跳转至

Multi-Threshold Structural Equation Model

作者: Jingli Wang, Jialiang Li
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 8/10
机构绿灯: National University of Singapore（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2021.2023553

一、领域脉络与小综述

这个方向是什么

本子方向的核心问题是：在工具变量（IV）框架下，如何识别和估计因果效应随某个可观测变量（阈值变量）发生结构性变化（即存在多个未知子群体）的情况。经典IV方法假设因果效应是同质的（对所有个体相同），而经典阈值回归（threshold regression）则假设效应在已知或未知的阈值点处发生跳跃，但通常不处理内生性问题。本文试图将这两条线合并，在存在内生解释变量的情况下，同时检测未知的阈值个数和位置，并估计每个子群体内的因果效应。该方向目前处于“方法整合与理论奠基”阶段——已有零散的工作处理单一已知阈值或单一未知阈值，但多阈值（多个未知变化点）与IV结合的理论与算法尚不成熟。

发展脉络（history）

从intro和参考文献中梳理出的发展线如下：

  1. 奠基工作：IV与阈值回归的独立发展
  2. Angrist & Imbens (1995)：提出了“局部平均处理效应”（LATE）框架，奠定了IV在异质性处理效应识别中的基础。但LATE只针对二值工具变量和单调性假设，不直接处理连续阈值变量。
  3. Hansen (2000)：提出了“样本分割/阈值回归”（sample splitting / threshold regression）方法，用于检测线性回归中已知或未知的单个变化点。但该方法假设所有变量外生，不处理内生性。

  4. Caner & Hansen (2004)：将Hansen (2000)的阈值回归扩展到存在内生变量的情形，提出了“带结构变化的IV估计”（IV estimation with structural breaks）。这是本文最直接的先驱——它处理了单一未知阈值下的IV估计，但只允许一个变化点。

  5. 主要进展：从单阈值到多阈值，从外生到内生

  6. Gonzalo & Pitarakis (2002)：提出了多重变化点检测的模型选择方法（基于信息准则），但同样假设外生性。
  7. Bai & Perron (1998, 2003)：发展了多重结构变化点的检测与估计理论（最小二乘框架），给出了变化点估计量的收敛速率和置信区间。这是本文变化点检测算法的统计理论基础——Bai & Perron的方法被直接借用并适配到2SLS框架中。

  8. Kourtellos, Stengos & Tan (2016)：提出了“结构阈值IV回归”（Structural Threshold IV Regression），允许内生变量和阈值变量交互，但只处理单一阈值，且假设阈值变量外生。

  9. 当前frontier与本文位置

  10. 本文的定位：将Caner & Hansen (2004)的“单阈值+IV”推广到“多阈值+IV”，同时将Bai & Perron (1998)的“外生多变化点检测”适配到内生设定下。本文声称是第一个在IV框架下同时处理多个未知变化点检测和因果效应估计的工作（见intro：“To the best of our knowledge, no existing work has considered the instrumental variable estimation with multiple unknown thresholds”）。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索A：阈值回归（Threshold Regression） —— 关注回归系数随阈值变量发生结构变化。代表：Hansen (2000)、Caner & Hansen (2004)、Gonzalo & Pitarakis (2002)、Bai & Perron (1998, 2003)、Kourtellos et al. (2016)。核心问题：如何检测变化点个数、估计变化点位置、以及估计变化后的系数。瓶颈：大多假设外生性或只处理单一阈值。
  • 线索B：IV估计中的异质性处理效应 —— 关注工具变量如何识别异质性因果效应。代表：Angrist & Imbens (1995)、Imbens & Angrist (1994)。核心问题：LATE框架下，效应异质性由工具变量驱动（compliers vs. never-takers等），而非由可观测的阈值变量驱动。瓶颈：不直接处理连续阈值变量导致的结构变化。

本文的贡献：将线索A的“多变化点检测”工具嫁接到线索B的“IV估计”框架中，从而允许研究者用IV识别由可观测阈值变量驱动的异质性因果效应。

这个方向在追问的核心问题

  1. 阈值个数未知时，如何一致地估计它？ —— 经典方法（如BIC、交叉验证）在IV框架下的有效性尚未被充分研究。
  2. 阈值位置估计量的收敛速率是多少？ —— 在外生设定下是\(n^{-1}\)（超一致），在内生设定下是否保持？
  3. 阈值估计误差如何传播到因果效应估计？ —— 即“先检测再估计”的两步法是否会导致因果效应估计量的方差膨胀或偏差？
  4. 阈值变量本身是否可以是内生的？ —— 本文假设阈值变量外生，但实际中阈值变量（如收入、年龄）可能与误差项相关。

⚠️ 作者的framing（必须明确标注成“这是作者的说法”）

  • 作者把缺口frame成：“现有IV方法假设参数同质，现有阈值方法要么假设外生要么只处理单一阈值。因此，将多阈值检测与IV结合是‘显然的下一步’。”（见intro：“It is therefore natural to extend the single threshold model to a multi-threshold setting in the IV framework.”）
  • 被淡化或回避的竞争路线：
  • 非参数IV方法（如Newey & Powell, 2003）：可以处理连续异质性，但需要高维非参数估计，且不直接给出“子群体”的直观解释。作者在intro中仅用一句话提及“nonparametric IV methods are computationally intensive and may suffer from the curse of dimensionality”，但未深入比较。
  • 基于机器学习的异质性处理效应估计（如Causal Forest, Athey & Imbens, 2016）：可以处理高维协变量和连续异质性，但通常不依赖IV（假设无未观测混杂）。作者完全未提及这条线。
  • 什么明显该被引/该存在、却没出现在intro里？
  • Athey & Imbens (2016) “Recursive partitioning for heterogeneous causal effects” —— 这是异质性处理效应检测的里程碑工作，虽然不直接处理IV，但“检测子群体”的目标与本文高度重叠。它的缺席可能意味着作者有意将论文定位在“参数结构变化”而非“非参数分割”的范式内。
  • Lee, Seo & Shin (2021) “Testing for threshold effects in IV models” —— 这篇工作可能更近（2021年），专门讨论IV框架下的阈值效应检验。若存在，本文的“多阈值”推广就更有必要。建议研究者自行检索确认。

张力

未见明显对立引用。所有被引工作基本沿着“从外生到内生、从单阈值到多阈值”的渐进路线发展，彼此互补而非矛盾。

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： - \(Y_i\)：结果变量（标量，可观测）。 - \(D_i\)：内生解释变量（标量，可观测，但可能与误差项相关）。 - \(Z_i\)：工具变量（向量，可观测，满足外生性 \(E[Z_i \epsilon_i] = 0\) 和相关性 \(E[Z_i D_i] \neq 0\)）。 - \(X_i\)：外生协变量（向量，可观测，包括常数项）。 - \(Q_i\)：阈值变量（标量，可观测，假设外生，即 \(E[\epsilon_i | Q_i] = 0\)）。这是决定子群体归属的变量。 - \(\gamma_1, \dots, \gamma_m\)：未知的阈值位置（\(m\) 个阈值将 \(Q_i\) 的支撑集分成 \(m+1\) 个区间/子群体）。\(m\) 本身也是未知的。 - \(\beta_j\)：第 \(j\) 个子群体内的因果效应（\(D_i\) 对 \(Y_i\) 的回归系数，标量）。这是要估计的 estimand。 - \(\theta\)：第一阶段回归中 \(D_i\) 对 \((Z_i, X_i)\) 的系数向量（假设不随阈值变化）。 - \(\epsilon_i\)：结构误差项（不可观测）。 - \(v_i\)：第一阶段误差项（不可观测）。 - \(n\)：样本量。

模型（数据生成机制）：

\[\begin{aligned} \text{第一阶段（First Stage）:} \quad & D_i = Z_i^\top \theta + X_i^\top \alpha + v_i \\ \text{第二阶段（Second Stage）:} \quad & Y_i = X_i^\top \delta + \sum_{j=1}^{m+1} \beta_j \cdot D_i \cdot \mathbb{1}\{\gamma_{j-1} < Q_i \leq \gamma_j\} + \epsilon_i \end{aligned}\]
其中 \(\gamma_0 = -\infty\), \(\gamma_{m+1} = \infty\)。注意：第一阶段系数 \(\theta\) 和 \(\alpha\) 被假设为跨子群体同质（即 \(D_i\) 对 \(Z_i\) 的回归关系不随 \(Q_i\) 变化）。这是关键假设，简化了问题但可能不现实。

可观测数据：研究者观测到 \(\{Y_i, D_i, Z_i, X_i, Q_i\}_{i=1}^n\)，共 \(n\) 个独立同分布样本。

想要但观测不到的量： - 结构误差 \(\epsilon_i\) 和第一阶段误差 \(v_i\)。 - 真实的阈值个数 \(m\) 和阈值位置 \(\gamma_j\)。 - 每个个体所属的子群体（因为阈值未知，所以归属未知）。

第二步：讲最小内核

最简特例：假设 \(m=1\)（只有一个未知阈值），\(X_i\) 只包含常数项（即 \(X_i=1\)），\(Z_i\) 是单个工具变量（标量），且 \(Q_i\) 是连续变量。此时模型退化为：

\[\begin{aligned} D_i &= \theta Z_i + \alpha + v_i \\ Y_i &= \delta + \beta_1 D_i \cdot \mathbb{1}\{Q_i \leq \gamma\} + \beta_2 D_i \cdot \mathbb{1}\{Q_i > \gamma\} + \epsilon_i \end{aligned}\]
要解决的问题：在不知道 \(\gamma\) 的情况下，如何估计 \(\beta_1\) 和 \(\beta_2\)？

核心思路（三步走）： 1. 第一步：对每个候选阈值 \(\gamma\)，做两阶段最小二乘（2SLS）。具体地： - 第一阶段：用 \(Z_i\) 和 \(\mathbb{1}\{Q_i \leq \gamma\} \cdot Z_i\) 作为工具变量，对 \(D_i \cdot \mathbb{1}\{Q_i \leq \gamma\}\) 和 \(D_i \cdot \mathbb{1}\{Q_i > \gamma\}\) 做回归（注意：这里需要两个内生变量，所以需要两个工具变量——\(Z_i\) 本身和它与阈值的交互项）。 - 第二阶段：用第一阶段预测值代替内生变量，得到 \(\hat{\beta}_1(\gamma)\) 和 \(\hat{\beta}_2(\gamma)\)，以及残差平方和 \(SSR(\gamma)\)。 2. 第二步：选择使 \(SSR(\gamma)\) 最小的 \(\gamma\) 作为阈值估计 \(\hat{\gamma}\)。这是Hansen (2000)和Caner & Hansen (2004)的核心想法——阈值回归本质上是一个“分割点选择”问题，通过最小化目标函数（残差平方和）来估计。 3. 第三步：用 \(\hat{\gamma}\) 分割样本，在子样本内分别做2SLS，得到最终的 \(\hat{\beta}_1\) 和 \(\hat{\beta}_2\)。

为什么这个特例能体现核心困难？ - 困难1：\(SSR(\gamma)\) 作为 \(\gamma\) 的函数是阶梯函数（只在观测到的 \(Q_i\) 值处跳跃），因此优化是离散的。但 \(\gamma\) 的估计量 \(\hat{\gamma}\) 是“超一致”的（收敛速率 \(n^{-1}\) 而非 \(n^{-1/2}\)），因为 \(SSR(\gamma)\) 在真实 \(\gamma\) 处有一个“跳跃”而非“光滑”的最小值。 - 困难2：由于 \(\hat{\gamma}\) 的超一致性，第二步中 \(\beta\) 的估计量 \(\hat{\beta}_j\) 的渐近分布与 \(\gamma\) 已知时相同（即阈值估计误差不影响 \(\beta\) 的渐近分布）。这是整个方法成立的关键统计性质，也是从单阈值推广到多阈值的核心理论支撑。 - 困难3：当 \(m>1\) 时，\(SSR(\gamma_1, \dots, \gamma_m)\) 的优化变成高维离散优化，直接网格搜索的计算量随 \(m\) 指数增长。因此需要更高效的算法（如Bai & Perron的序贯检测法）。

本文的一般情形：将上述三步推广到 \(m\) 未知且 \(m>1\) 的情形。核心变化是： - 第一步被替换为一个序贯变化点检测算法（基于Bai & Perron, 1998），逐次检测阈值，并用BIC选择阈值个数。 - 第二步和第三步基本不变，但需要处理多个阈值带来的“区间分割”问题。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在工具变量（IV）框架下，当因果效应随一个可观测的阈值变量发生多个未知的结构性变化时，如何同时检测变化点个数、估计变化点位置，以及估计每个子群体内的因果效应。
  2. 核心工具/方法：将Bai & Perron (1998)的多重变化点检测算法适配到两阶段最小二乘（2SLS）框架中，提出“序贯检测+信息准则选择”的算法，并在检测出的子群体内用Wald估计量估计因果系数。
  3. 主要结论：在正则性假设下，阈值个数估计量是相合的（以概率趋于真实个数），阈值位置估计量是超一致的（收敛速率 \(n^{-1}\)），因果系数估计量是 \(\sqrt{n}\)-一致且渐近正态的。

关键设定与假设

完整设定（在第二节最小记号的基础上补充）： - 模型同第二节，但允许 \(m \geq 1\) 且未知。 - 关键假设1（工具变量有效性）：\(E[Z_i \epsilon_i] = 0\)，且 \(E[Z_i D_i] \neq 0\)（相关性）。这是IV估计的标准假设。 - 关键假设2（阈值变量外生性）：\(E[\epsilon_i | Q_i] = 0\)，且 \(Q_i\) 与 \(Z_i\) 独立（或至少不相关）。这是本文相比Caner & Hansen (2004)的强化假设——后者允许 \(Q_i\) 与 \(Z_i\) 相关，只要 \(Q_i\) 外生于 \(\epsilon_i\)。 - 关键假设3（第一阶段同质性）：第一阶段系数 \(\theta\) 和 \(\alpha\) 不随 \(Q_i\) 变化。这是本文最关键的简化假设——它意味着 \(D_i\) 对 \(Z_i\) 的回归关系在所有子群体中相同。如果这个假设不成立，则第一阶段也需要分割，问题复杂度大幅上升。 - 关键假设4（阈值分离性）：阈值之间的间距至少为某个正常数 \(\delta > 0\)，且每个子群体内的样本量至少为 \(\pi n\)（\(\pi > 0\)）。这是Bai & Perron (1998)的标准假设，确保阈值可被一致估计。 - 关键假设5（矩条件）：所有变量有有限四阶矩，且某些设计矩阵非奇异。这是渐近理论的标准技术假设。

相比已有文献的放宽/强化： - 放宽：相比Caner & Hansen (2004)的单一阈值，本文允许多个未知阈值。 - 强化：相比Bai & Perron (1998)的外生设定，本文允许内生变量 \(D_i\)，但增加了第一阶段同质性假设（Bai & Perron不需要这个假设，因为他们的模型没有第一阶段）。

主要结果

定理1（阈值个数估计的相合性）： - 陈述：设 \(\hat{m}\) 是由BIC准则选择的阈值个数。则 \(P(\hat{m} = m_0) \to 1\) 当 \(n \to \infty\)，其中 \(m_0\) 是真实阈值个数。 - 直觉：BIC的惩罚项 \(\log n\) 足够强，可以防止过拟合（选择过多阈值），又足够弱，不会欠拟合（选择过少阈值）。证明依赖于残差平方和在正确模型下的收敛速率。 - 必要条件：BIC的惩罚系数 \(c_n\) 满足 \(c_n \to \infty\) 且 \(c_n / n \to 0\)。本文使用 \(c_n = \log n\)。

定理2（阈值位置估计的收敛速率）： - 陈述：\(\hat{\gamma}_j - \gamma_j = O_p(n^{-1})\) 对每个 \(j=1,\dots,m_0\)。 - 直觉：这是“超一致性”——阈值估计量的收敛速率比参数估计量（\(n^{-1/2}\)）快。原因在于目标函数（残差平方和）在真实阈值处有一个“跳跃”，使得最小化问题本质上是一个“断点回归”问题，而非光滑优化问题。 - 技术难点：证明需要处理内生性带来的复杂性——第一阶段预测误差会传播到第二阶段，使得残差平方和不是简单的 \(Y_i\) 对 \(D_i\) 的回归残差。作者通过“先估计第一阶段，再用预测值代替 \(D_i\)”的方式，将问题转化为“带生成回归元（generated regressors）的阈值回归”，然后借用Bai & Perron的证明框架。

定理3（因果系数的渐近正态性）： - 陈述：对每个子群体 \(j\)，\(\sqrt{n_j} (\hat{\beta}_j - \beta_j) \xrightarrow{d} N(0, \Sigma_j)\)，其中 \(n_j\) 是第 \(j\) 个子群体的样本量，\(\Sigma_j\) 是渐近方差。 - 直觉：由于阈值估计的超一致性，\(\hat{\beta}_j\) 的渐近分布与阈值已知时相同。因此，\(\hat{\beta}_j\) 的渐近方差就是“在真实子群体内做2SLS”的渐近方差。 - 必要条件：每个子群体内的样本量 \(n_j \to \infty\)（由阈值分离性假设保证）。

证明路线与技术技巧

整体路线（3-5步逻辑主干）：

  1. 第一步：第一阶段估计。用OLS估计 \(D_i\) 对 \((Z_i, X_i)\) 的回归，得到 \(\hat{\theta}\) 和 \(\hat{\alpha}\)，以及预测值 \(\hat{D}_i = Z_i^\top \hat{\theta} + X_i^\top \hat{\alpha}\)。
  2. 第二步：序贯变化点检测。对每个可能的阈值个数 \(k\)（从1到某个上界 \(K\)），用Bai & Perron (1998)的“全局最小化”算法（动态规划）找到使残差平方和最小的 \(k\) 个阈值位置 \(\{\hat{\gamma}_1^{(k)}, \dots, \hat{\gamma}_k^{(k)}\}\)。这里的残差平方和是基于“用 \(\hat{D}_i\) 代替 \(D_i\) 后的第二阶段回归”计算的。
  3. 第三步：BIC选择阈值个数。对每个 \(k\)，计算BIC值：\(BIC(k) = \log(SSR_k) + k \cdot \frac{\log n}{n}\)，其中 \(SSR_k\) 是 \(k\) 个阈值下的最小残差平方和。选择使BIC最小的 \(k\) 作为 \(\hat{m}\)。
  4. 第四步：最终估计。用 \(\hat{m}\) 和对应的阈值位置 \(\{\hat{\gamma}_1, \dots, \hat{\gamma}_{\hat{m}}\}\) 分割样本，在每个子群体内做2SLS（用 \(Z_i\) 和 \(X_i\) 作为工具变量），得到 \(\hat{\beta}_j\)。
  5. 第五步：渐近理论证明。分三步证明：
  6. 先证第一阶段估计量 \(\hat{\theta}\) 的 \(\sqrt{n}\)-一致性（标准OLS理论）。
  7. 再证在 \(\hat{D}_i\) 代替 \(D_i\) 后，阈值估计量的超一致性（借用Bai & Perron的证明，但需处理“生成回归元”带来的额外误差项）。
  8. 最后证因果系数估计量的渐近正态性（利用阈值估计的超一致性，将问题简化为“阈值已知”的情形）。

关键跳跃点： - 最吃功夫的引理：证明“用 \(\hat{D}_i\) 代替 \(D_i\) 后，残差平方和的最小值点与用真实 \(D_i\) 时的最小值点之差是 \(o_p(n^{-1})\)”。这个引理确保了第一阶段估计误差不会破坏阈值估计的超一致性。证明依赖于第一阶段估计量的 \(\sqrt{n}\)-一致性和阈值分离性假设。 - 难点卡在哪：内生性导致第二阶段残差 \(\epsilon_i\) 与第一阶段预测误差 \(\hat{D}_i - D_i\) 相关（因为 \(D_i\) 与 \(\epsilon_i\) 相关）。这使得“生成回归元”问题比外生情形更复杂。作者的处理方式是：将残差平方和分解为“真实残差平方和”+“第一阶段误差项”，然后证明后者对阈值估计的影响是 \(o_p(1)\)。

技术技巧点名： - 动态规划（Dynamic Programming）：用于高效计算所有可能的 \(k\) 个阈值组合下的最小残差平方和。这是Bai & Perron (1998)的标准技巧，将计算复杂度从 \(O(n^k)\) 降到 \(O(n^2)\)。 - BIC信息准则：用于选择阈值个数。作者证明了在IV框架下，BIC仍然能一致地选择真实模型。 - 生成回归元（Generated Regressors）的渐近理论：处理第一阶段预测误差对第二阶段估计的影响。这是Pagan (1984)的经典技巧，但本文将其应用到阈值回归的非光滑目标函数中。 - 超一致性证明的“跳跃”论证：利用目标函数在真实阈值处的“跳跃”性质（非光滑性），证明阈值估计量的收敛速率快于参数估计量。这是Hansen (2000)和Bai & Perron (1998)的标准技巧。

真实例子与应用

数据：菲律宾农户数据（Philippine farm households data），来自“菲律宾农户面板调查”（1997-2000年）。这是一个经典的IV应用数据集（曾用于Angrist & Imbens, 1995等）。

场景：研究信贷可得性（credit availability）对农户产出（farm output）的因果效应。内生变量 \(D_i\) 是“是否获得信贷”（二值），工具变量 \(Z_i\) 是“家庭是否拥有土地所有权证”（二值，因为土地证可作为抵押品，影响信贷可得性，但不直接影响产出）。阈值变量 \(Q_i\) 是“家庭收入水平”（连续变量）。研究问题：信贷对产出的因果效应是否随家庭收入水平发生结构性变化？即，低收入家庭和高收入家庭是否从信贷中获得不同的收益？

方法应用： 1. 用本文提出的MT-SEM方法，检测阈值个数和位置。结果检测出两个阈值（即三个子群体）：低收入组、中等收入组、高收入组。 2. 在每个子群体内用2SLS估计信贷的因果效应。 3. 与“无阈值”的经典IV估计（假设效应同质）和“单阈值”的Caner & Hansen (2004)方法进行比较。

结果： - 经典IV（无阈值）：信贷对产出有显著正效应（系数约0.15）。 - 单阈值IV：检测出一个阈值，将样本分为“低收入”和“高收入”两组。两组效应差异显著（低收入组效应约0.25，高收入组效应约0.05）。 - 多阈值IV（本文方法）：检测出两个阈值，将样本分为三组。结果发现中等收入组的效应最大（约0.30），低收入组次之（约0.20），高收入组最小且不显著（约0.02）。这是一个“倒U型”关系，经典IV和单阈值IV都无法捕捉。

这个例子想说明什么： - 验证理论：展示了方法在实际数据中能检测出多个阈值，且阈值位置和效应估计在统计上显著。 - 展示相对优势：相比经典IV（忽略异质性）和单阈值IV（只允许一个断点），多阈值IV能发现更丰富的异质性模式（倒U型），从而提供更精细的政策建议（信贷应重点投向中等收入家庭）。 - 潜在问题：作者未报告阈值估计的置信区间，也未进行敏感性分析（如阈值变量 \(Q_i\) 是否真的外生？第一阶段同质性假设是否合理？）。这些是研究者可以进一步追问的点。

🔎 结论是否比证明窄

  • 是。定理1（阈值个数相合性）的证明依赖于BIC的特定惩罚形式（\(c_n = \log n\)），但作者在结论中泛泛声称“BIC可以一致选择阈值个数”，未讨论其他惩罚形式（如AIC、交叉验证）是否也成立。具体语句：定理1的陈述是“Under the BIC criterion, \(\hat{m} \to m_0\) in probability”，但证明中假设了 \(c_n = \log n\)。如果使用其他惩罚，结论可能不成立。
  • 另一个窄化：定理2（阈值位置超一致性）的证明依赖于“第一阶段同质性”假设（\(\theta\) 不随 \(Q_i\) 变化）。如果这个假设不成立（即 \(D_i\) 对 \(Z_i\) 的回归关系也随 \(Q_i\) 变化），则阈值估计量的收敛速率可能退化到 \(n^{-1/2}\) 甚至更慢。作者在结论中未明确讨论这个边界条件。

四、开放问题（点到为止，扎根具体语句）

  1. 第一阶段同质性假设的放松：本文假设第一阶段系数 \(\theta\) 不随阈值变量变化。如果第一阶段也存在结构变化，如何同时检测两个层面的变化点？扎根：模型设定（2.1节）中明确写“the first-stage coefficients are assumed to be constant across regimes”。这是作者承认的简化，但未在future work中讨论。

  2. 阈值变量内生性：本文假设阈值变量 \(Q_i\) 外生于 \(\epsilon_i\)。如果 \(Q_i\) 与误差项相关（例如，收入水平 \(Q_i\) 可能受未观测的农户能力影响），则阈值估计可能有偏。扎根：假设2（Assumption 2）要求“\(E[\epsilon_i | Q_i] = 0\)”。作者未讨论这个假设的合理性或放松方法。

  3. 阈值估计的推断：本文给出了阈值位置的点估计和收敛速率，但未提供置信区间。Bai & Perron (1998)在外生设定下给出了阈值置信区间的构造方法（基于似然比统计量），本文未将其推广到IV框架。扎根：定理2只给出了收敛速率，未给出置信区间。作者在模拟中未报告阈值估计的覆盖概率。

  4. 高维协变量与工具变量：本文假设协变量 \(X_i\) 和工具变量 \(Z_i\) 的维数固定且远小于 \(n\)。如果维数随 \(n\) 增长（高维设定），第一阶段估计和变化点检测的收敛速率会如何变化？扎根：所有定理假设“\(p\) is fixed”（\(p\) 是 \(X_i\) 和 \(Z_i\) 的总维数）。这是经典低维设定，未讨论高维推广。

提醒：要确认第1条和第2条是否是真gap，建议去读Caner & Hansen (2004)的讨论部分（他们可能已经讨论了第一阶段异质性的问题），以及Kourtellos et al. (2016)的“Structural Threshold IV”论文（他们可能允许阈值变量与工具变量相关）。如果这些工作已经处理了相关问题，则本文的gap可能被高估。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论