Uniform Nonparametric Inference for Spatially Dependent Panel Data

作者: Jia Li, Zhipeng Liao, Wenyu Zhou
来源: Journal of Business & Economic Statistics
主题: 非参数 / 半参数
相关性: 5/10
机构绿灯: UCLA（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2023.2219283

---

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：如何对面板数据（panel data）中的非参数回归函数进行有效的、均匀的（uniform）统计推断（即构造同时成立的置信带，而非逐点置信区间），当数据存在一般未知形式的时空依赖（spatio-temporal dependence）时。 当前成熟度：这是一个在时间序列非参数推断基础上，向面板数据（大N，长T）拓展的前沿方向。已有大量工作处理了时间序列或空间数据的非参数推断，但将两者结合、且允许截面维度N和空间相关强度任意大、同时要求推断在函数空间上均匀成立，仍是一个开放且具有挑战性的问题。

发展脉络（history）

作者在引言中梳理了以下发展脉络，我们将其串成一条线：

1. 奠基工作：时间序列非参数推断的均匀理论

   • Neumann and Polzehl (1998)：早期工作，研究了时间序列非参数回归的均匀置信带。作者引用其“为时间序列非参数推断的均匀理论奠定了基础”。
   • Bühlmann (1998)：提出了基于自举（bootstrap）的均匀置信带方法。作者引用其“提供了另一种基于自举的均匀推断方法”。
   • Li, Liao, and Zhou (2023)：作者自己的前期工作，提出了一个“增长维高斯耦合理论”（growing-dimensional Gaussian coupling theory），用于处理时间序列数据。这是本文的直接技术前身，但仅限于时间序列（N=1）。

2. 主要进展：向空间或面板数据的拓展

   • Jenish and Prucha (2009)：建立了空间过程（spatial processes）的中心极限定理。作者引用其“为空间依赖数据的渐近理论提供了重要工具”，但指出其“不直接适用于均匀推断”。
   • Zhang and Wu (2012)：研究了空间数据的非参数回归，并给出了逐点置信区间。作者引用其“为空间数据的非参数回归提供了推断方法”，但指出其“推断是逐点的，而非均匀的”。
   • Kuersteiner and Prucha (2020)：研究了面板数据中非参数回归的均匀推断，但依赖于“特定的空间权重矩阵结构”。作者引用其“是面板数据均匀推断的重要一步”，但指出其“对空间依赖结构施加了限制”。

3. 当前Frontier与本文位置

   • 当前frontier是：在允许一般未知时空依赖结构（不限制截面大小N、空间相关强度、空间权重矩阵形式）下，为面板数据的非参数回归函数提供均匀推断方法。
   • 本文的位置：作者声称，本文是“第一个”在如此一般的设定下，为时空依赖面板数据提供均匀推断方法的。其核心贡献是建立了一个新的“增长维高斯耦合理论”，该理论是Li, Liao, and Zhou (2023) 从时间序列（N=1）到面板数据（N任意大）的推广，并以此为基础构造了均匀置信带和假设检验。

子线索聚类

这些被引文献大致落在以下两条子线索上：

• 线索一：时间序列非参数推断的均匀理论。这一簇的工作专注于单个时间序列（N=1），发展均匀置信带的理论和方法。代表工作：Neumann and Polzehl (1998), Bühlmann (1998), Li, Liao, and Zhou (2023)。瓶颈：无法处理截面维度N>1带来的空间依赖。
• 线索二：空间或面板数据的非参数推断。这一簇的工作将推断拓展到空间或面板数据，但要么只提供逐点推断（Zhang and Wu, 2012），要么对空间依赖结构施加了限制（Kuersteiner and Prucha, 2020）。代表工作：Jenish and Prucha (2009), Zhang and Wu (2012), Kuersteiner and Prucha (2020)。瓶颈：在一般未知时空依赖下实现均匀推断。

这个方向在追问的核心问题

1. 均匀性（Uniformity）：如何构造一个置信带，使得回归函数在整个定义域上同时被覆盖的概率趋近于1-α？这比逐点置信区间困难得多，需要控制函数空间上的极值（supremum）的渐近分布。
2. 依赖结构（Dependence Structure）：如何处理一般未知的时空依赖？这要求方法不依赖于特定的参数化模型（如空间自回归模型），而是对依赖的“强度”和“范围”施加一些正则条件（如混合条件、物理相依性）。
3. 维度增长（Growing Dimension）：当截面维度N随着时间T增长时，如何保证推断的有效性？这要求理论能处理一个“增长维”的随机向量，其维数N可以远大于T，或者与T同阶增长。
4. 带宽选择（Bandwidth Selection）：在依赖数据下，如何选择非参数回归的带宽，使得估计的偏差和方差达到平衡，同时不影响均匀推断的渐近性质？

⚠️ 作者的Framing

• 作者把缺口frame成什么：作者将缺口frame成“现有方法要么只适用于时间序列，要么对空间依赖结构施加了限制，要么只提供逐点推断”。因此，本文作为“显然的下一步”，就是提供一个“统一的”（unified）方法，同时解决以上所有限制。作者强调其方法“不施加任何对截面大小或空间相关强度的限制”，这是一个非常强的claim。
• 哪些竞争路线被他淡化或回避了：作者淡化了基于自举（bootstrap）的方法。虽然引用了Bühlmann (1998) 的时间序列自举，但并未深入讨论将自举方法（如移动块自举）推广到面板数据的可能性与困难。作者可能认为，自举方法在一般时空依赖下的理论性质难以建立，或者计算成本过高。此外，作者回避了讨论其方法对“长T”的具体要求（T需要多长？），以及当T不够长时方法的有限样本表现。
• 什么明显该被引/该存在、却没出现在intro里？：作者没有引用任何关于“空间面板数据模型”（spatial panel data models）的文献，例如Lee and Yu (2010) 等。这些文献通常假设一个参数化的空间权重矩阵，但提供了成熟的估计和推断方法。作者可能认为这些方法过于参数化，与本文的非参数目标不符。但作为对比，讨论这些参数化方法的局限性，可以更清晰地凸显本文非参数方法的优势。（值得研究者去查的问题：这些参数化空间面板模型在均匀推断上的表现如何？它们的局限性是否如作者所说？）

张力

未见明显对立引用。所有被引工作都在逐步放宽假设，向更一般的设定推进，方向一致。

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：

  • \( i = 1, \dots, N \)：截面单元（如公司、地区、个人）的索引。N是截面大小，可以很大，甚至随T增长。
  • \( t = 1, \dots, T \)：时间点的索引。T是时间跨度，作者要求“长T”，即T很大。
  • \( Y_{i,t} \)：第i个单元在时间t的可观测响应变量（标量）。
  • \( X_{i,t} \)：第i个单元在时间t的可观测协变量（d维向量，d固定且较小）。
  • \( m(x) = \mathbb{E}[Y_{i,t} | X_{i,t} = x] \)：目标参数（estimand）。这是一个非参数回归函数，假设对所有i和t都相同（同质性假设）。我们想估计它，并构造一个均匀置信带。
  • \( \epsilon_{i,t} = Y_{i,t} - m(X_{i,t}) \)：不可观测的误差项。它包含了所有未观测到的因素，并且允许在i和t两个维度上存在复杂的依赖结构（时空依赖）。
  • \( \hat{m}(x) \)：m(x)的某个非参数估计量（如核估计、局部多项式估计）。
  • \( \hat{\Sigma}(x) \)：\( \hat{m}(x) \)的渐近方差的估计量。
  • \( \mathcal{X} \)：协变量x的定义域（一个紧集）。

• 模型：

  • 数据生成机制：\( Y_{i,t} = m(X_{i,t}) + \epsilon_{i,t} \)。这是一个标准的非参数回归模型，但误差项\( \epsilon_{i,t} \)不是独立同分布的。
  • 对\( \epsilon_{i,t} \)的假设：它是一个均值为0的平稳时空过程，其依赖结构是“一般未知的”。这意味着它可以是任何形式的短期或长期依赖，只要满足一些正则条件（如物理相依性条件，physical dependence measure），这些条件限制了依赖随“距离”（时间和空间）衰减的速度。
  • 对\( X_{i,t} \)的假设：协变量可以是随机的，也可以是固定的。如果是随机的，它们可以与误差项\( \epsilon_{i,t} \)相关（内生性），但本文的方法似乎假设了外生性（\( X_{i,t} \)与\( \epsilon_{i,t} \)独立或至少不相关），因为模型直接对条件期望建模。作者在假设中明确提到了“exogeneity”。
  • 要估的对象：非参数函数\( m(\cdot) \)。

• 可观测数据：

  • 研究者实际能观测到的是：一个面板数据集 \( \{ (Y_{i,t}, X_{i,t}) : i=1,\dots,N, t=1,\dots,T \} \)。
  • 想要但观测不到的是：误差项\( \epsilon_{i,t} \)的完整依赖结构（协方差矩阵、高阶矩等）。我们只能通过残差来估计它，但无法完全知道其真实分布。这正是推断的难点所在。

第二步：讲最小内核

本文的核心思路是：将“构造均匀置信带”这个复杂问题，转化为“证明一个增长维随机向量的最大值（supremum）可以被一个高斯过程耦合（coupling）”。

最简特例：N=1（时间序列），且m(x)是线性函数（即\( m(x) = \beta x \)）

在这个特例下，问题退化为：对一个时间序列\( Y_t = \beta X_t + \epsilon_t \)，构造\( \beta \)的置信区间。这很简单，用OLS即可。但为了理解本文的核心思想，我们考虑一个更接近其方法的特例：

最简特例：N=1（时间序列），m(x)是未知的非参数函数，我们想在一个网格点\( x_1, \dots, x_K \)上构造均匀置信带。

1. 问题退化：我们不再需要处理空间依赖（N=1），只需要处理时间依赖。我们想构造一个置信带，使得\( m(x_k) \)对所有k=1,...,K同时被覆盖。
2. 估计：我们使用核估计\( \hat{m}(x_k) \)来估计每个点上的函数值。
3. 核心困难：\( \hat{m}(x_1), \dots, \hat{m}(x_K) \)是K个估计量，它们之间是相关的（因为使用了重叠的样本）。而且，由于\( \epsilon_t \)是时间依赖的，这些估计量的联合分布非常复杂。我们想知道\( \max_{k} |\hat{m}(x_k) - m(x_k)| \)的分布。
4. 核心想法：Li, Liao, and Zhou (2023) 证明了一个“增长维高斯耦合”定理。这个定理说：存在一个K维高斯随机向量\( (Z_1, \dots, Z_K) \)，其协方差结构与\( (\hat{m}(x_1), \dots, \hat{m}(x_K)) \)的渐近协方差结构相匹配，使得
   \[\max_{k} |\hat{m}(x_k) - m(x_k) - \text{bias}(x_k)| \approx \max_{k} |Z_k|\]
   这里的“≈”是在一个非常强的“耦合”意义上成立的，即两个随机向量的最大值之差以非常快的速度（多项式阶）收敛到0。
5. 为什么这解决了问题：一旦我们有了这个耦合，我们就可以用\( \max_k |Z_k| \)的分布来近似\( \max_k |\hat{m}(x_k) - m(x_k) - \text{bias}(x_k)| \)的分布。而\( \max_k |Z_k| \)的分布可以通过模拟（如高斯自举，Gaussian bootstrap）轻松获得，因为我们可以估计出Z的协方差矩阵。这样，我们就可以构造出均匀置信带。

本文的推广：本文将这个“增长维高斯耦合”定理从时间序列（N=1）推广到了面板数据（N任意大）。在面板数据中，我们需要耦合的随机向量维数变成了\( N \times K \)（每个截面单元在每个网格点上都有一个估计量），并且依赖结构同时存在于时间和空间两个维度。本文的核心技术贡献就是证明，在时空依赖下，这种耦合仍然成立。

三、这篇论文做了什么

三句话

1. 研究了什么问题：研究了在面板数据中，当误差项存在一般未知的时空依赖结构时，如何对非参数回归函数\( m(x) \)进行均匀推断（构造均匀置信带和进行假设检验）。
2. 核心工具/方法：核心工具是一个新建立的“增长维高斯耦合理论”（growing-dimensional Gaussian coupling theory），该理论适用于时空依赖面板数据。基于此，作者提出了一个“高斯自举”（Gaussian bootstrap）程序来近似均匀推断所需的关键量（如supremum的分布）。
3. 主要结论：在正则条件下，作者证明了所提出的均匀置信带具有渐近正确的覆盖概率，并且基于此的假设检验具有渐近正确的第一类错误率。作者通过两个实证应用（检验混合分布假说和调查预测的理性）展示了该方法的实用性。

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：

• 设定：

  • 数据：\( \{ (Y_{i,t}, X_{i,t}) : i=1,\dots,N, t=1,\dots,T \} \)，其中\( X_{i,t} \)是d维协变量。
  • 模型：\( Y_{i,t} = m(X_{i,t}) + \epsilon_{i,t} \)，其中\( m(\cdot) \)是光滑的非参数函数。
  • 目标：构造\( m(\cdot) \)在紧集\( \mathcal{X} \subset \mathbb{R}^d \)上的均匀置信带。
  • 估计量：使用局部线性估计（local linear estimator）\( \hat{m}(x) \)。

• 关键假设（作者在论文第2节列出，这里给出统计含义）：

  • 假设1（平稳性与物理相依性）：\( \{ (X_{i,t}, \epsilon_{i,t}) \} \)是一个平稳的时空过程，并且其依赖结构可以用“物理相依性度量”（physical dependence measure）来控制。含义：这比简单的混合条件更灵活，允许长记忆过程，但要求依赖随“距离”衰减。这是证明高斯耦合的关键。
  • 假设2（矩条件）：\( X_{i,t} \)和\( \epsilon_{i,t} \)有有限的\( q \)阶矩（q足够大）。含义：保证估计量的渐近正态性，并为耦合定理提供矩控制。
  • 假设3（核函数与带宽）：核函数是光滑的、有紧支撑的；带宽\( h \)满足\( h \to 0 \)且\( Th^d \to \infty \)。含义：非参数估计的标准条件，确保估计的一致性和渐近正态性。
  • 假设4（设计密度）：\( X_{i,t} \)的边际密度\( f(x) \)在\( \mathcal{X} \)上光滑且远离0。含义：确保在每个点上都有足够的观测值来进行局部估计。
  • 假设5（外生性）：\( \mathbb{E}[\epsilon_{i,t} | X_{i,t}] = 0 \)。含义：这是非参数回归的标准外生性假设。如果存在内生性，本文方法不适用。
  • 假设6（增长条件）：\( N \)和\( T \)可以同时增长，但\( N \)的增长速度不能太快（例如，\( N = o(T^c) \) 对于某个c）。含义：这是为了控制增长维带来的复杂性。作者的具体条件在定理中给出。

• 相比已有文献放宽或强化了哪些：

  • 放宽：相比Kuersteiner and Prucha (2020)，本文不要求空间依赖结构是已知的或参数化的（如不要求知道空间权重矩阵）。相比Zhang and Wu (2012)，本文提供了均匀推断，而不仅仅是逐点推断。
  • 强化：相比Li, Liao, and Zhou (2023)，本文将高斯耦合理论从时间序列推广到了面板数据，这是一个本质性的推广，因为需要处理截面维度N的增长和空间依赖。

主要结果

本文是理论型论文，主要结果是两个定理：

• 定理1（增长维高斯耦合）：

  • 陈述：在假设1-6下，存在一个高斯随机向量\( \mathbf{Z} \)，其协方差结构与\( \hat{m}(x) \)在网格点上的渐近协方差结构相匹配，使得对于任何\( \delta > 0 \)，
    \[\mathbb{P}\left( \max_{x \in \mathcal{X}_n} |\hat{m}(x) - m(x) - \text{bias}(x)| > \max_{x \in \mathcal{X}_n} |Z(x)| + \delta \right) \to 0\]
    并且收敛速度是多项式阶的（具体为\( O(T^{-c}) \)）。
  • 直觉：这个定理保证了，在均匀范数下，估计量的中心化版本（减去偏差）可以被一个高斯过程“紧”地近似。这是整个推断方法的基石。
  • 必要条件：需要物理相依性度量以足够快的速度衰减，以及N的增长速度不能太快（相对于T）。
  • 解决的技术难点：证明的关键在于处理时空依赖下，增长维随机向量（维数为\( N \times \)网格点数）的“最大值”的分布。作者使用了“Stein's method”的变体，结合“依赖图”（dependency graph）和“块划分”（blocking）技术，将复杂的时空依赖分解为可处理的局部依赖块。

• 定理2（均匀置信带的渐近有效性）：

  • 陈述：基于定理1，构造的均匀置信带\( \hat{m}(x) \pm c_{\alpha} \cdot \hat{\sigma}(x) \)具有渐近正确的覆盖概率，即
    \[\lim_{T,N \to \infty} \mathbb{P}\left( m(x) \in \hat{m}(x) \pm c_{\alpha} \cdot \hat{\sigma}(x), \forall x \in \mathcal{X} \right) = 1 - \alpha\]
    其中\( c_{\alpha} \)是通过高斯自举（模拟\( \mathbf{Z} \)的分布）得到的临界值，\( \hat{\sigma}(x) \)是\( \hat{m}(x) \)的标准误估计。
  • 直觉：这个定理保证了我们构造的置信带是有效的。
  • 必要条件：需要一致地估计渐近方差\( \sigma^2(x) \)，这要求对时空依赖的长期方差（long-run variance）进行一致估计。作者使用了“Newey-West”类型的HAC估计量（异方差自相关一致估计量）的推广。
  • 解决的技术难点：一致地估计长期方差在面板数据中比在时间序列中更复杂，因为需要在两个维度上同时进行“截断”（truncation）。作者证明了在适当的条件下，这种估计是一致的。

证明路线与技术技巧（理论型）

• 整体路线：

  1. 线性化：将局部线性估计量\( \hat{m}(x) \)线性化为一个加权和的形式：\( \hat{m}(x) - m(x) \approx \frac{1}{NT} \sum_{i,t} w_{i,t}(x) \epsilon_{i,t} + \text{bias} \)。其中\( w_{i,t}(x) \)是已知的核权重。
  2. 标准化与离散化：将连续的定义域\( \mathcal{X} \)离散化为一个网格\( \mathcal{X}_n \)。问题转化为研究一个增长维随机向量\( S = (S_1, \dots, S_p) \)的supremum，其中\( S_j = \frac{1}{\sqrt{NT}} \sum_{i,t} w_{i,t}(x_j) \epsilon_{i,t} \)，p是网格点数（与N和T有关）。
  3. 高斯耦合：这是核心步骤。作者使用Stein's method来证明S可以被一个高斯向量Z耦合。具体地，他们构造了一个“依赖图”，其中每个\( S_j \)对应一个节点，如果两个\( S_j \)和\( S_k \)对应的核权重有重叠的支撑（在时间和空间上），则它们之间有一条边。然后，他们使用“局部依赖”版本的Stein's method（如Chatterjee's “second-order Poincaré inequality”的推广），来证明S和Z的Wasserstein距离或Kolmogorov距离以多项式速度收敛到0。
  4. 偏差处理：估计偏差项，并将其从统计量中减去。
  5. 方差估计：使用HAC估计量一致地估计Z的协方差矩阵。
  6. 高斯自举：从估计出的协方差矩阵中模拟Z，得到临界值\( c_{\alpha} \)。

• 关键跳跃点：

  • 最吃功夫的引理：证明在时空依赖下，Stein's method的“局部依赖”条件仍然成立。这需要非常精细地分析核权重的支撑集，以及时空依赖的衰减速度。作者需要证明，对于大多数\( S_j \)和\( S_k \)，它们之间的依赖足够弱，以至于可以被“忽略”。
  • 难点卡在哪：当N很大时，依赖图会变得非常稠密（每个\( S_j \)可能与很多其他\( S_k \)相关），这使得标准的“局部依赖”Stein's method失效。作者通过引入一个“块划分”技巧来解决这个问题：将时间和空间都划分为块，使得不同块之间的依赖很弱，然后先对每个块内的依赖进行耦合，再处理块间的依赖。

• 技术技巧点名：

  • Stein's method (Stein方法)：用于证明随机向量与高斯向量的耦合。本文使用的是其“交换对”（exchangeable pair）或“二阶Poincaré不等式”的变体。
  • 依赖图 (Dependency Graph)：用于刻画随机变量之间的依赖结构，是应用局部依赖Stein's method的前提。
  • 块划分 (Blocking)：将大问题分解为若干弱依赖的小块，是处理长程依赖和空间依赖的经典技巧。
  • HAC估计量 (Heteroskedasticity and Autocorrelation Consistent estimator)：用于一致地估计长期方差。本文将其推广到面板数据，需要在时间和空间两个维度上进行截断。
  • 物理相依性度量 (Physical Dependence Measure)：由Wu (2005) 提出，用于刻画平稳过程的依赖强度，比混合条件更灵活，且便于与Stein's method结合。

真实例子与应用

本文包含两个真实数据例子：

1. 例子一：检验混合分布假说 (Mixture of Distribution Hypothesis, MDH)

   • 数据/场景：使用个股的日度数据，研究资产价格波动率（volatility）与交易量（trading volume）之间的非参数关系。MDH预测两者是正相关的。
   • 方法应用：将波动率作为响应变量\( Y_{i,t} \)，交易量作为协变量\( X_{i,t} \)，估计非参数回归函数\( m(x) \)。然后，构造一个均匀置信带，并检验“\( m(x) \)是否为常数”或“\( m(x) \)是否单调递增”等假设。
   • 结果：作者发现，在控制了市场波动后，个股层面的波动率-交易量关系是非线性的，并且在交易量很高时，关系变得平坦甚至下降，这与MDH的简单预测不符。
   • 例子想说明什么：展示本文方法可以揭示参数模型可能遗漏的非线性关系，并且均匀置信带可以用于进行全局性的假设检验，而不仅仅是点估计。

2. 例子二：检验调查预测的理性 (Rationality of Survey Forecasts)

   • 数据/场景：使用专业预测者对GDP增长、通胀等宏观变量的调查预测数据（如SPF调查）。研究预测误差（forecast error）与预测值（forecast）之间的关系。
   • 方法应用：将预测误差作为响应变量\( Y_{i,t} \)，预测值作为协变量\( X_{i,t} \)，估计非参数回归函数\( m(x) \)。如果预测是理性的，那么\( m(x) \)应该恒为0（无偏性）。作者构造了\( m(x) \)的均匀置信带，并检验“\( m(x) = 0 \)”这一零假设。
   • 结果：作者发现，对于某些变量（如通胀），\( m(x) \)显著不为0，且呈现特定的形状（如当预测值较高时，预测误差为正，即高估；当预测值较低时，预测误差为负，即低估）。这为“信息刚性”（information rigidity）提供了非参数证据，支持了粘性信息（sticky-information）和噪声信息（noisy-information）模型。
   • 例子想说明什么：展示本文方法在宏观经济学中的应用价值，可以检验经济理论（如理性预期）的预测，并发现数据中支持特定理论（如信息刚性）的模式。

🔎 结论是否比证明窄

• 窄的claim：作者在定理中明确假设了“外生性”（\( \mathbb{E}[\epsilon_{i,t} | X_{i,t}] = 0 \)）。但在实证应用中，例如检验MDH时，交易量和波动率很可能存在联立性（simultaneity），即内生性问题。作者在实证中似乎没有处理这个问题，而是直接应用了方法。因此，实证结论的有效性依赖于外生性假设，而这个假设在应用中可能不成立。 作者在论文中是否讨论了这一点？需要核实。
• 泛化的claim：作者声称方法“不施加任何对截面大小或空间相关强度的限制”。但定理中隐含了对N增长速度的限制（如\( N = o(T^c) \)），以及对物理相依性衰减速度的限制。这些限制在实践中可能难以验证。因此，“不施加任何限制”这个说法有些过于宽泛，更准确的说法是“不施加参数化形式的限制”。
• Conjecture：作者没有明确写出conjecture，但可以推测，他们可能认为该方法可以推广到更一般的设定，如允许内生性（通过工具变量），或者处理非平稳的时空过程。这些是未来工作的方向。

四、开放问题

1. 内生性处理：本文方法严格依赖于外生性假设。如何将本文的均匀推断框架推广到存在内生性的面板数据非参数回归（例如，使用非参数工具变量）？这需要发展新的高斯耦合理论，以处理工具变量估计量的复杂形式。扎根点：论文假设5（外生性）。
2. 带宽选择的自动化：本文的均匀置信带对带宽选择敏感。如何开发一个数据驱动的、适用于时空依赖面板数据的带宽选择方法，使得均匀推断的覆盖概率对带宽选择具有稳健性（如使用“undersmoothing”或“bias correction”技术）？扎根点：论文关于带宽选择的讨论（假设3）。
3. 非平稳时空过程：本文假设数据是平稳的。如何将方法推广到非平稳的时空过程（例如，存在时间趋势或空间异质性）？这可能需要引入局部平稳（locally stationary）或分段平稳（piecewise stationary）的框架。扎根点：论文假设1（平稳性）。
4. 高维协变量：本文假设协变量维度d是固定的。当d很大时（高维非参数回归），均匀推断的难度会急剧增加（“维度诅咒”）。如何将本文的方法与高维非参数方法（如可加模型、稀疏加性模型）结合，以处理高维协变量？扎根点：论文设定中d固定。

提醒：要确认上述第1点（内生性）是否是真gap，可以去读近期关于“非参数工具变量”或“面板数据因果推断”的综述或前沿论文的intro，看它们是否都指向“均匀推断”这个未解决的问题。如果多篇论文都提到这一点，那它就是一个共识性的真gap。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论