跳转至

Optimal Covariate Balancing Conditions in Propensity Score Estimation

作者: Jianqing Fan, Kosuke Imai, Inbeom Lee, Han Liu, Yang Ning et al.
来源: Journal of Business & Economic Statistics
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

这个子方向关注的是在逆概率加权（IPTW）框架下，如何通过估计倾向性评分（propensity score）来同时实现协变量平衡与平均处理效应（ATE）的一致估计。核心张力在于：传统的倾向性评分估计（如逻辑回归）追求模型拟合优度，但即使模型轻微误设，IPTW 估计量的偏倚也可能很大；而直接优化协变量平衡（covariate balancing）的方法虽然经验上表现好，但其理论性质（偏倚、效率、最优性）长期缺乏系统刻画。本文试图填补这一缺口。

发展脉络（history）

作者在引言中构建了一条清晰的线索，从奠基工作到当前 frontier：

  1. 奠基工作：IPTW 与倾向性评分估计
  2. Rosenbaum & Rubin (1983)：提出倾向性评分，证明在无混淆性假设下，倾向性评分足以消除选择偏倚。这是整个领域的起点。

  3. Hirano, Imbens & Ridder (2003)：证明当倾向性评分用非参数方法（如 sieve）估计时，IPTW 估计量可以达到半参数效率界。这确立了“倾向性评分估计越灵活越好”的经典结论。

  4. 主要进展：协变量平衡方法的兴起

  5. Imai & Ratkovic (2014)：提出协变量平衡倾向性评分（CBPS）方法，直接通过矩条件（moment conditions）优化协变量平衡，而非最大化似然。作者引用其“empirical studies show that the IPTW estimators can be sensitive to the misspecification of the propensity score model”，并指出 CBPS 在经验上表现良好。
  6. Zhao & Percival (2017)：提出熵平衡（entropy balancing）方法，通过直接对权重施加平衡约束来估计 ATE。作者将其定位为“直接优化协变量平衡”的另一条路线。

  7. Chan, Yam & Zhang (2016)：提出协变量平衡一般化方法（CBG），将平衡条件与倾向性评分估计统一在 GMM 框架下。

  8. 当前 frontier：平衡条件的选择理论

  9. 作者指出，尽管 CBPS 等方法被广泛使用，“little is known about how the choice of balancing conditions affects their theoretical properties”。具体来说，现有工作没有回答：哪些协变量函数应该被平衡？平衡条件越多越好吗？最优平衡条件是什么？
  10. 本文的位置：在局部模型误设下刻画 CBPS-IPTW 估计量的渐近偏倚和效率，提出最优平衡函数的选择准则，并构造最优 CBPS-IPTW 估计量。

子线索聚类

这些被引文献大致落在三条子线索上：

  • 线索 A：倾向性评分估计的经典方法（Rosenbaum & Rubin 1983, Hirano, Imbens & Ridder 2003, Robins, Rotnitzky & Zhao 1995）
    这一簇关注如何通过估计倾向性评分来实现 ATE 的一致估计，核心工具是 MLE 或非参数 sieve 估计。经典结论是：倾向性评分估计越灵活，IPTW 估计量越接近半参数有效。

  • 线索 B：直接优化协变量平衡的方法（Imai & Ratkovic 2014, Zhao & Percival 2017, Chan, Yam & Zhang 2016, Hainmueller 2012）
    这一簇放弃似然最大化，转而直接对权重施加平衡约束。核心想法是：即使倾向性评分模型误设，只要协变量在加权后平衡，IPTW 估计量仍可能一致。但理论分析长期滞后于经验应用。

  • 线索 C：双重稳健估计（Robins, Rotnitzky & Zhao 1995, Bang & Robins 2005, Chernozhukov et al. 2018）
    这一簇关注当倾向性评分模型或结果模型之一正确时，估计量仍一致的性质。本文的最优 CBPS-IPTW 估计量被证明具有双重稳健性，因此可归入此线索。

这个方向在追问的核心问题

  1. 平衡条件的选择如何影响估计量的偏倚与效率？ 更多平衡条件是否总是更好？
  2. 在局部模型误设下，CBPS-IPTW 估计量的渐近分布是什么？ 偏倚项如何刻画？
  3. 是否存在最优的平衡函数选择准则？ 如果有，如何构造相应的估计量？
  4. 如何放松参数假设，在非参数设定下实现全局有效估计？

当前主流方法是 CBPS 及其变体（Imai & Ratkovic 2014），已知瓶颈是缺乏对平衡条件选择的理论指导——实践中往往凭经验选择协变量的一阶矩（均值），但理论不清楚这是否最优。

⚠️ 作者的 framing

作者把缺口 frame 成：“尽管 CBPS 等方法经验上表现好，但平衡条件的选择对理论性质的影响未知”。这使得本文成为“显然的下一步”：先刻画偏倚与效率，再提出最优选择准则。

被淡化或回避的竞争路线： - 作者将熵平衡（Zhao & Percival 2017）和 CBG（Chan, Yam & Zhang 2016）定位为“相关但不同”的方法，但没有深入比较它们与 CBPS 在最优平衡条件上的差异。具体来说，熵平衡直接对权重施加约束而不显式估计倾向性评分，而本文的方法仍基于倾向性评分模型（参数或 sieve）。作者在引言中仅用一句话提及这些方法，没有讨论它们是否也能纳入本文的最优平衡框架。 - 作者没有讨论非参数倾向性评分估计（如 Hirano, Imbens & Ridder 2003）与 CBPS 在有限样本下的比较。理论上，非参数估计可以达到全局有效，但 CBPS 的优势在于对模型误设的稳健性——作者没有量化这种权衡。

什么明显该被引 / 该存在、却没出现在 intro 里？ - Tan (2010) 关于“改进的 IPTW 估计量”的工作，该文在倾向性评分模型误设下提出了偏倚校正的 IPTW 估计量，与本文的局部模型误设分析直接相关。作者在正文中引用了 Tan (2010) 作为双重稳健估计的参考文献，但引言中没有提及。 - Graham, Pinto & Egel (2012) 关于“逆概率加权与协变量平衡”的计量经济学工作，该文在 GMM 框架下研究了平衡条件的选择。作者在正文中引用了这篇，但引言中没有突出。 - Athey, Imbens & Wager (2018) 关于“近似残差平衡”的方法，该文通过直接优化平衡来估计 ATE，与本文的平衡条件选择问题高度相关。未出现在引言中。

张力

未见明显对立引用。所有被引工作都承认协变量平衡方法在经验上的优势，分歧仅在于理论分析框架的选择（GMM vs. MLE vs. 直接权重优化）。作者通过将 CBPS 置于 GMM 框架下，统一了这些视角。

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： - \( T_i \in \{0,1\} \)：处理变量，个体 \( i \) 是否接受处理。 - \( Y_i \)：结果变量，个体 \( i \) 的观测结果。 - \( Y_i(1), Y_i(0) \)：潜在结果（potential outcomes），分别表示个体 \( i \) 在接受处理和不接受处理时的结果。不可观测——每个个体只能观测到其中一个。 - \( \mathbf{X}_i \in \mathbb{R}^d \)：协变量向量，个体 \( i \) 的预处理特征。可观测。 - \( \tau = \mathbb{E}[Y_i(1) - Y_i(0)] \)：平均处理效应（ATE），目标 estimand。 - \( e(\mathbf{x}) = \mathbb{P}(T_i = 1 \mid \mathbf{X}_i = \mathbf{x}) \)：倾向性评分（propensity score），待估计的未知函数。 - \( \boldsymbol{\beta} \in \mathbb{R}^p \)：倾向性评分模型的参数向量（例如逻辑回归系数）。 - \( \mathbf{f}(\mathbf{X}_i) \in \mathbb{R}^k \)：平衡函数（balancing functions），协变量的已知变换向量，用于构造矩条件。例如，\( \mathbf{f}(\mathbf{X}_i) = \mathbf{X}_i \) 表示平衡一阶矩。 - \( n \)：样本量。

模型： - 无混淆性（unconfoundedness）：\( (Y_i(1), Y_i(0)) \perp T_i \mid \mathbf{X}_i \)。即给定协变量，处理分配与潜在结果独立。 - 重叠（overlap）：\( 0 < e(\mathbf{x}) < 1 \) 对所有 \( \mathbf{x} \) 成立。 - 倾向性评分模型：假设 \( e(\mathbf{x}) = e(\mathbf{x}; \boldsymbol{\beta}) \) 是参数模型（如逻辑回归 \( e(\mathbf{x}; \boldsymbol{\beta}) = \exp(\mathbf{x}^\top \boldsymbol{\beta}) / (1 + \exp(\mathbf{x}^\top \boldsymbol{\beta})) \)）。本文也考虑 sieve 非参数扩展。 - 结果模型：\( \mu_t(\mathbf{x}) = \mathbb{E}[Y_i(t) \mid \mathbf{X}_i = \mathbf{x}] \)，\( t = 0,1 \)，用于双重稳健性分析。

可观测数据： - 研究者观测到 \( \{ (Y_i, T_i, \mathbf{X}_i) \}_{i=1}^n \)，即每个个体的结果、处理状态和协变量。 - 不可观测：每个个体的反事实结果 \( Y_i(1-t) \)（若 \( T_i = t \)），以及真实的倾向性评分 \( e(\mathbf{x}) \)。

第二步：讲最小内核

最简特例：假设只有一个协变量 \( X_i \in \mathbb{R} \)，倾向性评分模型为逻辑回归 \( e(X_i; \beta) = \exp(\beta X_i) / (1 + \exp(\beta X_i)) \)，平衡函数取为 \( f(X_i) = X_i \)（即只平衡一阶矩）。CBPS 方法通过求解以下矩条件来估计 \( \beta \)：

\[\mathbb{E}\left[ \frac{T_i}{e(X_i; \beta)} f(X_i) \right] = \mathbb{E}\left[ \frac{1-T_i}{1-e(X_i; \beta)} f(X_i) \right]\]

即加权后的处理组协变量均值等于加权后的对照组协变量均值。样本版本为：

\[\frac{1}{n} \sum_{i=1}^n \frac{T_i}{e(X_i; \beta)} X_i = \frac{1}{n} \sum_{i=1}^n \frac{1-T_i}{1-e(X_i; \beta)} X_i\]

核心思路：传统的 MLE 估计 \( \beta \) 最大化似然函数 \( \prod_i e(X_i; \beta)^{T_i} (1-e(X_i; \beta))^{1-T_i} \)，这等价于求解得分方程 \( \sum_i (T_i - e(X_i; \beta)) X_i = 0 \)。而 CBPS 的矩条件要求的是加权后的协变量均值平衡，而非残差与协变量的正交性。当倾向性评分模型正确时，两种方法都一致；但当模型误设时，CBPS 的矩条件直接强制协变量在加权后平衡，从而可能减少 IPTW 估计量的偏倚。

在这个特例下，本文要回答的问题：如果只平衡一阶矩（\( f(X_i) = X_i \)），这是最优的选择吗？如果加入二阶矩 \( f(X_i) = (X_i, X_i^2)^\top \)，会更好还是更差？本文的答案是：存在一个最优的平衡函数，它由结果模型的某种“最佳线性预测”决定，而非简单地包含所有协变量矩。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在 IPTW 框架下，系统分析 CBPS 方法中平衡条件的选择对 ATE 估计量的渐近偏倚和效率的影响，并提出最优平衡函数的选择准则。
  2. 核心工具 / 方法：将 CBPS 置于 GMM 框架下，在局部模型误设下推导 IPTW 估计量的渐近展开，利用半参数效率理论构造最优平衡函数，并通过 sieve 估计扩展至非参数设定。
  3. 主要结论：提出的最优 CBPS-IPTW 估计量具有双重稳健性（倾向性评分模型或结果模型之一正确时一致），且在两个模型均正确时达到局部半参数有效；sieve 扩展版本在更弱条件下实现全局有效，且渐近偏倚小于现有估计量。

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：

  • 定义 1（CBPS 估计量）：给定平衡函数 \( \mathbf{f}(\mathbf{X}) \in \mathbb{R}^k \)，CBPS 估计量 \( \hat{\boldsymbol{\beta}}_{\text{CBPS}} \) 通过求解以下 GMM 矩条件得到：

    \[\mathbb{E}\left[ \frac{T}{e(\mathbf{X}; \boldsymbol{\beta})} \mathbf{f}(\mathbf{X}) - \frac{1-T}{1-e(\mathbf{X}; \boldsymbol{\beta})} \mathbf{f}(\mathbf{X}) \right] = \mathbf{0}\]
    样本版本为 \( \frac{1}{n} \sum_{i=1}^n \mathbf{g}(Y_i, T_i, \mathbf{X}_i; \boldsymbol{\beta}) = \mathbf{0} \)，其中 \( \mathbf{g} \) 是上述矩条件的样本模拟。

  • 假设 1（局部模型误设）：假设真实的倾向性评分 \( e_0(\mathbf{X}) \) 与参数模型 \( e(\mathbf{X}; \boldsymbol{\beta}_0) \) 相差一个局部偏离（local misspecification），即 \( e_0(\mathbf{X}) = e(\mathbf{X}; \boldsymbol{\beta}_0) + \delta_n(\mathbf{X}) / \sqrt{n} \)，其中 \( \delta_n(\mathbf{X}) \) 有界。这是本文分析偏倚的关键假设——它允许模型“几乎正确”，从而可以用渐近理论刻画偏倚项。

  • 假设 2（结果模型的正则性）：结果回归函数 \( \mu_t(\mathbf{X}) \) 满足一定的光滑性条件（如 Lipschitz 或 Hölder 类），用于 sieve 估计的收敛速度分析。

  • 相比已有文献的放宽 / 强化：

  • 相比 Imai & Ratkovic (2014)，本文放宽了对平衡函数选择的任意性——不再假设平衡函数是预先固定的，而是提出最优选择准则。
  • 相比 Hirano, Imbens & Ridder (2003)，本文强化了对倾向性评分模型的参数假设（局部模型误设），但通过 sieve 扩展又放宽回非参数设定。

主要结果

定理 1（局部模型误设下 CBPS-IPTW 的渐近偏倚）： 假设局部模型误设（假设 1）成立，且平衡函数 \( \mathbf{f}(\mathbf{X}) \) 固定。则 CBPS-IPTW 估计量 \( \hat{\tau}_{\text{CBPS}} \) 的渐近偏倚为：

\[\text{Bias}[\hat{\tau}_{\text{CBPS}}] = \frac{1}{\sqrt{n}} \mathbb{E}\left[ \frac{\delta_n(\mathbf{X})}{e(\mathbf{X}; \boldsymbol{\beta}_0)(1-e(\mathbf{X}; \boldsymbol{\beta}_0))} \cdot \left( \mu_1(\mathbf{X}) - \mu_0(\mathbf{X}) - \tau \right) \cdot \mathbf{f}(\mathbf{X})^\top \mathbf{H}^{-1} \mathbf{s}(\mathbf{X}) \right] + o(1/\sqrt{n})\]
其中 \( \mathbf{H} \) 是矩条件的 Jacobian 矩阵，\( \mathbf{s}(\mathbf{X}) \) 是某个投影方向。直觉：偏倚由三部分乘积构成——模型误设程度 \( \delta_n \)、结果模型的异质性 \( \mu_1 - \mu_0 - \tau \)、以及平衡函数 \( \mathbf{f} \) 的投影。必要条件：如果结果模型是常数（无异质性），或模型完全正确（\( \delta_n = 0 \)），偏倚为零。

定理 2（最优平衡函数的选择）： 在定理 1 的设定下，最小化渐近均方误差（AMSE）的最优平衡函数为：

\[\mathbf{f}^*(\mathbf{X}) = \frac{\mu_1(\mathbf{X}) - \mu_0(\mathbf{X}) - \tau}{e(\mathbf{X}; \boldsymbol{\beta}_0)(1-e(\mathbf{X}; \boldsymbol{\beta}_0))} \cdot \mathbf{X}\]
（在逻辑回归模型下简化）。直觉：最优平衡函数应加权结果模型的异质性，而非简单地包含所有协变量矩。解决的技术难点：\( \tau \) 本身是未知的，因此需要迭代估计——先用初始估计量得到 \( \hat{\tau} \)，再构造 \( \hat{\mathbf{f}}^* \)，然后重新估计 CBPS。

定理 3（双重稳健性）： 最优 CBPS-IPTW 估计量 \( \hat{\tau}_{\text{opt}} \) 具有双重稳健性： - 若倾向性评分模型正确（\( \delta_n = 0 \)），则 \( \hat{\tau}_{\text{opt}} \xrightarrow{p} \tau \)。 - 若结果模型 \( \mu_t(\mathbf{X}) \) 被正确指定（例如通过 sieve 估计），则即使倾向性评分模型误设，\( \hat{\tau}_{\text{opt}} \xrightarrow{p} \tau \)。 - 若两个模型均正确，则 \( \hat{\tau}_{\text{opt}} \) 达到局部半参数有效（渐近方差等于半参数效率界）。

定理 4（sieve 扩展的全局有效性）： 当用 sieve 估计倾向性评分和结果模型时，最优 CBPS-IPTW 估计量在更弱条件下（如 \( e(\mathbf{X}) \) 和 \( \mu_t(\mathbf{X}) \) 属于 Hölder 类）达到全局半参数有效，且渐近偏倚小于现有 sieve IPTW 估计量（如 Hirano, Imbens & Ridder 2003）。

证明路线与技术技巧

整体路线（以定理 1 和 2 为例）：

  1. 第一步：将 CBPS 估计量表示为 GMM 解。写出矩条件 \( \mathbb{E}[\mathbf{g}(\mathbf{O}; \boldsymbol{\beta})] = \mathbf{0} \)，其中 \( \mathbf{O} = (Y, T, \mathbf{X}) \)。利用标准 GMM 理论，得到 \( \hat{\boldsymbol{\beta}}_{\text{CBPS}} \) 的渐近展开：

    \[\sqrt{n}(\hat{\boldsymbol{\beta}}_{\text{CBPS}} - \boldsymbol{\beta}_0) = -\mathbf{H}^{-1} \frac{1}{\sqrt{n}} \sum_{i=1}^n \mathbf{g}(\mathbf{O}_i; \boldsymbol{\beta}_0) + o_p(1)\]
    其中 \( \mathbf{H} = \mathbb{E}[\partial \mathbf{g} / \partial \boldsymbol{\beta}^\top] \)。

  2. 第二步：将 IPTW 估计量展开。写出 \( \hat{\tau} = \frac{1}{n} \sum_i \frac{T_i Y_i}{e(\mathbf{X}_i; \hat{\boldsymbol{\beta}})} - \frac{1}{n} \sum_i \frac{(1-T_i)Y_i}{1-e(\mathbf{X}_i; \hat{\boldsymbol{\beta}})} \)。在 \( \hat{\boldsymbol{\beta}} \) 附近进行泰勒展开，得到：

    \[\hat{\tau} - \tau = \frac{1}{n} \sum_i \psi(\mathbf{O}_i; \boldsymbol{\beta}_0) + \mathbb{E}\left[ \frac{\partial \tau}{\partial \boldsymbol{\beta}^\top} \right] (\hat{\boldsymbol{\beta}} - \boldsymbol{\beta}_0) + \text{偏倚项} + o_p(1/\sqrt{n})\]
    其中 \( \psi \) 是影响函数（influence function）。

  3. 第三步：代入局部模型误设。将 \( e_0(\mathbf{X}) = e(\mathbf{X}; \boldsymbol{\beta}_0) + \delta_n(\mathbf{X}) / \sqrt{n} \) 代入，分离出偏倚项。关键跳跃点：偏倚项来自 \( \delta_n \) 与结果异质性的交互，而平衡函数 \( \mathbf{f} \) 通过 \( \mathbf{H}^{-1} \) 影响偏倚的大小。

  4. 第四步：最小化 AMSE。将偏倚的平方与方差相加，对 \( \mathbf{f} \) 求变分（calculus of variations），得到最优平衡函数的显式解。关键跳跃点：这是一个函数空间中的优化问题，作者将其转化为一个加权最小二乘问题，从而得到闭式解。

技术技巧点名： - GMM 渐近理论：用于推导 CBPS 估计量的渐近分布（第一步）。 - 泰勒展开与影响函数：用于将 IPTW 估计量展开为线性项加偏倚项（第二步）。 - 局部模型误设框架：借鉴 Newey (1994) 和 Andrews (1994) 的技术，将模型误设参数化为 \( O(1/\sqrt{n}) \) 的偏离，从而在渐近分析中保留偏倚项（第三步）。 - 变分法 / 函数优化：用于求解最优平衡函数（第四步）。 - sieve 估计的收敛速度：用于定理 4 的全局有效性证明，利用 Newey (1997) 的 sieve 估计理论。

真实例子与应用

本文包含模拟研究和两个实证应用：

  • 模拟研究：
  • 数据生成：协变量 \( \mathbf{X} \in \mathbb{R}^5 \)，倾向性评分为逻辑回归（线性或非线性），结果模型为线性或非线性。设置不同程度的模型误设（如遗漏交互项）。
  • 方法对比：比较标准 IPTW（MLE 估计倾向性评分）、CBPS（平衡一阶矩）、最优 CBPS（本文方法）、双重稳健估计（AIPW）。
  • 结果：在模型误设下，最优 CBPS 的偏倚和 RMSE 显著小于标准 CBPS 和 IPTW；当模型正确时，所有方法表现相近，但最优 CBPS 的效率接近半参数效率界。

  • 想说明什么：验证理论预测——最优平衡函数确实减少了偏倚，且双重稳健性成立。

  • 实证应用 1：就业培训项目（NSW）：

  • 数据：经典 Lalonde 数据集，评估就业培训对收入的影响。
  • 方法应用：用逻辑回归估计倾向性评分，CBPS 平衡一阶矩，最优 CBPS 使用估计的最优平衡函数。
  • 结果：最优 CBPS 估计的 ATE 与实验基准（随机化实验）更接近，且置信区间更窄。

  • 想说明什么：展示在真实数据中，最优平衡条件选择能改善估计精度。

  • 实证应用 2：医疗保险支出：

  • 数据：RAND 健康保险实验数据，评估不同保险计划对医疗支出的影响。
  • 方法应用：类似 NSW 分析，但协变量维度更高（~30）。
  • 结果：最优 CBPS 在协变量平衡上表现更好（标准化差异更小），且 ATE 估计更稳定。
  • 想说明什么：验证方法在高维协变量下的可行性。

🔎 结论是否比证明窄

  • 定理 2 的最优平衡函数是在逻辑回归模型和线性结果模型的简化下推导的。作者在正文中声称“最优平衡函数的一般形式可由类似推导得到”，但没有给出一般非线性模型下的显式解。这是一个窄结论被泛化 claim 的例子——读者需要确认一般情况下的推导是否成立。
  • 定理 4 的全局有效性依赖于 sieve 估计的收敛速度条件（如 \( e(\mathbf{X}) \) 属于 Hölder 类 \( \alpha \) 且 \( \alpha > d/2 \)）。如果光滑性条件不满足（如 \( \alpha \) 很小），全局有效性可能不成立。作者在定理陈述中明确写了“under a set of much weaker assumptions”，但“weaker”是相对于参数假设而言，而非相对于所有非参数设定。
  • 双重稳健性的证明假设结果模型通过 sieve 正确指定。如果结果模型也是参数模型且误设，双重稳健性不成立——这与标准双重稳健估计（如 AIPW）一致，但作者没有讨论结果模型误设的程度对偏倚的影响。

四、开放问题

  1. 最优平衡函数在非线性倾向性评分模型下的显式形式：定理 2 的推导假设逻辑回归模型。对于 probit、log-log 或其他链接函数，最优平衡函数是否仍有类似形式？扎根于定理 2 的证明（第 4 节，方程 4.5-4.7），其中显式使用了逻辑回归的导数结构。

  2. 高维协变量下的最优平衡条件选择：当 \( d \gg n \) 时，sieve 估计的收敛速度可能很慢，最优平衡函数的估计可能不稳定。作者在模拟中仅使用 \( d=5 \) 或 \( d=30 \)，未讨论超高维情形。扎根于定理 4 的假设（光滑性条件 \( \alpha > d/2 \)），在高维下这一条件可能不现实。

  3. 平衡条件选择与变量选择的关系：如果协变量中存在无关变量（irrelevant covariates），最优平衡函数是否会自动忽略它们？作者没有讨论变量选择或稀疏性假设。扎根于定理 2 的推导，其中平衡函数是协变量的线性组合——如果某些协变量与结果无关，它们是否应从平衡函数中剔除？

  4. 纵向 / 时序设定下的最优平衡条件：本文仅考虑横截面数据。在纵向因果推断（如 DID、事件研究）中，平衡条件的选择可能涉及时间维度上的协变量平衡。扎根于本文的 future work 段落（第 7 节），作者提到“extending our framework to longitudinal settings is an important direction”。

提醒：要确认第 1 条是否是真 gap，建议去读 Tan (2010) 和 Graham, Pinto & Egel (2012) 的引言——如果它们也提到类似的最优平衡问题但未解决，则共识成立；如果它们有不同框架下的解，则可能是作者刻意回避的竞争路线。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论