Panel Data Quantile Regression for Treatment Effect Models¶

作者: Takuya Ishihara
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¶

本文研究的根本问题是：在面板数据（panel data）中，如何识别和估计处理变量对结果变量的分位数处理效应（Quantile Treatment Effect, QTE）。与均值处理效应（ATE）不同，QTE 关注的是处理效应在整个结果分布上的异质性——例如，一项政策是否对低收入群体（分布低端）的影响大于对高收入群体（分布高端）的影响。面板数据的优势在于可以控制不可观测的个体异质性（如能力、偏好），但传统的面板数据方法（如固定效应模型）通常只识别均值效应，且依赖于线性可加结构。本文要解决的是在非可分离（nonseparable） 面板数据模型下，如何利用“秩不变性（rank invariance）”和“秩平稳性（rank stationarity）”这两个关键假设来识别和估计 QTE。

当前该子方向的成熟度属于方法正在从参数向半参数/非参数扩展的阶段，但计算效率和理论完备性仍是瓶颈。

发展脉络（history）¶

根据论文的引言和参考文献，该方向的发展脉络可以梳理如下：

奠基工作：非可分离面板数据模型的识别
- Chesher (2003) 和 Imbens & Newey (2009) 是早期奠基者。Chesher (2003) 提出了在非可分离面板数据模型中识别结构函数的条件分位数方法。Imbens & Newey (2009) 则利用“控制变量（control variable）”方法，在截面数据中识别非可分离模型下的平均和分位数处理效应。这些工作确立了“非可分离”作为处理效应异质性建模的标准框架，但它们主要针对截面数据或静态面板，对动态面板或更复杂的秩结构处理有限。
主要进展：秩不变性与秩平稳性假设的引入
- Chernozhukov & Hansen (2005) 在工具变量（IV）分位数回归的框架下，提出了“秩相似性（rank similarity）”假设，这是秩不变性的一种弱化形式。他们的工作为在存在内生性的情况下识别 QTE 提供了重要工具，但其模型设定仍主要针对截面数据。
- Arellano & Bonhomme (2017) 是本文最直接的竞争者和前驱。他们利用“秩平稳性”假设，在非可分离面板数据模型中识别了分位数处理效应。他们的方法基于一阶条件（first-order conditions） 和模拟矩方法（Simulated Method of Moments, SMM），但计算上非常复杂，尤其是在协变量维度较高时。作者在引言中明确提到：“Arellano and Bonhomme (2017) propose a quantile version of the correlated random effects model... However, their estimation procedure is computationally intensive because it requires solving a high-dimensional optimization problem.”
当前 Frontier：计算可行性与理论严谨性
- Ishihara (2020) 是本文作者的前期工作。该工作证明了在秩不变性和秩平稳性下，非可分离面板数据模型的参数是点识别（point-identified） 的，并提出了基于最小距离（minimum distance） 的参数估计方法。然而，作者指出：“Ishihara (2020) explores identification... and proposes a parametric estimation based on the minimum distance method. However, when the dimensionality of the covariates is large, the minimum distance estimation using this process is computationally demanding.” 这直接点出了当前方法的瓶颈。
- 本文（Ishihara, 2024） 的位置：本文正是为了解决 Ishihara (2020) 和 Arellano & Bonhomme (2017) 中的计算难题。它提出了一种两步估计法：第一步用分位数回归（quantile regression） 估计条件分位数函数，第二步用最小距离法整合这些估计得到 QTE。这种方法将高维优化问题分解为一系列低维分位数回归问题，从而大幅降低了计算负担。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：基于秩不变性/平稳性的非可分离面板模型
- 核心工作：Chesher (2003), Arellano & Bonhomme (2017), Ishihara (2020), 本文。
- 共同点：都假设个体的“秩”（在结果分布中的位置）在时间上保持不变或平稳。通过这个假设，将不同时间点的结果联系起来，从而识别出处理效应。
- 差异：Chesher (2003) 更侧重于识别结构函数；Arellano & Bonhomme (2017) 使用 SMM，计算复杂；Ishihara (2020) 提出参数最小距离法，但高维协变量下计算困难；本文则提出两步法，旨在解决计算问题。
线索二：工具变量分位数回归
- 核心工作：Chernozhukov & Hansen (2005), Imbens & Newey (2009)。
- 共同点：利用工具变量来处理内生性问题，识别 QTE。
- 差异：这些方法主要针对截面数据，不直接处理面板数据中的个体异质性。本文的秩不变性假设可以看作是一种特殊的“工具变量”——即个体的“秩”作为连接不同时间点的工具。

这个方向在追问的核心问题¶

识别问题：在非可分离面板模型中，需要什么样的假设（如秩不变性、秩平稳性、外生性）才能唯一地识别出 QTE？这些假设在实证中是否合理？
估计问题：给定识别条件，如何设计计算上可行、统计上有效的估计量？特别是当协变量维度较高时，如何避免“维数灾难”？
推断问题：如何为 QTE 估计量构建有效的置信区间？非参数 bootstrap 是否有效？能否推导出半参数效率界？
模型扩展：如何处理动态面板（包含滞后因变量）？如何处理内生处理变量？如何放松秩不变性假设？

当前主流方法与已知瓶颈：主流方法包括 Arellano & Bonhomme (2017) 的 SMM 和 Ishihara (2020) 的参数最小距离法。已知瓶颈是计算负担重，尤其是在高维协变量下，优化问题难以求解。此外，这些方法的渐近理论（如均匀一致性）和推断方法（如 bootstrap 的有效性）尚未被充分研究。

⚠️ 作者的 framing¶

作者的缺口 frame：作者将缺口 frame 为“计算可行性”问题。他明确指出，现有方法（Ishihara, 2020; Arellano & Bonhomme, 2017）在理论上可行，但计算上“computationally demanding”或“computationally intensive”。因此，本文的贡献是提出一个“computationally attractive”的两步法。这使得本文成为“显然的下一步”——在已有识别理论的基础上，提供一个更实用的估计工具。
被淡化或回避的竞争路线：作者淡化了半参数效率理论。本文提出的两步法是否达到了半参数效率界？作者没有讨论。相比之下，Arellano & Bonhomme (2017) 的 SMM 方法在理论上可以接近效率界。作者回避了这个问题，可能因为两步法在效率上并非最优，但计算上更优。这暗示了统计-计算权衡（statistical-computational tradeoff） 的存在。
什么明显该被引/该存在、却没出现在 intro 里？
- 高维分位数回归的文献：本文第一步使用了分位数回归，但未引用高维分位数回归（如 Belloni & Chernozhukov (2011) 的 Lasso 分位数回归）的文献。如果协变量维度真的很高，Lasso 分位数回归可能是更合适的第一步。
- 去偏机器学习（DML）或正交化方法：本文的两步法可以看作是一种“plug-in”估计，但未讨论如何通过正交化（如 Neyman 正交性）来降低第一步估计误差对第二步的影响。Chernozhukov et al. (2018) 的 DML 框架是处理此类问题的标准工具，但未被引用。
- 半参数效率界：对于非可分离面板模型下的 QTE，其半参数效率界是什么？这是一个重要的理论问题，但本文未涉及。

张力¶

未见明显对立引用。所有被引工作都认可秩不变性/平稳性假设在非可分离面板模型中的核心作用，分歧主要在于估计方法和计算效率。

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：
- i = 1, ..., n：个体索引。
- t = 1, ..., T：时间索引。本文主要考虑 T=2 的情况（两期面板），但方法可推广到 T>2。
- Y_{it}：个体 i 在时间 t 的结果变量（标量）。
- D_{it}：个体 i 在时间 t 的处理变量（标量或向量）。本文假设 D_{it} 是外生的（或给定协变量后条件外生）。
- X_{it}：个体 i 在时间 t 的协变量（向量，维度为 d_x）。
- U_{it}：个体 i 在时间 t 的不可观测的异质性（标量）。这是潜在变量，不可观测。
- τ ∈ (0, 1)：分位数水平。
- QTE(τ)：在分位数 τ 上的处理效应，是本文要估计的目标参数（estimand）。
- g(d, x, u)：结构函数（structural function）。它描述了结果 Y 如何由处理 D、协变量 X 和不可观测异质性 U 共同决定。这是非可分离模型的核心：Y = g(D, X, U)。
- q_{Y_t|D_t, X_t}(τ | d, x)：给定 D_t = d 和 X_t = x 时，Y_t 的条件 τ 分位数函数。这是可观测数据可以估计的量。
- Q_{Y_t|D_t, X_t}(u | d, x)：给定 D_t = d 和 X_t = x 时，Y_t 的条件累积分布函数（CDF）的逆函数，即条件分位数函数。q 是 Q 在特定 τ 上的取值。
模型：
- 非可分离面板数据模型： Y_{it} = g(D_{it}, X_{it}, U_{it}) 其中 g 是一个未知的、关于 U 严格递增的函数。U_{it} 是标量，代表所有不可观测的、影响结果的个体异质性和冲击。
- 关键假设：
  1. 秩不变性（Rank Invariance）：对于每个个体 i，其不可观测异质性 U_{it} 在时间上保持不变，即 U_{i1} = U_{i2} = U_i。这意味着个体在结果分布中的“相对位置”是固定的。
  2. 秩平稳性（Rank Stationarity）：这是一个比秩不变性稍弱的假设，它要求 U_{it} 的分布在时间上是平稳的，但不一定要求个体水平上完全相等。本文主要使用秩不变性，但也讨论了秩平稳性。
  3. 条件外生性（Conditional Exogeneity）：给定协变量 X_{it}，处理变量 D_{it} 与不可观测异质性 U_{it} 是独立的。即 D_{it} ⟂ U_{it} | X_{it}。这个假设允许 D_{it} 与 X_{it} 相关，但不能与 U_{it} 相关。
  4. 严格单调性（Strict Monotonicity）：结构函数 g(d, x, u) 关于 u 是严格递增的。这是分位数回归模型的标准假设，保证了 U 和 Y 的条件分位数之间的一一对应关系。
可观测数据：
- 研究者可以观测到的是：{Y_{i1}, D_{i1}, X_{i1}, Y_{i2}, D_{i2}, X_{i2}}_{i=1}^n。
- 不可观测的是：U_i（每个个体的潜在异质性）和结构函数 g 的具体形式。
- 核心识别挑战：如何从可观测的 (Y, D, X) 的联合分布中，利用秩不变性和条件外生性，识别出结构函数 g 和 QTE。

第二步：讲最小内核¶

为了理解本文的核心思路，我们考虑一个最简特例：

特例设定：
- 两期面板：T = 2。
- 无协变量：X_{it} 不存在或为常数。
- 处理变量是二值的：D_{it} ∈ {0, 1}。
- 模型：Y_{it} = g(D_{it}, U_i)，其中 U_i 是标量，且 U_i ~ Uniform(0, 1)（标准化）。
- 秩不变性：U_{i1} = U_{i2} = U_i。
- 条件外生性（这里退化为无协变量下的外生性）：D_{it} ⟂ U_i。
要估计的目标：分位数处理效应 QTE(τ) = g(1, τ) - g(0, τ)。这表示对于在不可观测异质性分布中处于 τ 分位的个体，接受处理（D=1）相对于未接受处理（D=0）的效应。
核心思路（两步法）：
1. 第一步：估计条件分位数函数。由于 U_i ~ Uniform(0, 1) 且 D_{it} ⟂ U_i，我们可以将模型写为： Y_{it} = g(D_{it}, U_i) 对于给定的 τ，Y_{it} 的条件 τ 分位数（给定 D_{it}）就是 g(D_{it}, τ)。因为 U_i 的 τ 分位数就是 τ 本身。因此，我们可以通过分位数回归来估计： q_{Y_t|D_t}(τ | d) = g(d, τ) 具体地，对于 t=1, 2，我们分别估计： q_{Y_1|D_1}(τ | 0) = g(0, τ)，q_{Y_1|D_1}(τ | 1) = g(1, τ) q_{Y_2|D_2}(τ | 0) = g(0, τ)，q_{Y_2|D_2}(τ | 1) = g(1, τ) 注意，由于 g 不随时间变化，t=1 和 t=2 估计的是同一个 g。因此，我们实际上有两个独立的估计量来估计同一个 g(0, τ) 和 g(1, τ)。
2. 第二步：用最小距离法整合。由于第一步得到了两个（或多个）对 g(0, τ) 和 g(1, τ) 的估计，我们可以通过最小距离法将它们整合成一个更有效的估计量。设 θ(τ) = (g(0, τ), g(1, τ))'。第一步的估计量可以写成： \hat{θ}_1(τ) = (\hat{q}_{Y_1|D_1}(τ|0), \hat{q}_{Y_1|D_1}(τ|1))' \hat{θ}_2(τ) = (\hat{q}_{Y_2|D_2}(τ|0), \hat{q}_{Y_2|D_2}(τ|1))' 最小距离估计量 \tilde{θ}(τ) 是使得 \hat{θ}_1(τ) 和 \hat{θ}_2(τ) 的加权距离最小的 θ： \tilde{θ}(τ) = \arg\min_θ [\hat{θ}_1(τ) - θ]' W [\hat{θ}_1(τ) - θ] + [\hat{θ}_2(τ) - θ]' W [\hat{θ}_2(τ) - θ] 其中 W 是一个权重矩阵。这个问题的解很简单，就是 \hat{θ}_1(τ) 和 \hat{θ}_2(τ) 的加权平均。最后，\tilde{QTE}(τ) = \tilde{g}(1, τ) - \tilde{g}(0, τ)。
为什么这个特例能体现核心思路？
- 计算优势：第一步的分位数回归是标准的凸优化问题，计算非常高效。第二步的最小距离是简单的加权平均。整个流程避免了高维非线性优化。
- 利用面板结构：通过秩不变性，将不同时间点的信息联系起来，使得同一个参数 g(d, τ) 可以被多次估计，从而通过整合提高效率。
- 推广性：这个特例的核心思想——先用分位数回归得到“初步”估计，再用最小距离法“整合”——可以直接推广到有协变量、多期面板、连续处理变量的更一般情形。论文的一般情形只是在这个特例上“加壳”：协变量 X 被加入到分位数回归中，最小距离法需要处理更复杂的参数结构。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在非可分离面板数据模型下，基于秩不变性和秩平稳性假设，提出一种计算上可行的两步估计法来估计分位数处理效应（QTE）。
核心工具/方法：第一步使用分位数回归估计条件分位数函数；第二步使用最小距离法整合不同时间点的估计，得到 QTE 的最终估计量。
主要结论：证明了该两步估计量的均匀渐近正态性（uniform asymptotic normality），并验证了非参数 bootstrap 用于推断的有效性。蒙特卡洛模拟和两个实证应用展示了方法的有限样本性能和实用性。

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：Y_{it} = g(D_{it}, X_{it}, U_{it})，其中 g 关于 U 严格递增。
假设：
- A1 (秩不变性/平稳性)：U_{i1} = U_{i2} = U_i（秩不变性），或 U_{it} 的分布在时间上平稳（秩平稳性）。这是识别的基础。
- A2 (条件外生性)：D_{it} ⟂ U_{it} | X_{it}。允许 D_{it} 与 X_{it} 相关。
- A3 (严格单调性)：g(d, x, u) 关于 u 严格递增。
- A4 (正则性条件)：包括分位数回归的常规正则条件（如设计矩阵的满秩、误差项密度的有界性等），以及保证最小距离估计量渐近性质的条件（如权重矩阵的收敛性）。
相比已有文献的强化/放宽：
- 相比 Arellano & Bonhomme (2017)：本文的假设并未显著放宽，但估计方法完全不同。Arellano & Bonhomme 使用 SMM，需要求解高维优化问题；本文使用两步法，计算更简单。
- 相比 Ishihara (2020)：Ishihara (2020) 假设 g 是参数形式的（如线性），而本文允许 g 是非参数的（通过分位数回归来估计）。这是对模型假设的放宽。同时，本文的方法在计算上更高效。

主要结果¶

定理 1 (均匀渐近正态性)：
- 陈述：在正则条件下，两步估计量 \tilde{θ}(τ)（包含 g(d, x, τ) 的估计）在 τ 上均匀地收敛到一个高斯过程。具体地，√n (\tilde{θ}(τ) - θ(τ)) 弱收敛到一个均值为零的 Gaussian process。
- 直觉：这个定理保证了估计量不仅在单个分位数 τ 上表现良好，而且在整个分位数区间 (0,1) 上具有一致的渐近性质。这对于构造均匀置信带（uniform confidence band） 和进行全局推断（如检验处理效应是否在整个分布上为零）至关重要。
- 必要条件：需要分位数回归的估计量 \hat{q} 具有均匀渐近性质（这由分位数回归的标准理论保证），以及最小距离法的权重矩阵选择合适。
- 解决的技术难点：证明均匀收敛性需要处理分位数回归估计量的经验过程（empirical process） 性质，以及两步估计量中第一步估计误差的传播。作者通过将两步估计量表示为第一步估计量的线性组合，并利用第一步估计量的均匀 Bahadur 表示（uniform Bahadur representation）来克服这个难点。
定理 2 (非参数 bootstrap 的有效性)：
- 陈述：非参数 bootstrap（即对个体 i 进行重抽样）可以一致地估计两步估计量的渐近分布。这意味着可以用 bootstrap 来构造置信区间，而无需显式计算渐近方差。
- 直觉：这个定理为实证研究者提供了一个简单、可靠的推断工具。由于两步估计量的渐近方差形式复杂，直接估计很困难，bootstrap 是一个实用的替代方案。
- 必要条件：需要分位数回归的 bootstrap 是有效的（这由分位数回归的 bootstrap 理论保证），且两步估计量是第一步估计量的光滑函数。
- 解决的技术难点：证明 bootstrap 的一致性需要验证 bootstrap 版本的估计量满足与原始估计量相同的渐近展开。作者利用了分位数回归 bootstrap 的已有结果，并将其推广到两步估计量的设定中。

证明路线与技术技巧¶

整体路线：
1. 第一步估计量的渐近表示：首先，利用分位数回归的渐近理论，得到 \hat{q}_{Y_t|D_t, X_t}(τ | d, x) 的均匀 Bahadur 表示。这个表示将估计量分解为“真实值 + 一个经验过程项 + 一个可忽略的余项”。这是整个证明的基石。
2. 两步估计量的线性化：将两步最小距离估计量 \tilde{θ}(τ) 表示为第一步估计量 \hat{q} 的线性函数（或光滑函数）。由于最小距离法的解通常是第一步估计量的加权平均，这一步是直接的。
3. 联合渐近分布：将第一步估计量的 Bahadur 表示代入两步估计量的线性表达式中，得到 \tilde{θ}(τ) 的渐近线性表示。这个表示是“真实值 + 一个由多个经验过程项组成的线性组合 + 一个可忽略的余项”。
4. 应用泛函中心极限定理：对上述渐近线性表示中的经验过程项应用泛函中心极限定理（Functional Central Limit Theorem, FCLT），证明其弱收敛到一个 Gaussian process。由于余项是可忽略的，\tilde{θ}(τ) 也收敛到同一个 Gaussian process。这就证明了定理 1。
5. Bootstrap 一致性：证明 bootstrap 版本的估计量具有与原始估计量相同的渐近线性表示。这需要验证 bootstrap 版本的 Bahadur 表示和 FCLT 成立。作者引用了分位数回归 bootstrap 一致性的已有结果，并将其推广。
关键跳跃点：
- 均匀 Bahadur 表示：这是证明中最吃功夫的部分。分位数回归的 Bahadur 表示本身是已知的，但均匀版本（对 τ 一致）需要更精细的 empirical process 理论，特别是对分位数回归的“check function”的导数进行控制。作者引用了 Koenker (2005) 和 Angrist, Chernozhukov, and Fernández-Val (2006) 的结果。
- 两步估计量的渐近方差：虽然作者没有显式给出渐近方差的公式，但通过渐近线性表示，可以推导出它的形式。这个方差会依赖于第一步分位数回归的方差以及不同时间点估计量之间的相关性。作者选择用 bootstrap 来规避显式计算。
技术技巧点名：
- Empirical process / chaining：用于证明分位数回归估计量的均匀 Bahadur 表示和均匀渐近性质。
- Bahadur 表示：将分位数回归估计量线性化，是连接第一步和第二步估计的关键工具。
- 泛函中心极限定理（FCLT）：用于证明估计量作为 τ 的函数，其渐近分布是一个 Gaussian process。
- Delta 方法：虽然本文没有显式使用，但两步估计量作为第一步估计量的光滑函数，其渐近分布可以通过 Delta 方法从第一步估计量的联合分布推导出来。作者实际上隐式地使用了这个思想。

真实例子与应用¶

本文包含两个真实数据例子，旨在展示方法的应用价值：

例子 1：保险对家庭生产的影响
- 数据：来自墨西哥的“Seguro Popular”健康保险项目评估数据。这是一个两期面板数据（2005 和 2006 年）。
- 变量：结果变量 Y 是家庭生产（如家庭企业收入或工作时间）；处理变量 D 是是否参加该保险项目；协变量 X 包括家庭人口学特征等。
- 方法应用：作者用本文提出的两步法估计了保险对家庭生产在不同分位数上的处理效应。
- 结果：发现保险对家庭生产的影响在分布的低端（低生产家庭）是正向的，但在高端（高生产家庭）是负向的或不显著的。这揭示了处理效应的异质性。
- 想说明什么：这个例子展示了 QTE 相对于 ATE 的优势——ATE 可能会掩盖这种异质性效应。同时，它也验证了方法在真实数据上的可行性。
例子 2：电视观看对儿童认知发展的影响
- 数据：来自美国的“全国青年纵向调查（NLSY）”中的儿童数据。这是一个两期面板数据。
- 变量：结果变量 Y 是儿童的数学或阅读成绩；处理变量 D 是每周看电视的时间（连续变量）；协变量 X 包括母亲的教育水平、家庭收入等。
- 方法应用：作者将连续处理变量离散化（如分为“少看”、“中等”、“多看”），然后估计了不同观看水平相对于“少看”的 QTE。
- 结果：发现电视观看对认知发展的负面影响主要集中在分布的低端（成绩较差的孩子），而对成绩好的孩子影响较小。
- 想说明什么：这个例子进一步说明了处理效应异质性的重要性，并展示了方法可以处理连续处理变量（通过离散化）。

🔎 结论是否比证明窄¶

窄结论 1：定理 1 和 2 的证明依赖于条件外生性假设（A2）。如果处理变量是内生的（即与 U_{it} 相关），本文的方法将不再一致。作者在结论部分提到了这一点，但并未提供解决方案。这是一个明显的窄结论。
窄结论 2：本文的渐近理论主要针对两期面板（T=2）。虽然作者声称可以推广到 T>2，但并未给出严格的证明。对于 T>2 的情况，最小距离法需要处理更复杂的参数结构，其渐近性质可能需要额外的条件。
泛泛 claim：作者在引言中声称方法“computationally attractive”，但并未提供任何计算复杂度分析或与 Arellano & Bonhomme (2017) 的计算时间对比。这个 claim 是基于直觉（分位数回归比 SMM 快），但缺乏量化证据。

四、开放问题¶

内生处理变量：本文假设 D_{it} 是条件外生的。如果 D_{it} 与 U_{it} 相关（例如，个体根据自身能力选择是否参加培训），如何识别和估计 QTE？这需要结合工具变量方法，如 Chernozhukov & Hansen (2005) 的 IV 分位数回归，但如何将其与面板数据的秩不变性假设结合是一个开放问题。（扎根于：假设 A2 和结论部分的讨论）
半参数效率界：本文的两步估计量是否达到了非可分离面板模型下 QTE 的半参数效率界？如果未达到，是否存在一个更高效的估计量？这需要推导该模型的有效影响函数（efficient influence function），并设计一个基于 Neyman 正交性的去偏估计量。（扎根于：本文未讨论效率问题，这是一个明显的理论空白）
高维协变量：当协变量 X_{it} 的维度 d_x 很大时，第一步的分位数回归本身就会面临“维数灾难”。如何将高维分位数回归（如 Lasso 分位数回归）与本文的两步法结合？这需要重新建立均匀渐近理论，并处理高维估计带来的偏差。（扎根于：作者在引言中提到的计算问题，但未考虑高维统计的解决方案）
动态面板：如果模型包含滞后因变量 Y_{i,t-1}，秩不变性假设是否仍然合理？如何处理由此带来的“初始条件”问题？这是一个重要的模型扩展方向。（扎根于：本文的模型是静态的，未考虑动态结构）

Maintained by 陈星宇 · Homepage · Source on GitHub