Estimating Density Ratio of Marginals to Joint: Applications to Causal Inference¶

作者: Yukitoshi Matsushita, Taisuke Otsu, Keisuke Takahata
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 7/10
机构绿灯: London School of Economics and Political Science（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2022.2035228

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向聚焦于密度比估计（density ratio estimation），特别是边际密度乘积与联合密度之比的估计问题。其根本的统计问题是：给定可观测的联合分布 \(p(x, t)\)，如何估计比值 \(r(x, t) = p(x)p(t) / p(x, t)\)？这个比值在因果推断中自然出现——例如，当处理变量 \(T\) 是连续时，倾向性得分 \(p(t|x)\) 的倒数与 \(r(x, t)\) 成正比，而剂量-反应函数（dose-response function）的估计往往需要处理这个比值。当前该子方向的成熟度属于方法应用与理论验证阶段：密度比估计的一般方法论（如 Kanamori et al., 2009）已有较完整的理论，但将其专门应用于因果推断中的特定比值（边际乘积 vs 联合）并给出完整的收敛性与渐近正态性理论，是本文的贡献。

发展脉络（history）¶

奠基工作：密度比估计的早期工作可追溯到非参数密度比估计的核方法（如 Hall, 1981），但真正形成系统方法论的是 Kanamori, Hido & Sugiyama (2009) 提出的最小二乘密度比估计（Least-Squares Density Ratio Estimation, LS-DRE）。他们提出将密度比估计转化为一个最小二乘优化问题，避免了直接估计两个密度再取比值的“双倍误差”问题。该方法的优点是：估计量有闭式解（核方法下为线性系统）、收敛速率与核方法的逼近误差相关、且无需对密度本身做强假设。
主要进展：在 Kanamori et al. (2009) 之后，密度比估计被广泛应用于协变量偏移（covariate shift）下的分类、互信息估计、独立性检验等领域。但在因果推断中，特别是连续处理效应（continuous treatment effects）的估计中，密度比估计的应用相对较少。传统方法要么对处理变量进行离散化（损失信息），要么对倾向性得分 \(p(t|x)\) 进行参数建模（可能错误指定）。
当前 frontier：因果推断中连续处理效应的估计是一个活跃领域。主流方法包括：广义倾向性得分（Generalized Propensity Score, GPS; Hirano & Imbens, 2004）、基于核的方法（如 Kennedy et al., 2017 的核平滑估计）、以及双重稳健（doubly robust）方法。这些方法的核心困难在于：连续处理变量的倾向性得分估计本身就是一个非参数回归问题，且其倒数在剂量-反应函数估计中会放大误差。
本文的位置：本文直接切入这个困难——不估计倾向性得分，而是直接估计边际乘积与联合的密度比 \(r(x, t)\)。作者将 Kanamori et al. (2009) 的 LS-DRE 框架应用于这个特定比值，并证明了估计量的收敛速率和渐近正态性。这使得剂量-反应函数的估计可以绕过倾向性得分建模，直接通过密度比估计实现。

子线索聚类¶

这些被引文献大致落在以下 2-3 条子线索上：

密度比估计方法论（Kanamori et al., 2009; Sugiyama et al., 2012）：
核心：最小二乘框架、核方法、闭式解、收敛性。
本文直接继承这一线索，将其应用于特定比值。
连续处理效应估计（Hirano & Imbens, 2004; Kennedy et al., 2017; Imbens, 2004）：
核心：GPS、核平滑、双重稳健、剂量-反应函数。
本文提供了一种替代路径：用密度比估计替代倾向性得分建模。
因果推断中的密度比（未明确列出，但隐含在引言中）：
核心：边际乘积与联合之比在因果效应识别公式中的出现。
本文是第一个系统性地将 LS-DRE 应用于这个比值的论文。

这个方向在追问的核心问题¶

如何在不直接估计倾向性得分的情况下估计连续处理效应？——本文的答案：通过密度比估计。
密度比估计的收敛速率能否传递到剂量-反应函数的估计中？——本文证明了：若密度比估计以速率 \(O_p(n^{-2\beta/(2\beta+d)})\) 收敛（\(\beta\) 为核的平滑参数，\(d\) 为协变量+处理变量的总维数），则剂量-反应函数估计也以相同速率收敛。
密度比估计的渐近正态性是否成立？——本文证明了：在适当条件下，估计量是渐近正态的，从而可构造置信区间。
与现有方法（如 GPS）相比，密度比估计方法在有限样本下的表现如何？——本文通过模拟和实证给出了初步证据。

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）¶

这是作者的说法：作者将缺口 frame 成“现有连续处理效应估计方法要么需要离散化处理变量（损失信息），要么需要参数建模倾向性得分（可能错误指定），而密度比估计提供了一种无需这些步骤的替代方案”。作者淡化了以下竞争路线： - Kennedy et al. (2017) 的核平滑方法：该方法也无需参数建模倾向性得分，而是通过核平滑直接估计剂量-反应函数。作者在引言中引用了它，但未详细比较两者的优劣。 - 双重稳健方法：这些方法在倾向性得分或结果回归之一正确指定时仍可一致估计，但作者未讨论密度比估计是否具有类似的双重稳健性质。

什么明显该被引 / 该存在、却没出现在 intro 里？ - 密度比估计在因果推断中的其他应用：例如，在工具变量或代理变量（proximal causal inference）中，密度比估计也自然出现（如 Tchetgen et al., 2020 的“桥函数”估计）。本文未提及这些更广泛的连接。 - 高维协变量下的密度比估计：当协变量维数 \(d\) 较大时，核方法的收敛速率会受“维数诅咒”影响。本文未讨论高维情形下的替代方法（如基于随机森林或神经网络的密度比估计）。

张力¶

未见明显对立引用。所有被引工作（Kanamori et al., 2009; Hirano & Imbens, 2004; Kennedy et al., 2017）在方法论上互补而非矛盾。唯一的潜在张力是：密度比估计与 GPS 方法在有限样本下的相对表现——本文的模拟表明密度比估计在某些设定下优于 GPS，但未给出理论上的统一解释。

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：
\(T\)：连续处理变量（scalar），取值于 \(\mathbb{R}\)。
\(X\)：协变量向量（\(d_x\) 维），取值于 \(\mathbb{R}^{d_x}\)。
\(Y\)：结果变量（scalar），取值于 \(\mathbb{R}\)。
\(p(x, t)\)：\((X, T)\) 的联合密度（相对于 Lebesgue 测度）。
\(p(x)\)：\(X\) 的边际密度。
\(p(t)\)：\(T\) 的边际密度。
\(r(x, t) = p(x)p(t) / p(x, t)\)：边际乘积与联合的密度比（目标 estimand）。
\(\{(X_i, T_i, Y_i)\}_{i=1}^n\)：独立同分布样本（可观测数据）。
\(\theta(t)\)：剂量-反应函数（dose-response function），定义为 \(\theta(t) = \mathbb{E}[Y | T = t]\)（在未混淆假设下等于因果效应）。
\(\beta\)：核的平滑参数（如高斯核的带宽）。
\(d = d_x + 1\)：\((X, T)\) 的总维数。
模型：
数据生成机制：\((X, T, Y) \sim p(x, t, y)\)，其中 \(p(x, t)\) 是联合密度，\(p(y|x, t)\) 是条件密度。
因果识别假设：未混淆性（unconfoundedness）\(Y(t) \perp T | X\)（其中 \(Y(t)\) 是潜在结果），以及重叠（overlap）\(0 < p(t|x) < \infty\) 对所有 \(t, x\) 成立。
在这些假设下，剂量-反应函数可识别为：
\[\theta(t) = \mathbb{E}\left[ \frac{p(T)}{p(T|X)} Y \Big| T = t \right] = \mathbb{E}\left[ r(X, T) Y \Big| T = t \right]\]
其中 \(r(x, t) = p(x)p(t) / p(x, t)\) 是密度比。
可观测数据：
研究者能观测到：\(\{(X_i, T_i, Y_i)\}_{i=1}^n\)，即协变量、处理变量、结果变量的联合样本。
研究者不能直接观测到：密度 \(p(x, t)\)、\(p(x)\)、\(p(t)\)、比值 \(r(x, t)\)、倾向性得分 \(p(t|x)\)、潜在结果 \(Y(t)\)。
核心困难：\(r(x, t)\) 是未知密度的比值，需要从样本中估计。

第二步：讲最小内核¶

最简特例：假设 \(X\) 和 \(T\) 都是一维连续变量（\(d_x = 1, d = 2\)），且它们的联合分布是二元高斯分布：

\[(X, T) \sim \mathcal{N}\left( \begin{pmatrix} 0 \\ 0 \end{pmatrix}, \begin{pmatrix} 1 & \rho \\ \rho & 1 \end{pmatrix} \right)\]

其中 \(|\rho| < 1\)。

在这个特例下： - 边际密度：\(p(x) = \phi(x)\)（标准正态密度），\(p(t) = \phi(t)\)。 - 联合密度：\(p(x, t) = \frac{1}{2\pi\sqrt{1-\rho^2}} \exp\left( -\frac{x^2 - 2\rho x t + t^2}{2(1-\rho^2)} \right)\)。 - 密度比：\(r(x, t) = \frac{\phi(x)\phi(t)}{p(x, t)} = \sqrt{1-\rho^2} \exp\left( \frac{\rho^2(x^2 + t^2) - 2\rho x t}{2(1-\rho^2)} \right)\)。

核心思路：本文的方法不直接计算这个解析表达式（因为 \(\rho\) 未知），而是通过最小二乘框架直接估计 \(r(x, t)\)。具体地，将 \(r(x, t)\) 视为一个函数，用核方法近似：

\[\hat{r}(x, t) = \sum_{i=1}^n \alpha_i K((x, t), (X_i, T_i))\]

其中 \(K\) 是核函数（如高斯核），\(\alpha_i\) 是系数。最小二乘估计的目标是：

\[\min_{\alpha} \frac{1}{n} \sum_{i=1}^n \left( \hat{r}(X_i, T_i) - \frac{p(X_i)p(T_i)}{p(X_i, T_i)} \right)^2\]

但这里 \(p(x)p(t)/p(x, t)\) 是未知的！Kanamori et al. (2009) 的关键技巧是：将目标函数改写为只依赖于样本的形式：

\[\min_{\alpha} \frac{1}{n} \sum_{i=1}^n \hat{r}(X_i, T_i)^2 - \frac{2}{n} \sum_{i=1}^n \hat{r}(X_i, T_i) \cdot \frac{p(X_i)p(T_i)}{p(X_i, T_i)}\]

第二项中的 \(p(X_i)p(T_i)/p(X_i, T_i)\) 仍然未知。但注意：在期望意义下，

\[\mathbb{E}\left[ \hat{r}(X, T) \cdot \frac{p(X)p(T)}{p(X, T)} \right] = \iint \hat{r}(x, t) p(x) p(t) \, dx \, dt\]

因为 \(p(x)p(t)/p(x, t) \cdot p(x, t) = p(x)p(t)\)。因此，第二项可以用样本的乘积边际来近似：

\[\frac{1}{n} \sum_{i=1}^n \hat{r}(X_i, T_i) \cdot \frac{p(X_i)p(T_i)}{p(X_i, T_i)} \approx \frac{1}{n^2} \sum_{i=1}^n \sum_{j=1}^n \hat{r}(X_i, T_j)\]

这里的关键是：\(\hat{r}(X_i, T_j)\) 中的 \(X_i\) 和 \(T_j\) 来自不同的观测（\(i\) 和 \(j\) 独立），这模拟了从 \(p(x)p(t)\) 中抽样的效果。

最小内核：在这个高斯特例下，本文的方法退化为： 1. 选择核函数 \(K\)（如高斯核）。 2. 求解线性系统：

\[(\hat{G} + \lambda I) \hat{\alpha} = \hat{h}\]

其中 \(\hat{G}_{ij} = \frac{1}{n} \sum_{k=1}^n K((X_i, T_i), (X_k, T_k)) K((X_j, T_j), (X_k, T_k))\)，\(\hat{h}_i = \frac{1}{n^2} \sum_{k=1}^n \sum_{l=1}^n K((X_i, T_i), (X_k, T_l))\)，\(\lambda\) 是正则化参数。 3. 得到 \(\hat{r}(x, t) = \sum_{i=1}^n \hat{\alpha}_i K((x, t), (X_i, T_i))\)。 4. 用 \(\hat{r}(x, t)\) 估计剂量-反应函数：

\[\hat{\theta}(t) = \frac{\frac{1}{n} \sum_{i=1}^n \hat{r}(X_i, T_i) Y_i K_h(T_i - t)}{\frac{1}{n} \sum_{i=1}^n K_h(T_i - t)}\]

其中 \(K_h\) 是核平滑的核函数（带宽 \(h\)）。

这个特例揭示了本文的核心思想：用样本的乘积边际（通过双和）来近似密度比中的分母，从而避免直接估计密度。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：如何估计边际密度乘积与联合密度之比 \(r(x, t) = p(x)p(t) / p(x, t)\)，并将其应用于连续处理效应的剂量-反应函数估计。
核心工具 / 方法：将 Kanamori, Hido & Sugiyama (2009) 的最小二乘密度比估计（LS-DRE）框架应用于这个特定比值，通过核方法得到闭式解，并证明了估计量的收敛速率和渐近正态性。
主要结论：在适当条件下，密度比估计量 \(\hat{r}(x, t)\) 以速率 \(O_p(n^{-2\beta/(2\beta+d)})\) 收敛（\(\beta\) 为核平滑参数，\(d\) 为维数），且是渐近正态的；由此得到的剂量-反应函数估计量 \(\hat{\theta}(t)\) 也以相同速率收敛。

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：

密度比估计的设定：
目标：估计 \(r(x, t) = p(x)p(t) / p(x, t)\)。
方法：最小二乘框架，核函数 \(K(\cdot, \cdot)\)（如高斯核），正则化参数 \(\lambda\)。
估计量：\(\hat{r}(x, t) = \sum_{i=1}^n \hat{\alpha}_i K((x, t), (X_i, T_i))\)，其中 \(\hat{\alpha}\) 由线性系统 \((\hat{G} + \lambda I) \hat{\alpha} = \hat{h}\) 给出。
关键技巧：\(\hat{h}_i = \frac{1}{n^2} \sum_{k=1}^n \sum_{l=1}^n K((X_i, T_i), (X_k, T_l))\) 是双和，模拟了从 \(p(x)p(t)\) 中抽样的效果。
假设（逐条说明统计含义）：
核函数假设：\(K\) 是正定核，且满足某些平滑性条件（如 Mercer 核）。这保证了核方法的逼近能力。
密度假设：\(p(x, t)\) 和 \(p(x)p(t)\) 都属于由核 \(K\) 生成的再生核希尔伯特空间（RKHS）。这保证了密度比 \(r(x, t)\) 可以用核函数展开。
正则化参数：\(\lambda \to 0\) 且 \(n\lambda \to \infty\)。这控制了偏差-方差权衡。
带宽假设：核平滑的带宽 \(h \to 0\) 且 \(nh \to \infty\)。这保证了剂量-反应函数估计的一致性。
矩条件：\(\mathbb{E}[Y^2] < \infty\) 等标准矩条件。
相比已有文献的放宽或强化：
相比 Kanamori et al. (2009)：本文专门针对比值 \(p(x)p(t)/p(x, t)\)，而非一般密度比。这允许使用更简单的双和近似（\(\hat{h}\) 的计算）。
相比 Hirano & Imbens (2004)：本文无需参数建模倾向性得分，但需要核方法的逼近能力假设（密度属于 RKHS）。

主要结果¶

定理 1（密度比估计的收敛速率）：在假设 1-3 下，若核 \(K\) 的平滑参数为 \(\beta\)（即 \(K\) 属于 Sobolev 类 \(W_2^\beta\)），则：

\[\|\hat{r} - r\|_{L^2(p)} = O_p\left( n^{-\frac{\beta}{2\beta + d}} \right)\]

其中 \(\|f\|_{L^2(p)}^2 = \int f(x, t)^2 p(x, t) \, dx \, dt\)。

直觉：这是核方法的标准收敛速率（Stone, 1982），受维数 \(d\) 和核平滑性 \(\beta\) 控制。维数诅咒：\(d\) 越大，速率越慢。
必要条件：密度 \(r(x, t)\) 属于由 \(K\) 生成的 RKHS，且正则化参数 \(\lambda\) 选择适当（如 \(\lambda \asymp n^{-2\beta/(2\beta+d)}\)）。
解决的技术难点：\(\hat{h}\) 是双和，其方差分析需要处理 U-统计量的渐近性质。作者通过 Hoeffding 分解和 U-统计量理论证明了 \(\hat{h}\) 的收敛性。

定理 2（密度比估计的渐近正态性）：在假设 1-3 下，对任意固定点 \((x_0, t_0)\)，有：

\[\sqrt{n} (\hat{r}(x_0, t_0) - r(x_0, t_0)) \xrightarrow{d} \mathcal{N}(0, \sigma^2(x_0, t_0))\]

其中 \(\sigma^2(x_0, t_0)\) 是渐近方差，可由样本估计。

直觉：点估计的渐近正态性允许构造置信区间。
必要条件：核函数 \(K\) 在 \((x_0, t_0)\) 处有足够的局部性（如高斯核），且正则化参数 \(\lambda\) 衰减足够快。
解决的技术难点：\(\hat{r}(x_0, t_0)\) 是 \(\hat{\alpha}\) 的线性组合，而 \(\hat{\alpha}\) 由线性系统给出。作者通过将 \(\hat{\alpha}\) 表示为 \(\hat{G}^{-1} \hat{h}\)，并应用 Delta 方法，得到了渐近正态性。

定理 3（剂量-反应函数估计的收敛速率）：在假设 1-4 下，若核平滑带宽 \(h \asymp n^{-1/(2\beta+d+1)}\)，则：

\[|\hat{\theta}(t) - \theta(t)| = O_p\left( n^{-\frac{\beta}{2\beta + d}} \right)\]

其中 \(\hat{\theta}(t) = \frac{\frac{1}{n} \sum_{i=1}^n \hat{r}(X_i, T_i) Y_i K_h(T_i - t)}{\frac{1}{n} \sum_{i=1}^n K_h(T_i - t)}\)。

直觉：剂量-反应函数估计的收敛速率与密度比估计的速率相同，没有额外损失。这是因为核平滑步骤（对 \(T\) 的平滑）不改变主导收敛阶。
必要条件：带宽 \(h\) 的选择需要平衡密度比估计的误差和核平滑的误差。
解决的技术难点：需要处理 \(\hat{r}\) 的估计误差在核平滑中的传播。作者通过将 \(\hat{\theta}(t)\) 分解为“oracle 版本”（用真实 \(r\)）和“估计误差项”，并证明估计误差项可忽略。

证明路线与技术技巧¶

整体路线（以定理 1 为例）：

步骤 1：将估计量表示为 oracle 版本加误差项。
定义 oracle 版本：\(\tilde{r}(x, t) = \sum_{i=1}^n \tilde{\alpha}_i K((x, t), (X_i, T_i))\)，其中 \(\tilde{\alpha}\) 由 \((\hat{G} + \lambda I) \tilde{\alpha} = \tilde{h}\) 给出，\(\tilde{h}_i = \int K((X_i, T_i), (x, t)) p(x) p(t) \, dx \, dt\)（即用真实边际密度）。
误差项：\(\hat{r} - \tilde{r} = (\hat{G} + \lambda I)^{-1} (\hat{h} - \tilde{h})\)。
步骤 2：控制 \(\hat{h} - \tilde{h}\)。
\(\hat{h}_i - \tilde{h}_i = \frac{1}{n^2} \sum_{k=1}^n \sum_{l=1}^n K((X_i, T_i), (X_k, T_l)) - \int K((X_i, T_i), (x, t)) p(x) p(t) \, dx \, dt\)。
这是一个 U-统计量（对固定的 \(i\)）。通过 Hoeffding 分解，可证明其收敛速率为 \(O_p(n^{-1/2})\)。
步骤 3：控制 \(\hat{G} + \lambda I\) 的逆。
\(\hat{G}\) 是 Gram 矩阵，其最小特征值在正则化后以 \(\lambda\) 为下界。因此 \(\|(\hat{G} + \lambda I)^{-1}\| \leq 1/\lambda\)。
结合步骤 2，得到 \(\|\hat{\alpha} - \tilde{\alpha}\| = O_p(1/(\lambda \sqrt{n}))\)。
步骤 4：控制 oracle 版本的误差。
\(\tilde{r}\) 是核方法对 \(r\) 的估计，其收敛速率为 \(O_p(n^{-\beta/(2\beta+d)})\)（标准核方法结果）。
结合步骤 3，得到 \(\|\hat{r} - r\| = O_p(n^{-\beta/(2\beta+d)} + 1/(\lambda \sqrt{n}))\)。
步骤 5：选择 \(\lambda\) 平衡两项。
令 \(\lambda \asymp n^{-\beta/(2\beta+d)}\)，则两项均为 \(O_p(n^{-\beta/(2\beta+d)})\)。

关键跳跃点： - 从 \(\hat{h}\) 到 \(\tilde{h}\) 的近似：\(\hat{h}\) 是双和，而 \(\tilde{h}\) 是积分。这个近似的误差是 U-统计量的中心极限定理问题，需要处理 U-统计量的方差结构。作者通过 Hoeffding 分解将双和分解为“主项”（线性部分）和“余项”（高阶部分），并证明余项可忽略。 - 正则化参数 \(\lambda\) 的选择：\(\lambda\) 需要同时控制偏差（\(\lambda\) 越大，偏差越大）和方差（\(\lambda\) 越小，逆矩阵的范数越大）。作者选择了 \(\lambda \asymp n^{-\beta/(2\beta+d)}\)，这是核方法的标准选择。

技术技巧点名： - U-统计量理论：用于分析 \(\hat{h}\) 的收敛性（Hoeffding 分解、方差计算）。 - 核方法：RKHS 理论、Gram 矩阵、正则化。 - Delta 方法：用于渐近正态性的证明（定理 2）。 - 核平滑：用于剂量-反应函数估计（定理 3）。

真实例子与应用¶

数据：美国总统竞选广告数据（来自 Wesleyan Media Project），包含 2012 年美国总统大选期间各媒体市场的政治广告投放量（处理变量 \(T\)）和选民投票率（结果变量 \(Y\)），以及协变量 \(X\)（如人口统计特征、历史投票率等）。

方法应用： 1. 将处理变量 \(T\)（广告投放量，连续）和协变量 \(X\) 的联合密度比 \(r(x, t)\) 用 LS-DRE 估计。 2. 用估计的 \(\hat{r}(x, t)\) 计算剂量-反应函数 \(\hat{\theta}(t)\)，即广告投放量对投票率的因果效应。 3. 与 GPS 方法（Hirano & Imbens, 2004）进行对比。

结果： - 剂量-反应曲线显示：广告投放量对投票率有正向效应，但效应在投放量较高时趋于饱和。 - 与 GPS 方法相比，LS-DRE 方法得到的曲线更平滑，且置信区间更窄（在中等投放量区域）。 - 敏感性分析：改变核函数（高斯核 vs Epanechnikov 核）和带宽选择，结果稳健。

这个例子想说明什么： - 验证理论：展示了 LS-DRE 方法在实际数据中的可行性。 - 展示相对 baseline 的优势：相比 GPS 方法，LS-DRE 无需参数建模倾向性得分，且结果更稳定（平滑、窄置信区间）。 - 实际意义：为政治广告效果评估提供了一种新的因果推断工具。

🔎 结论是否比证明窄¶

结论声称：“本文方法适用于连续处理效应的估计”。但证明中假设了 \(d = d_x + 1\) 较小（维数诅咒），且密度属于 RKHS。在实际应用中，若协变量维数较高（如 \(d_x > 10\)），核方法的收敛速率会非常慢（\(n^{-2\beta/(2\beta+d)}\) 接近 \(n^{-1/2}\) 甚至更慢），此时方法的实际表现可能不如证明中假设的理想情形。
具体语句：定理 1 的陈述中，收敛速率依赖于 \(d\)。作者在结论部分（Section 5）提到“本文方法在高维情形下可能需要进一步研究”，但未给出具体的高维理论或替代方案。这是一个窄结论：方法在低维（\(d \leq 5\)）下表现良好，但在高维下未经验证。
另一个窄结论：渐近正态性（定理 2）只在固定点 \((x_0, t_0)\) 处成立，而非在整个函数空间上（如 uniform confidence band）。作者未讨论如何构造同时置信带。

四、开放问题¶

高维协变量下的密度比估计：当 \(d_x\) 较大时，核方法的收敛速率受维数诅咒影响。能否用稀疏假设（如 \(r(x, t)\) 只依赖于少数协变量）或降维方法（如 sufficient dimension reduction）来缓解？扎根于：定理 1 的收敛速率依赖于 \(d\)，作者在 Section 5 提到“高维情形需要进一步研究”。
双重稳健性：本文的剂量-反应函数估计是否具有双重稳健性质？即，若密度比估计或结果回归之一正确指定，估计量是否仍一致？扎根于：作者在引言中引用了双重稳健方法（如 Kennedy et al., 2017），但未讨论本文方法是否具有类似性质。
同时置信带：能否构造剂量-反应函数 \(\theta(t)\) 的 uniform confidence band（而非逐点置信区间）？这需要更强的收敛结果（如弱收敛到高斯过程）。扎根于：定理 2 只给出了逐点渐近正态性，作者在 Section 5 提到“uniform inference 是未来工作”。
与更高阶 U-统计量的连接：本文的 \(\hat{h}\) 是双和（二阶 U-统计量）。若需要估计更高阶的密度比（如三个变量的边际乘积与联合之比），则会出现高阶 U-统计量。能否用研究者熟悉的 tensor-network / einsum 复杂度理论来刻画这些高阶 U-统计量的计算成本？扎根于：本文的 \(\hat{h}\) 是二阶 U-统计量，但作者未讨论高阶推广。这是一个潜在的连接点，但需要研究者自行判断是否值得探索。

Maintained by 陈星宇 · Homepage · Source on GitHub