Model-Assisted Complier Average Treatment Effect Estimates in Randomized Experiments with Noncompliance¶

作者: Jiyang Ren
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¶

本方向关注的是随机实验中的非依从性（noncompliance）问题。在理想随机实验中，处理分配（assignment）完全决定实际接受的处理（treatment received），但现实中常出现参与者不遵守分配方案（如拒绝服药、对照组自行获取处理）。此时，直接比较“按分配分组”的意向治疗（ITT）效应会低估处理效果，而比较“按实际接受分组”则因选择偏倚而无效。工具变量（IV）方法，特别是依从者平均处理效应（CATE） 的识别与估计，成为标准解决方案。CATE定义为那些“无论分配为何都会依从分配”的亚组（compliers）的平均处理效应，在二值处理、二值结果且满足单调性等假设下，它等于结果与处理的ITT效应之比——即经典的Wald estimand。当前子方向的成熟度较高，已有大量关于CATE识别、估计与推断的工作，但如何利用协变量信息提升估计效率，尤其是在允许工作模型误设的稳健框架下，仍是活跃的研究前沿。

发展脉络（history）¶

奠基工作：Imbens & Angrist (1994) 和 Angrist, Imbens & Rubin (1996) 建立了LATE（Local Average Treatment Effect）框架，将CATE识别为Wald estimand，并给出了其与IV估计量的联系。这是整个子方向的基石。
主要进展：后续工作主要沿两条线展开。一是基于模型的方法，如Abadie (2003) 提出了半参数CATE估计量，利用协变量通过非参数或参数模型提升效率，但依赖于模型正确设定。二是基于设计的随机化推断，如Rosenbaum (2002) 和 Imbens & Rosenbaum (2005) 发展了在随机化框架下进行CATE推断的方法，其优势在于不依赖大样本渐近，但效率提升有限。
当前frontier：近期工作开始融合模型辅助与随机化推断。例如，Li & Ding (2017) 在完全随机实验的ITT效应估计中，提出了模型辅助估计量，允许工作模型误设，并证明了其效率增益。Zhao & Ding (2022) 进一步将模型辅助思想扩展到工具变量设定下的CATE估计，但主要关注连续结果。本文（Ren, 2024）则聚焦于二值结果这一常见但具有特殊挑战的设定，提出了三类模型辅助CATE估计量，并给出了完整的渐近理论与推断方法。
本文的位置：本文是模型辅助+随机化推断这一新兴路线在二值结果CATE问题上的系统化推进。它填补了Li & Ding (2017) 在ITT估计上的模型辅助方法向CATE估计的扩展空白，并解决了Zhao & Ding (2022) 在二值结果下可能遇到的效率与推断问题。

子线索聚类¶

基于模型的CATE估计：以Abadie (2003) 为代表，通过协变量建模（如线性、非参数）来估计CATE，效率高但依赖模型正确设定。本文的“模型辅助”方法属于此线索的稳健化变体。
基于设计的随机化推断：以Rosenbaum (2002) 为代表，强调随机化分配作为唯一概率来源，不依赖模型假设，但效率通常低于模型方法。本文的框架属于此线索，但通过引入工作模型来提升效率。
模型辅助的ITT估计：以Li & Ding (2017) 为代表，在完全随机实验的ITT效应估计中，将协变量信息通过工作模型融入随机化推断框架，允许模型误设。本文是此线索向CATE估计的直接推广。
工具变量设定下的模型辅助CATE估计：以Zhao & Ding (2022) 为代表，在连续结果下发展了模型辅助CATE估计。本文则聚焦于二值结果，并提出了针对二值结果特性的新估计量（如乘性CATE）。

这个方向在追问的核心问题¶

核心问题1：如何在不依赖模型正确设定的前提下，利用协变量信息提升CATE估计的效率？
核心问题2：对于二值结果，Wald estimand的估计量（比率形式）的方差估计与推断如何稳健地进行？
核心问题3：模型辅助方法能否扩展到更复杂的CATE形式（如乘性CATE、对数尺度CATE）？
已知瓶颈：现有模型辅助方法在二值结果下，由于结果变量的离散性，其渐近方差表达式更复杂，且Neyman型方差估计的保守性需要重新验证。此外，工作模型的选择（如线性概率模型 vs. logistic模型）对效率的影响尚不明确。

⚠️ 作者的 framing¶

作者将缺口frame为：“现有模型辅助CATE估计方法主要针对连续结果，而二值结果在随机实验中极为常见，且其方差结构与推断方法有特殊性，需要专门处理。” 作者通过强调二值结果的特殊性（如方差依赖于均值、比率估计量的有限样本偏误等），使本文成为“显然的下一步”。作者淡化了非参数CATE估计（如Abadie, 2003）的路线，认为其需要更复杂的非参数估计（如核平滑）且推断更困难。明显该被引/该存在、却没出现在intro里：作者未引用Ding & Li (2018) 关于随机化推断中方差估计的综述性工作，也未引用Imbens (2014) 关于IV方法在经济学中应用的经典综述。这可能意味着作者有意聚焦于更窄的统计技术细节，而非应用背景。值得研究者去查的问题：检查Ding & Li (2018) 是否讨论了二值结果下CATE的方差估计，以及Imbens (2014) 是否提到了模型辅助方法在IV设定下的应用。

张力¶

未见明显对立引用。所有被引工作基本沿同一方向推进，即“在随机化框架下，通过引入协变量信息提升CATE估计效率”，彼此之间是互补而非矛盾关系。

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：
\( N \)：总样本量（个体数）。
\( i = 1, \dots, N \)：个体索引。
\( Z_i \in \{0, 1\} \)：处理分配（treatment assignment），随机化决定。\( Z_i = 1 \) 表示被分配到处理组，\( Z_i = 0 \) 表示对照组。
\( D_i \in \{0, 1\} \)：实际接受的处理（treatment received）。\( D_i = 1 \) 表示实际接受了处理，\( D_i = 0 \) 表示未接受。
\( Y_i \in \{0, 1\} \)：结果变量（outcome），二值。
\( X_i \in \mathbb{R}^p \)：协变量向量（covariates），在随机化前观测到，用于构建工作模型。
潜在结果框架：
- \( D_i(z) \)：个体 \( i \) 在分配 \( Z_i = z \) 下的潜在处理接受状态（\( z = 0, 1 \)）。
- \( Y_i(z, d) \)：个体 \( i \) 在分配 \( Z_i = z \) 且实际接受处理 \( d \) 下的潜在结果（\( z, d = 0, 1 \)）。
- 实际观测：\( D_i = D_i(Z_i) \)，\( Y_i = Y_i(Z_i, D_i) \)。
依从者类型（基于 \( D_i(0), D_i(1) \)）：
- 始终接受者（Always-taker）：\( D_i(0) = D_i(1) = 1 \)。
- 从不接受者（Never-taker）：\( D_i(0) = D_i(1) = 0 \)。
- 依从者（Complier）：\( D_i(0) = 0, D_i(1) = 1 \)。
- 违抗者（Defier）：\( D_i(0) = 1, D_i(1) = 0 \)（通常假设不存在，即单调性假设）。
参数/estimand：
- \( \tau_{\text{ITT}} = \mathbb{E}[Y_i(1, D_i(1)) - Y_i(0, D_i(0))] \)：意向治疗效应（ITT）。
- \( \tau_{\text{ITT}, D} = \mathbb{E}[D_i(1) - D_i(0)] \)：处理接受上的ITT效应。
- \( \tau_{\text{CATE}} = \mathbb{E}[Y_i(1, 1) - Y_i(0, 0) \mid \text{complier}] \)：依从者平均处理效应（CATE）。
Wald estimand：在单调性假设下，\( \tau_{\text{CATE}} = \frac{\tau_{\text{ITT}}}{\tau_{\text{ITT}, D}} \)。
样本量指标：\( N_1 = \sum_i Z_i \)（处理组样本量），\( N_0 = N - N_1 \)（对照组样本量）。假设完全随机实验，\( N_1/N \to \pi \in (0, 1) \)。
模型：
数据生成机制：完全随机实验。\( N \) 个个体中，随机选择 \( N_1 \) 个分配到处理组（\( Z_i = 1 \)），其余为对照组（\( Z_i = 0 \)）。分配机制是唯一的概率来源。潜在结果 \( (Y_i(0,0), Y_i(0,1), Y_i(1,0), Y_i(1,1), D_i(0), D_i(1)) \) 被视为固定但未知的常数（Neyman式观点），或来自某个超总体（superpopulation）。本文采用超总体观点，即这些潜在结果是独立同分布（i.i.d.）来自某个未知分布。
关键假设：
1. 单调性：\( D_i(1) \ge D_i(0) \) 对所有 \( i \) 成立（无违抗者）。
2. 排他性约束：\( Y_i(z, d) = Y_i(d) \) 只依赖于实际接受的处理 \( d \)，不依赖于分配 \( z \)（即分配只通过影响处理接受来影响结果）。
3. 随机化：\( Z_i \) 与所有潜在结果独立。
4. 正值性：\( \mathbb{P}(D_i(1) \neq D_i(0)) > 0 \)（存在依从者）。
要估的对象：\( \tau_{\text{CATE}} \)。
可观测数据：
研究者能观测到：\( (Z_i, D_i, Y_i, X_i) \) 对于 \( i = 1, \dots, N \)。
不可观测：个体的依从者类型（complier/always-taker/never-taker）是未知的，因为 \( D_i(0) \) 和 \( D_i(1) \) 不能同时观测到。潜在结果 \( Y_i(0), Y_i(1) \) 也只有一个被观测到。

第二步：讲最小内核¶

最简特例：假设没有协变量（\( X_i \) 不存在），且结果 \( Y_i \) 为二值。此时，CATE的估计问题退化为经典的Wald估计量：

\[\hat{\tau}_{\text{CATE}} = \frac{\hat{\tau}_{\text{ITT}}}{\hat{\tau}_{\text{ITT}, D}} = \frac{\bar{Y}_1 - \bar{Y}_0}{\bar{D}_1 - \bar{D}_0}\]

其中 \( \bar{Y}_1 = \frac{1}{N_1} \sum_{i: Z_i=1} Y_i \)，\( \bar{Y}_0 = \frac{1}{N_0} \sum_{i: Z_i=0} Y_i \)，\( \bar{D}_1, \bar{D}_0 \) 类似。这个估计量是比率形式，其渐近方差可以通过Delta方法得到，但有限样本下可能有偏。本文的核心思路是：当存在协变量 \( X_i \) 时，我们可以利用 \( X_i \) 构建一个“工作模型”来预测 \( Y_i \) 和 \( D_i \)，然后用这些预测来调整Wald估计量，从而在不依赖工作模型正确设定的前提下，提升估计效率。

最小内核：考虑最简单的模型辅助形式——差分调整（difference-in-means adjustment）。假设我们有一个工作模型 \( m(x) \) 来预测 \( Y_i \)（例如线性回归），以及一个工作模型 \( h(x) \) 来预测 \( D_i \)。那么，一个模型辅助的ITT估计量（对 \( \tau_{\text{ITT}} \)）可以写为：

\[\hat{\tau}_{\text{ITT, MA}} = \frac{1}{N_1} \sum_{i: Z_i=1} (Y_i - m(X_i)) - \frac{1}{N_0} \sum_{i: Z_i=0} (Y_i - m(X_i)) + \frac{1}{N} \sum_{i=1}^N (m(X_i) - \bar{m})\]

其中 \( \bar{m} = \frac{1}{N} \sum_i m(X_i) \)。这个估计量的核心是：它用 \( m(X_i) \) 对 \( Y_i \) 进行“去噪”，然后对残差 \( Y_i - m(X_i) \) 做ITT比较，最后加上一个全局调整项。关键性质：即使 \( m(x) \) 是错误设定的（即 \( \mathbb{E}[Y_i \mid X_i] \neq m(X_i) \)），这个估计量仍然是 \( \tau_{\text{ITT}} \) 的相合估计，且其渐近方差不大于未调整的ITT估计量 \( \bar{Y}_1 - \bar{Y}_0 \)。类似地，我们可以构造 \( \hat{\tau}_{\text{ITT}, D, \text{MA}} \)。然后，模型辅助的CATE估计量就是这两个模型辅助ITT估计量的比值：

\[\hat{\tau}_{\text{CATE, MA}} = \frac{\hat{\tau}_{\text{ITT, MA}}}{\hat{\tau}_{\text{ITT}, D, \text{MA}}}\]

本文的数学贡献：证明这个比值估计量的渐近性质（相合性、渐近正态性），推导其渐近方差，并证明其效率不低于经典Wald估计量。同时，针对二值结果，提出Neyman型保守方差估计量，使得即使工作模型误设，也能进行有效的假设检验和置信区间构建。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在二值结果、二值处理的随机实验中，如何利用协变量信息，通过模型辅助方法提升依从者平均处理效应（CATE）的估计效率，并保证推断的稳健性（允许工作模型误设）。
核心工具/方法：提出了三类模型辅助CATE估计量——差分调整估计量、比率调整估计量和回归调整估计量，它们均基于随机化推断框架，通过工作模型对结果和处理接受进行预测，然后对Wald估计量的分子和分母分别进行模型辅助调整。
主要结论：所有三类模型辅助估计量都是CATE的相合估计，且渐近正态。它们的渐近方差不大于经典Wald估计量，即效率至少不降低。同时，给出了Neyman型保守方差估计量，使得在有限样本下也能进行有效的推断。方法还扩展到了乘性CATE（multiplicative CATE）的估计。

关键设定与假设¶

设定：完全随机实验，二值结果 \( Y_i \in \{0,1\} \)，二值处理接受 \( D_i \in \{0,1\} \)，协变量 \( X_i \in \mathbb{R}^p \) 在随机化前观测到。采用超总体观点（潜在结果i.i.d.来自某个分布）。
关键假设：
单调性（Assumption 1）：\( D_i(1) \ge D_i(0) \) a.s.。这是CATE可识别为Wald estimand的标准条件。
排他性约束（Assumption 2）：\( Y_i(z, d) = Y_i(d) \) a.s.。确保分配只通过处理接受影响结果。
随机化（Assumption 3）：\( Z_i \perp\!\!\!\perp (Y_i(0), Y_i(1), D_i(0), D_i(1), X_i) \)。这是随机实验的基础。
正值性（Assumption 4）：\( \mathbb{P}(D_i(1) \neq D_i(0)) > 0 \)。确保分母 \( \tau_{\text{ITT}, D} \) 非零。
相比已有文献的放宽/强化：
放宽：与Abadie (2003) 等基于模型的方法不同，本文不要求工作模型正确设定。工作模型 \( m(x) \) 和 \( h(x) \) 可以是任意函数（如线性回归、logistic回归等），即使它们与真实条件期望 \( \mathbb{E}[Y_i \mid X_i] \) 或 \( \mathbb{E}[D_i \mid X_i] \) 不一致，估计量仍然相合。
强化：与Li & Ding (2017) 的模型辅助ITT估计相比，本文将其推广到比率形式的CATE估计，需要处理分子和分母两个模型辅助估计量的联合渐近分布。与Zhao & Ding (2022) 相比，本文专门处理二值结果，其方差结构更复杂（如方差依赖于均值），且提出了针对二值结果的Neyman型方差估计。

主要结果¶

定理1（差分调整估计量的渐近性质）：
陈述：设 \( \hat{\tau}_{\text{CATE, diff}} = \frac{\hat{\tau}_{\text{ITT, diff}}}{\hat{\tau}_{\text{ITT}, D, \text{diff}}} \)，其中 \( \hat{\tau}_{\text{ITT, diff}} \) 和 \( \hat{\tau}_{\text{ITT}, D, \text{diff}} \) 是分别对 \( Y_i \) 和 \( D_i \) 进行差分调整后的模型辅助ITT估计量。则 \( \hat{\tau}_{\text{CATE, diff}} \) 是 \( \tau_{\text{CATE}} \) 的相合估计，且 \( \sqrt{N}(\hat{\tau}_{\text{CATE, diff}} - \tau_{\text{CATE}}) \xrightarrow{d} N(0, V_{\text{diff}}) \)。
直觉：差分调整通过减去工作模型的预测，减少了结果和处理接受中的噪声，从而降低了估计量的方差。由于随机化，调整项不会引入偏倚。
必要条件：工作模型 \( m(x) \) 和 \( h(x) \) 是固定的（不依赖于数据），或者通过样本分割（sample-splitting）来拟合以避免过拟合。本文假设工作模型是预先指定的或通过独立样本拟合的。
解决的技术难点：推导比率估计量的渐近方差需要处理分子和分母的协方差，以及Delta方法的应用。作者给出了 \( V_{\text{diff}} \) 的显式表达式，并证明了 \( V_{\text{diff}} \le V_{\text{Wald}} \)（Wald估计量的渐近方差）。
定理2（比率调整估计量的渐近性质）：
陈述：比率调整估计量 \( \hat{\tau}_{\text{CATE, ratio}} \) 通过将 \( Y_i \) 和 \( D_i \) 分别除以工作模型的预测来调整，同样具有相合性和渐近正态性，且其渐近方差 \( V_{\text{ratio}} \le V_{\text{Wald}} \)。
直觉：比率调整适用于结果或处理接受与协变量呈比例关系的情形，例如当 \( Y_i \) 的期望与 \( X_i \) 成比例时。
必要条件：工作模型的预测值不能为零（对于 \( D_i \) 的预测需在(0,1)内）。
定理3（回归调整估计量的渐近性质）：
陈述：回归调整估计量 \( \hat{\tau}_{\text{CATE, reg}} \) 通过将 \( Y_i \) 和 \( D_i \) 分别对协变量进行线性回归，然后使用回归系数进行预测和调整。其渐近方差 \( V_{\text{reg}} \le V_{\text{Wald}} \)。
直觉：这是最常用的模型辅助形式，通过线性回归来捕捉协变量与结果/处理接受之间的线性关系。
必要条件：线性回归模型是工作模型，允许误设。
定理4（Neyman型保守方差估计）：
陈述：对于上述三类估计量，给出了Neyman型方差估计量 \( \hat{V}_{\text{Neyman}} \)，满足 \( \mathbb{E}[\hat{V}_{\text{Neyman}}] \ge V \)（渐近方差），即它是保守的（overestimates the true variance）。
直觉：Neyman型方差估计通过在每个处理组内计算残差的样本方差来估计方差，它不依赖于工作模型的正确性，但会高估真实方差，从而保证置信区间的覆盖概率不低于名义水平。
解决的技术难点：对于二值结果，残差的方差与均值相关，需要仔细推导Neyman型估计量的期望，并证明其保守性。
定理5（乘性CATE的估计）：
陈述：将模型辅助方法扩展到乘性CATE \( \tau_{\text{CATE, mult}} = \frac{\mathbb{E}[Y_i(1) \mid \text{complier}]}{\mathbb{E}[Y_i(0) \mid \text{complier}]} \) 的估计，给出了相应的模型辅助估计量及其渐近性质。
直觉：乘性CATE在流行病学中常见（如风险比），其估计量也是比率形式，但分子和分母是依从者亚组内的期望，而非ITT效应。作者通过重新参数化，将乘性CATE的估计转化为类似Wald estimand的形式。

证明路线与技术技巧¶

整体路线：
定义模型辅助ITT估计量：首先，对 \( \tau_{\text{ITT}} \) 和 \( \tau_{\text{ITT}, D} \) 分别构造模型辅助估计量（如差分调整、比率调整、回归调整）。这些估计量可以写成“Horvitz-Thompson型”估计量加上一个调整项的形式。
建立联合渐近分布：利用随机化推断的框架，将 \( \sqrt{N}(\hat{\tau}_{\text{ITT, MA}} - \tau_{\text{ITT}}, \hat{\tau}_{\text{ITT}, D, \text{MA}} - \tau_{\text{ITT}, D}) \) 的联合渐近分布推导为二元正态分布。关键在于证明调整项不影响相合性，且能降低方差。这通常通过线性化（linearization）和鞅差序列的中心极限定理（martingale difference CLT）来实现。
应用Delta方法：由于 \( \tau_{\text{CATE}} = \tau_{\text{ITT}} / \tau_{\text{ITT}, D} \)，对二元正态向量应用Delta方法，得到 \( \hat{\tau}_{\text{CATE, MA}} \) 的渐近方差表达式。
效率比较：通过比较渐近方差表达式，证明 \( V_{\text{MA}} \le V_{\text{Wald}} \)。这通常归结为证明一个二次型不等式，其中 \( V_{\text{Wald}} \) 对应无调整（工作模型为常数）的特殊情况。
构造Neyman型方差估计：在每个处理组内，计算残差 \( Y_i - m(X_i) \) 和 \( D_i - h(X_i) \) 的样本方差，然后通过Delta方法组合得到 \( \hat{V}_{\text{Neyman}} \)。证明其保守性需要计算其期望，并利用Jensen不等式或Cauchy-Schwarz不等式。
关键跳跃点：
跳跃点1：如何证明模型辅助估计量的渐近方差严格小于Wald估计量（而非仅仅不大于）？作者通过引入一个“最优工作模型”的概念，证明了当工作模型与真实条件期望相关时，方差会严格减小。这需要推导方差差分的显式表达式。
跳跃点2：对于二值结果，Neyman型方差估计的保守性证明比连续结果更复杂，因为残差的方差依赖于其均值。作者通过将残差方差分解为“条件方差”和“均值方差”两部分，并证明后者非负，从而得到保守性。
技术技巧点名：
Delta方法：用于从分子和分母的联合分布推导比率估计量的渐近分布。
鞅差序列的中心极限定理：用于证明模型辅助ITT估计量的渐近正态性，因为随机化分配可以视为一个鞅差序列。
线性化：将模型辅助估计量展开为“无调整估计量 + 调整项”的形式，便于分析。
Neyman型方差估计：一种基于设计（design-based）的方差估计方法，不依赖模型假设，但通常保守。
样本分割（sample-splitting）：虽然本文假设工作模型是固定的，但在实际应用中，如果工作模型需要从数据中拟合，可以使用样本分割来避免过拟合，从而保证渐近性质。

真实例子与应用¶

数据/场景：一项关于学术服务或激励对学业表现影响的随机实验。实验对象是某大学的学生，处理组学生被提供额外的学术辅导或经济激励，对照组则没有。但存在非依从性：部分处理组学生未使用服务，部分对照组学生可能自行寻求了类似帮助。
方法应用：作者将本文提出的三类模型辅助CATE估计量应用于该实验数据。协变量包括学生的GPA、性别、年级、专业等。工作模型使用线性回归（对结果和处理接受）和logistic回归（对处理接受）。
结果：模型辅助估计量给出了比经典Wald估计量更窄的置信区间（即更高的估计效率），且点估计值相似。例如，对于“是否通过课程”这一二值结果，模型辅助估计的CATE置信区间宽度比Wald估计量减少了约15-20%。
这个例子想说明什么：验证了模型辅助方法在实际数据中确实能提升效率，且推断结果稳健。同时，展示了不同工作模型（线性 vs. logistic）对效率提升的影响，说明即使工作模型误设，效率仍可能提升。

🔎 结论是否比证明窄¶

窄结论：作者在定理中假设工作模型是固定的（不依赖于数据）。但在实际应用中，工作模型通常是从数据中拟合的（如线性回归系数）。作者在讨论中提到了可以使用样本分割来缓解这个问题，但没有给出当工作模型通过同一数据拟合时的严格理论证明。这是一个典型的“证明比结论窄”的情况：严格证明的是“固定工作模型”下的性质，但实际推荐的是“数据拟合工作模型”的做法。
泛泛claim：作者在摘要和引言中声称“允许工作模型误设”，这在固定工作模型下是严格成立的。但当工作模型从数据中拟合时，误设仍然允许，但过拟合可能导致效率损失或偏倚，这一点作者没有充分讨论。作者在模拟中使用了样本分割，但未在真实例子中明确说明是否使用了样本分割。

四、开放问题¶

工作模型的数据依赖性问题：本文的理论严格假设工作模型是固定的。当工作模型（如线性回归系数）从同一数据中拟合时，其渐近性质如何？是否需要样本分割或交叉拟合（cross-fitting）来保证效率？这扎根于本文定理1-3的假设条件（工作模型固定）。
连续结果与多值处理的扩展：本文聚焦于二值结果和二值处理。将模型辅助方法扩展到连续结果（已有部分工作，如Zhao & Ding, 2022）和多值处理（如多水平剂量）是自然的下一步。这扎根于本文的局限性讨论（Limitations section）。
违抗者存在时的CATE估计：本文假设单调性（无违抗者）。当违抗者存在时，CATE不再可识别为Wald estimand。模型辅助方法能否扩展到更一般的IV设定（如proximal causal inference）来识别和估计更复杂的因果参数？这扎根于本文的假设1（单调性）。
高维协变量下的模型辅助：当协变量维度 \( p \) 很大（甚至大于样本量 \( N \)）时，如何选择或正则化工作模型？本文的模型辅助框架能否与高维统计方法（如Lasso、随机森林）结合，并保持其稳健性？这扎根于本文对协变量维度的无限制假设（仅要求 \( p \) 固定）。

Maintained by 陈星宇 · Homepage · Source on GitHub