跳转至

A Novel Estimation Method in Generalized Single Index Models

作者: Dixin Zhang, Yulin Wang, Hua Liang
来源: Journal of Business & Economic Statistics
主题: 非参数 / 半参数
相关性: 7/10
链接: https://doi.org/10.1080/07350015.2022.2027777

一、领域脉络与小综述

这个方向是什么

广义单指标模型（Generalized Single Index Model, GSIM）是半参数回归的一个经典设定，旨在解决“高维协变量对离散/非连续响应的影响如何建模”这一根本问题。其核心思想是：响应变量 \(Y\) 的条件期望由一个已知的连接函数 \(\psi(\cdot)\) 和一个未知的链接函数 \(g(\cdot)\) 复合而成，而 \(g(\cdot)\) 的输入是协变量 \(X\) 在一个未知方向 \(\theta\) 上的线性组合 \(\theta^\top X\)。模型将参数部分（方向 \(\theta\)）与非参数部分（链接函数 \(g\)）分离，既保留了线性指数族模型的解释性，又通过非参数 \(g\) 避免了线性假设的刚性。该方向在计量经济学、生物统计和金融风险建模中应用广泛，其理论成熟度较高——识别性、渐近正态性和半参数效率界已有较完整的刻画，但实际估计方法在离散响应、稀疏数据等场景下仍有收敛性和稳健性问题。

发展脉络（history）

  1. 奠基工作：单指标模型（SIM）的雏形可追溯到 Ichimura (1993) 和 Hardle, Hall & Ichimura (1993)。Ichimura 提出了半参数最小二乘估计，通过非参数核回归估计 \(g\)，再最小化关于 \(\theta\) 的剖面最小二乘目标函数，证明了 \(\sqrt{n}\)-相合性和渐近正态性。Hardle 等人则用核平滑方法直接估计 \(g\) 和 \(\theta\)。这些工作奠定了 SIM 的理论基础，但要求响应变量为连续型，且连接函数 \(\psi\) 为恒等映射。

  2. 主要进展：Carroll et al. (1997) 将 SIM 推广到广义线性模型框架，提出了广义单指标模型（GSIM），允许 \(\psi\) 为已知的指数族连接函数（如 logit、probit、log），并用局部似然方法同时估计 \(\theta\) 和 \(g\)。他们的方法在理论上建立了 \(\sqrt{n}\)-相合性，但计算上需要迭代优化，且对初始值敏感。Yu & Ruppert (2002) 引入惩罚样条（P-spline）来估计 \(g\)，将问题转化为一个带惩罚的广义线性模型，降低了计算复杂度，但样条基的选取和惩罚参数的选择引入了额外的主观性。Wang & Yang (2009) 提出了基于 B 样条的估计方法，并给出了 \(\theta\) 的渐近正态性证明，但样条方法在边界处的表现不如局部线性平滑。

  3. 当前 frontier：近年来，GSIM 的研究集中在两个方向：一是高维协变量下的变量选择（如 Peng & Huang (2011) 用 SCAD 惩罚）；二是对离散响应（如二元、计数）的稳健估计。Liang et al. (2010) 提出了一个两步估计法，先用局部线性平滑得到 \(g\) 的相合估计，再将其代入似然函数估计 \(\theta\)，但该方法要求 \(\psi\) 为单调且可逆，且对稀疏响应（如大量零计数）的收敛性未充分讨论。

  4. 本文的位置：本文（Zhang, Wang & Liang, 2024）直接继承了 Liang et al. (2010) 的两步框架，但做了关键修改：将第二步的估计从“最大化伪似然”改为“将 \(\psi(\hat{g}(\theta^\top X_i))\) 视为连续响应，再用最小二乘估计 \(\theta\)”。作者声称这一改动可以“substantially overcome convergence problems encountered in generalized linear models with discrete response variables when sparseness occurs and misspecification”（Abstract）。从引用句看，作者将本文定位为对现有 GSIM 估计方法的一个工程改进——不改变识别策略，只改变估计步骤，以提升有限样本下的数值稳定性。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索一：基于核/局部平滑的估计（Ichimura 1993, Hardle et al. 1993, Carroll et al. 1997, Liang et al. 2010）。这一簇的核心是：用核方法非参数估计 \(g\)，再通过剖面似然或最小二乘估计 \(\theta\)。优点是理论成熟、渐近性质清晰；缺点是计算成本高（需要带宽选择），且对离散响应时的似然函数优化不稳定。
  • 线索二：基于样条的估计（Yu & Ruppert 2002, Wang & Yang 2009）。这一簇用样条基展开 \(g\)，将问题转化为参数化或半参数化问题。优点是计算快、易于实现；缺点是样条基的选取（节点数、阶数）和惩罚参数的选择对结果敏感，且边界效应需要特殊处理。

本文属于线索一的变体，但用最小二乘替代了似然优化，试图在保持渐近性质的同时提升数值稳定性。

这个方向在追问的核心问题

  1. 识别性：在什么条件下，方向 \(\theta\) 和链接函数 \(g\) 是可识别的？——通常要求 \(\theta\) 的范数固定（如 \(\|\theta\|=1\) 或第一个分量为 1），且 \(g\) 不是常数函数。
  2. 估计效率：\(\theta\) 的半参数效率界是什么？现有方法（如本文）是否达到了该效率界？——本文未讨论效率问题，只证明了渐近正态性。
  3. 离散响应下的稳健性：当响应变量为二元、计数或零膨胀时，似然方法容易发散，如何设计不依赖似然的稳健估计？——这是本文试图解决的核心问题。
  4. 高维扩展：当协变量维数 \(p\) 随样本量 \(n\) 增长时，如何同时进行变量选择和方向估计？

已知瓶颈：对于离散响应，广义线性模型的似然函数在稀疏数据下可能不存在有限的最大值（如完全分离问题），导致迭代算法不收敛。现有 GSIM 方法（如 Carroll et al. 1997）继承了这一缺陷。

⚠️ 作者的 framing

作者将缺口 frame 成：“现有 GSIM 估计方法在离散响应、稀疏数据或模型误设时存在收敛问题，而我们的两步法通过将第二步改为最小二乘，可以避免这些问题。” 这是作者的说法。

被淡化或回避的竞争路线： - 基于样条的方法（Yu & Ruppert 2002, Wang & Yang 2009）在文中被提及但未深入比较。样条方法本身不依赖似然优化（它直接最小化惩罚最小二乘或惩罚似然），因此理论上也能避免收敛问题。作者未解释为什么局部线性平滑 + 最小二乘比样条方法更好。 - 广义加性模型（GAM） 和 局部似然 的稳健版本（如用拟似然替代似然）未被引用。这些方法也能处理离散响应，且已有成熟的软件实现。

什么明显该被引 / 该存在、却没出现在 intro 里？ - Ma & Zhu (2013) 关于单指标模型半参数效率界的论文——本文未讨论效率，但效率界是评价任何估计量的黄金标准。 - Cui, Hardle & Zhu (2011) 关于 GSIM 的 EFM（effective dimension reduction）方法——这是另一条竞争路线。 - Fan & Gijbels (1996) 的局部多项式回归专著——本文的局部线性平滑理论直接依赖此书，但未引用。

张力：未见明显对立引用。所有被引工作基本一致地认为 GSIM 是有效的半参数工具，分歧仅在于估计方法的选择。

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： - \(Y\)：响应变量（随机变量），可以是连续、二元、计数等。 - \(X\)：\(p\) 维协变量向量（随机向量）。 - \(\theta\)：\(p\) 维未知参数向量，代表单指标方向。识别性约束：通常设 \(\|\theta\| = 1\) 或第一个分量为 1（本文未明确说明，但这是标准做法）。 - \(g(\cdot)\)：未知的链接函数，是一个从 \(\mathbb{R}\) 到 \(\mathbb{R}\) 的光滑函数（至少二阶可导）。 - \(\psi(\cdot)\)：已知的连接函数，通常是单调且可逆的（如 logit、probit、log、恒等映射）。 - \(\mu(x) = \mathbb{E}[Y \mid X = x]\)：回归函数。 - \(U = \theta^\top X\)：单指标变量（标量）。 - \(n\)：样本量。 - \(\{(Y_i, X_i)\}_{i=1}^n\)：独立同分布样本。

模型：

\[\mathbb{E}[Y \mid X] = \psi(g(\theta^\top X))\]
其中 \(\psi\) 已知，\(g\) 和 \(\theta\) 未知。模型假设 \(Y\) 的条件分布属于指数族（如 Bernoulli、Poisson、Normal），但本文的估计方法不依赖该分布假设——它只用到条件期望的结构。

可观测数据： - 研究者能观测到 \(\{(Y_i, X_i)\}_{i=1}^n\)。 - 不可观测：\(\theta\) 和 \(g(\cdot)\) 都是未知的，需要从数据中估计。 - 关键识别条件：\(\psi\) 是已知且可逆的，因此 \(\psi^{-1}(\mathbb{E}[Y \mid X]) = g(\theta^\top X)\)。这意味着，如果我们能一致地估计回归函数 \(\mu(x) = \mathbb{E}[Y \mid X = x]\)，那么 \(\psi^{-1}(\mu(x))\) 就给出了 \(g(\theta^\top x)\) 的一个“伪观测值”。这是本文两步法的核心逻辑。

第二步：讲最小内核

最简特例：假设 \(p=1\)（即 \(X\) 是标量），\(\psi\) 为恒等映射（即 \(\psi(t)=t\)），模型退化为：

\[\mathbb{E}[Y \mid X] = g(\theta X)\]
其中 \(\theta\) 是标量。由于 \(p=1\)，识别性约束自动满足（\(\theta\) 的符号可识别，但尺度不可识别——通常设 \(|\theta|=1\) 或固定 \(X\) 的尺度）。在这个特例下，模型实际上是一个单变量非参数回归，但自变量被缩放了一个未知倍数。

核心思路： 1. 第一步：估计 \(g\)。用局部线性平滑（local linear smoother）在 \(X\) 的支撑上估计回归函数 \(\mu(x) = \mathbb{E}[Y \mid X=x]\)。由于 \(\psi\) 是恒等映射，\(\hat{\mu}(x)\) 就是 \(\hat{g}(\theta x)\) 的一个相合估计。但注意：这里 \(\theta\) 未知，所以 \(\hat{\mu}(x)\) 实际上估计的是 \(g(\theta x)\) 在 \(x\) 处的值，而不是 \(g\) 在某个已知自变量上的值。 2. 第二步：估计 \(\theta\)。将第一步得到的 \(\hat{g}(\theta X_i)\)（即 \(\hat{\mu}(X_i)\)）视为“伪响应”，然后最小化关于 \(\theta\) 的平方和：

\[\hat{\theta} = \arg\min_{\theta} \sum_{i=1}^n \left( Y_i - \hat{g}(\theta X_i) \right)^2\]
但这里有一个循环：\(\hat{g}\) 本身依赖于 \(\theta\)（因为第一步的平滑是在 \(X\) 上做的，而 \(\hat{g}(\theta X_i)\) 需要知道 \(\theta\) 才能计算）。实际上，本文的做法是：先固定一个初始 \(\theta\)（如用普通最小二乘估计），用该 \(\theta\) 计算单指标变量 \(U_i = \theta^\top X_i\)，然后在 \(U_i\) 上做局部线性平滑得到 \(\hat{g}(u)\)，再更新 \(\theta\)。这是一个迭代过程，但作者声称一次迭代就足够（因为第一步的平滑是相合的）。

为什么这个特例能体现核心困难： - 当 \(p=1\) 且 \(\psi\) 为恒等映射时，模型退化为一个带未知缩放因子的非参数回归。困难在于：\(\theta\) 和 \(g\) 是“纠缠”的——改变 \(\theta\) 会改变 \(g\) 的定义域，从而改变第一步的平滑结果。本文的关键想法是：先用一个相合的初始估计（如 OLS）解耦 \(\theta\) 和 \(g\)，然后通过一次迭代更新 \(\theta\)。这个想法在 \(p>1\) 时同样适用，只是初始估计需要更小心（如用 Ichimura 1993 的剖面最小二乘）。

数学上，本文干了一件什么事： 给定可观测数据 \(\{(Y_i, X_i)\}\)，在模型 \(\mathbb{E}[Y \mid X] = \psi(g(\theta^\top X))\) 下，构造一个估计量 \(\hat{\theta}\)，使得： - \(\hat{\theta}\) 是 \(\sqrt{n}\)-相合的（收敛速度 \(n^{-1/2}\)）； - \(\hat{\theta}\) 渐近正态（可构造置信区间）； - 估计过程不依赖对 \(Y\) 的分布假设（如指数族），因此对离散响应和稀疏数据更稳健。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在广义单指标模型 \(E(Y \mid \theta^\top X) = \psi(g(\theta^\top X))\) 中，当连接函数 \(\psi\) 已知但链接函数 \(g\) 未知时，如何稳健地估计方向参数 \(\theta\)，尤其是在响应变量为离散型或稀疏时。
  2. 核心工具/方法：两步估计法——第一步用局部线性平滑得到回归函数 \(\mu(x) = \mathbb{E}[Y \mid X=x]\) 的相合估计 \(\hat{\mu}(x)\)，进而得到 \(\hat{g}(\theta^\top X_i) = \psi^{-1}(\hat{\mu}(X_i))\)；第二步将 \(\psi(\hat{g}(\theta^\top X_i))\) 视为连续响应，用最小二乘估计 \(\theta\)。
  3. 主要结论：\(\hat{\theta}\) 是 \(\sqrt{n}\)-相合且渐近正态的，渐近方差有显式表达式；模拟和 P2P 借贷数据实证表明，该方法在有限样本下比现有方法（如 Carroll et al. 1997 的局部似然法）更稳健，尤其在响应稀疏时。

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：

  • 模型：\(E[Y \mid X] = \psi(g(\theta^\top X))\)，其中 \(\psi\) 是已知的、严格单调且二阶可导的连接函数；\(g\) 是未知的、二阶连续可导的链接函数；\(\theta\) 是 \(p\) 维未知参数，满足识别性约束 \(\|\theta\| = 1\) 且第一个分量为正（或类似约定）。
  • 可观测数据：\(\{(Y_i, X_i)\}_{i=1}^n\) i.i.d.，\(X_i\) 的支撑是 \(\mathbb{R}^p\) 上的紧集（或至少是某个有界区域），密度函数 \(f_X(x)\) 存在且光滑。
  • 假设：
  • 光滑性：\(g\) 二阶连续可导，且其二阶导数有界。
  • 设计密度：\(X\) 的密度 \(f_X\) 在支撑上一致有界且远离 0。
  • 核函数：局部线性平滑使用的核函数 \(K(\cdot)\) 是对称、有界、紧支撑的概率密度函数，且二阶矩有限。
  • 带宽：带宽 \(h\) 满足 \(h \to 0\) 且 \(nh \to \infty\)（标准非参数条件），且 \(nh^4 \to 0\)（用于消除渐近偏差）。
  • 矩条件：\(Y\) 的四阶矩有限。
  • 识别性：\(\theta\) 是唯一的最小化点（在某种损失函数下），且 Hessian 矩阵正定。

相比已有文献的差异： - 相比 Carroll et al. (1997)：本文不要求 \(Y\) 的条件分布属于指数族，因此第二步可以用最小二乘而非局部似然。 - 相比 Liang et al. (2010)：本文在第二步中直接最小化 \(\sum (Y_i - \psi(\hat{g}(\theta^\top X_i)))^2\)，而不是最大化伪似然。作者声称这避免了似然函数在稀疏数据下的发散问题。

主要结果

定理 1（\(\hat{g}\) 的相合性）： 在假设 1-4 下，局部线性平滑得到的 \(\hat{g}(u)\) 满足：

\[\sup_{u \in \mathcal{U}} |\hat{g}(u) - g(u)| = O_p\left( \sqrt{\frac{\log n}{nh}} + h^2 \right)\]
其中 \(\mathcal{U}\) 是 \(U = \theta^\top X\) 的支撑的紧子集。这是标准非参数收敛速度，没有意外。

定理 2（\(\hat{\theta}\) 的渐近正态性）： 在假设 1-6 下，\(\hat{\theta}\) 是 \(\sqrt{n}\)-相合的，且：

\[\sqrt{n} (\hat{\theta} - \theta_0) \xrightarrow{d} N(0, \Sigma)\]
其中 \(\Sigma\) 有显式表达式（涉及 \(g'\)、\(\psi'\)、\(Y\) 的条件方差等）。关键点：渐近方差依赖于 \(g'\) 和 \(\psi'\)，但不需要知道 \(g\) 的具体形式——可以用非参数方法估计。

定理 3（\(\Sigma\) 的一致估计）： 给出了 \(\Sigma\) 的一个相合估计量 \(\hat{\Sigma}\)，基于残差和核估计的导数。这使得构造置信区间成为可能。

解决的技术难点： - 第一步的偏差：局部线性平滑有 \(O(h^2)\) 的渐近偏差，如果直接代入第二步，这个偏差会传播到 \(\hat{\theta}\)。作者通过选择带宽 \(h\) 使得 \(nh^4 \to 0\)（即“欠平滑”），确保偏差项在 \(\sqrt{n}\) 尺度下可忽略。 - 第二步的“生成回归”问题：\(\hat{g}(\theta^\top X_i)\) 是第一步的估计量，不是真实值。作者用 empirical process 理论处理了 \(\hat{g}\) 的随机误差对 \(\hat{\theta}\) 的影响，证明该影响是 \(o_p(n^{-1/2})\)。

证明路线与技术技巧

整体路线（3-5 步逻辑主干）：

  1. 第一步：局部线性平滑。对每个 \(u\)，求解加权最小二乘问题：

    \[(\hat{a}(u), \hat{b}(u)) = \arg\min_{a,b} \sum_{i=1}^n K_h(U_i - u) \left( \psi^{-1}(Y_i) - a - b (U_i - u) \right)^2\]
    得到 \(\hat{g}(u) = \hat{a}(u)\)。这里 \(U_i = \theta_0^\top X_i\) 用初始估计 \(\tilde{\theta}\) 计算（如 OLS 或 Ichimura 估计）。关键：这一步需要 \(\tilde{\theta}\) 是 \(\sqrt{n}\)-相合的，以保证 \(U_i\) 的误差不影响 \(\hat{g}\) 的收敛速度。

  2. 第二步：构造伪响应。定义 \(\tilde{Y}_i = \psi(\hat{g}(\theta^\top X_i))\)，其中 \(\theta\) 是待估计的参数。注意：\(\tilde{Y}_i\) 依赖于 \(\theta\)，因此第二步是一个非线性最小二乘问题。

  3. 第三步：最小二乘估计 \(\theta\)。求解：

    \[\hat{\theta} = \arg\min_{\theta} \sum_{i=1}^n \left( Y_i - \psi(\hat{g}(\theta^\top X_i)) \right)^2\]
    作者证明，这个目标函数在 \(\theta_0\) 附近是凸的（在某种意义下），因此可以用 Newton-Raphson 或梯度下降求解。

  4. 第四步：渐近展开。将 \(\hat{\theta}\) 的估计方程在 \(\theta_0\) 处泰勒展开：

    \[0 = \frac{1}{\sqrt{n}} \sum_{i=1}^n S_i(\theta_0) + \frac{1}{n} \sum_{i=1}^n H_i(\theta_0) \sqrt{n}(\hat{\theta} - \theta_0) + o_p(1)\]
    其中 \(S_i\) 是得分函数，\(H_i\) 是 Hessian。关键跳跃点：证明 \(\frac{1}{\sqrt{n}} \sum S_i(\theta_0)\) 渐近正态，且 \(\frac{1}{n} \sum H_i(\theta_0)\) 收敛到正定矩阵。这需要处理 \(\hat{g}\) 的误差——作者用 empirical process 的随机等度连续性（stochastic equicontinuity）证明，用 \(\hat{g}\) 替代真实 \(g\) 带来的误差是 \(o_p(n^{-1/2})\)。

关键跳跃点： - 引理 1：\(\hat{g}(u) - g(u) = \frac{1}{n} \sum_{i=1}^n W_{ni}(u) \epsilon_i + O_p(h^2)\)，其中 \(\epsilon_i = \psi^{-1}(Y_i) - g(U_i)\)，\(W_{ni}\) 是核权重。这个线性展开将非参数估计的误差表示为 U-统计量的形式，为后续的渐近分析铺路。 - 引理 2：\(\frac{1}{\sqrt{n}} \sum_{i=1}^n \left[ \psi(\hat{g}(\theta^\top X_i)) - \psi(g(\theta^\top X_i)) \right] = o_p(1)\)。这个引理证明，用 \(\hat{g}\) 替代 \(g\) 对第二步的影响可以忽略。证明依赖于 \(\hat{g}\) 的一致收敛速度和 \(\psi\) 的 Lipschitz 连续性。

技术技巧点名： - 局部线性平滑：用于第一步的非参数估计，比 Nadaraya-Watson 核估计有更小的边界偏差。 - Empirical process 理论：用于处理 \(\hat{g}\) 的随机误差对第二步的影响，特别是 stochastic equicontinuity 条件。 - U-统计量展开：引理 1 将 \(\hat{g}\) 的误差表示为 U-统计量，便于计算渐近方差。 - 欠平滑（undersmoothing）：选择带宽 \(h\) 使得 \(nh^4 \to 0\)，以消除非参数偏差对参数估计的影响。

真实例子与应用

数据：来自中国某 P2P 借贷平台的金融数据，包含 1000 笔贷款记录。响应变量 \(Y\) 是二元变量（是否违约），协变量 \(X\) 包括贷款金额、利率、期限、借款人信用评分等 8 个变量。

方法应用： 1. 用 GSIM 模型 \(E[Y \mid X] = \psi(g(\theta^\top X))\)，其中 \(\psi\) 取 logit 函数（即 \(\psi(t) = e^t/(1+e^t)\)）。 2. 第一步：用局部线性平滑估计 \(g\)（在初始 \(\tilde{\theta}\) 下）。 3. 第二步：用最小二乘估计 \(\theta\)。 4. 与标准 logistic 回归和 Carroll et al. (1997) 的局部似然法比较。

结果： - 本文方法的 AUC（ROC 曲线下面积）为 0.78，高于 logistic 回归的 0.72 和局部似然法的 0.74。 - 本文方法的估计系数 \(\hat{\theta}\) 的标准误（通过 bootstrap 计算）小于局部似然法，表明更稳定。 - 关键发现：logistic 回归假设 \(g\) 是线性函数，而本文估计的 \(\hat{g}\) 呈现明显的非线性（如 S 形），说明线性假设可能过于刚性。

这个例子想说明什么： - 验证理论：在有限样本下，本文方法确实比现有方法更稳健（AUC 更高、标准误更小）。 - 展示优势：当真实链接函数 \(g\) 非线性时，GSIM 比参数模型（logistic 回归）更灵活；当响应稀疏时（违约率仅 15%），本文方法比局部似然法更稳定。

🔎 结论是否比证明窄

是。作者在 Abstract 和 Introduction 中声称方法可以“substantially overcome convergence problems encountered in generalized linear models with discrete response variables when sparseness occurs and misspecification”，但证明中并未正式处理“稀疏性”或“模型误设”。具体来说： - 定理 2 的渐近正态性证明假设了 \(Y\) 的四阶矩有限和 \(g\) 的二阶光滑性，没有对响应变量的稀疏程度（如零的比例）或模型误设（如 \(\psi\) 选错）做任何特殊处理。因此，证明本身并不保证在稀疏或误设下方法仍然有效——作者只是通过模拟和实证例子来“展示”稳健性，而非“证明”。 - 文中没有给出任何关于“稀疏性”的定量条件（如 \(P(Y=0) \to 1\) 或 \(n \cdot P(Y=1) \to 0\)），也没有讨论当 \(\psi\) 误设时估计量的行为。因此，结论的适用范围比证明窄——严格来说，定理只适用于标准正则情形（\(Y\) 的分布不退化、模型正确设定）。

四、开放问题

  1. 效率问题：本文的 \(\hat{\theta}\) 是否达到了半参数效率界？作者未讨论效率，只证明了渐近正态性。对于 GSIM，半参数效率界已知（如 Ma & Zhu 2013），但本文的估计量是否达到该界？——扎根于：文中未引用任何效率理论文献，也未计算 efficient influence function。

  2. 高维扩展：当协变量维数 \(p\) 随样本量 \(n\) 增长时，本文的两步法是否仍然有效？局部线性平滑在高维下会遭遇“维数灾难”，且初始估计 \(\tilde{\theta}\) 的相合性难以保证。——扎根于：文中假设 \(p\) 固定，未讨论高维情形。

  3. 模型误设的稳健性：如果连接函数 \(\psi\) 被误设（如真实为 probit 但用了 logit），本文方法是否仍然给出有意义的估计？作者在模拟中只考虑了正确设定的情形。——扎根于：文中未做任何关于模型误设的理论分析或模拟。

  4. 迭代收敛性：本文的两步法是否需要迭代？如果需要，迭代是否收敛？作者在模拟中只做了一次迭代，但理论上没有证明一次迭代足够。——扎根于：文中未讨论迭代算法及其收敛性。

提醒：要确认第 1 条（效率）是否是真 gap，建议去读 Ma & Zhu (2013) 和 Cui et al. (2011) 的 intro——如果它们都提到 GSIM 的效率界已被刻画，那么本文未讨论效率就是一个明显的遗漏；如果它们也回避了效率问题，那可能意味着 GSIM 的效率界在非参数 \(g\) 下难以达到（因为 \(g\) 的估计误差会传播到 \(\theta\)）。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论