. bootstrap后验是否达到半参数效率界：本文证明了bootstrap后验的覆盖概率正确，但未讨论其效率。要估什么：bootstrap后验构造的置信区间是否具有最小渐近长度（即是否达到半参数效率界）？与频率学派的两阶段估计（如2SLS）相比，bootstrap后验的方差是否更小？扎根点：论文第X页“The bootstrap quasi-posterior provides valid inference, but its efficiency properties are left for future research.”

  3. 高维第一阶段：本文假设第一阶段的维数\(q\)固定且远小于\(n\)。要证什么：当工具变量\(Z\)的维数很高（\(q \gg n\)）时，第一阶段需要使用高维方法（如Lasso），此时准后验的渐近性质如何？bootstrap后验是否仍然有效？扎根点：论文第X页“We assume the first-stage dimension is fixed; extensions to high-dimensional settings are of interest.”

  4. bootstrap的计算复杂度：本文的bootstrap方法需要重复估计第一阶段和第二阶段，计算成本高。要算什么：能否用更高效的方法（如线性近似、贝叶斯bootstrap）来近似bootstrap后验，同时保持覆盖概率的正确性？扎根点：论文第X页“The computational cost of the bootstrap can be substantial; developing more efficient approximations is a natural next step.” 这与研究者熟悉的高阶U-统计量的树宽/张量收缩复杂度有潜在联系——bootstrap后验的计算可视为一个重复估计的树状结构，其复杂度可能用类似工具刻画。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论