跳转至

Identifiability of causal effects with multiple causes and a binary outcome

作者: Dehan Kong, Shu Yang, Linbo Wang
来源: Biometrika
主题: 因果推断
相关性: 7/10
机构绿灯: University of Toronto（US News 前 50，免分进入精读）
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

本文研究的核心问题是：在共享混杂（shared confounding） 设定下，当存在多个处理变量（multiple causes）和一个二元结局（binary outcome）时，处理对结局的平均因果效应（ATE）是否可识别？共享混杂设定假设存在一个共同的、不可观测的混杂因子，它同时影响所有处理变量和结局变量，但处理变量在给定该混杂因子后条件独立。这个设定在因果推断中是一个重要的“中间地带”——它比“无未观测混杂”假设更现实，但比“每个处理有各自独立的未观测混杂”更结构化。当前该子方向的成熟度处于理论边界正在被重新刻画的阶段：已有负向结果（不可识别）被证明，但本文通过引入特定的结局模型假设，反转了这一结论。

发展脉络（history）

  1. 奠基工作：共享混杂设定的提出与初始乐观
  2. Wang and Blei (2019a) 提出了“多重原因的祝福”（blessings of multiple causes）这一概念，认为多个处理变量之间的相关性结构可以作为未观测混杂的间接证据，并据此开发了“去混杂器”（deconfounder）算法。该工作引发了大量后续讨论，因为它承诺在比传统方法更弱的假设下进行因果推断。

  3. Tran and Blei (2017) 和 Ranganath and Perotte (2018) 进一步扩展了这一思路，将共享混杂设定应用于基因组关联研究和临床医学等具体场景。

  4. 关键转折：负向结果的出现

  5. D’Amour (2019) 对去混杂器的可识别性提出了质疑，指出在共享混杂设定下，若不附加额外的结构假设，因果效应可能不可识别。这标志着该方向从“乐观”转向“审慎”。

  6. 本文引用语境中明确指出：“It has been shown that under a linear Gaussian model for the treatments, the causal effect is not identifiable without parametric assumptions on the outcome model.” 这句话概括了当时的主流认知：在处理服从线性高斯模型时，ATE 不可识别。

  7. 当前 frontier：寻找可识别的边界条件

  8. 在负向结果之后，研究者开始探索在哪些附加条件下可识别性可以恢复。一条路线是引入负对照（negative controls）：Wang and Blei (2019b) 证明去混杂器在给定一组负对照时有效；Veitch et al. (2019) 进一步在网络设定中找到了负对照。

  9. 另一条路线是对结局模型施加参数假设，这正是本文的切入点。本文证明：当结局服从非 probit 链接的二元选择模型（如 logit 或 cloglog）时，ATE 是可识别的。这一结果与“线性高斯处理 + 无结局假设 → 不可识别”的已有结论形成鲜明对比。

  10. 本文的位置：本文是上述“可识别性边界条件”探索中的一个精巧的反转案例。它不依赖负对照或敏感度分析，而是利用处理/潜变量的高斯性与结局潜变量的非高斯性之间的不匹配（incongruence） 来实现识别。这为共享混杂设定下的因果推断开辟了一条新的识别路径。

子线索聚类

这些被引文献大致落在以下 3 条子线索上：

  • 线索 A：共享混杂设定下的去混杂器方法（Wang and Blei 2019a, 2019b; Tran and Blei 2017; Ranganath and Perotte 2018）
  • 核心思路：利用多个处理变量之间的相关性来推断未观测混杂，然后通过“去混杂”来估计因果效应。

  • 当前瓶颈：可识别性依赖于附加假设（如负对照的存在），且已被证明在一般线性高斯处理模型下不可识别。

  • 线索 B：负对照与代理变量方法（Kuroki and Pearl 2014; Miao et al. 2018; Wang and Tchetgen Tchetgen 2018; Veitch et al. 2019）

  • 核心思路：利用可观测的代理变量（如负对照）来替代或校正未观测混杂。

  • 当前瓶颈：需要找到有效的负对照或代理变量，这在实践中可能困难。

  • 线索 C：结局模型驱动的可识别性（本文）

  • 核心思路：不依赖额外的可观测变量，而是通过对结局模型的参数形式施加假设来恢复可识别性。
  • 当前瓶颈：假设较强（结局必须服从特定的二元选择模型），且目前仅针对二元结局。

这个方向在追问的核心问题

  1. 共享混杂设定下，ATE 可识别的充分必要条件是什么？ 当前已知：线性高斯处理 + 无结局假设 → 不可识别；线性高斯处理 + 非 probit 二元选择结局 → 可识别。但更一般的条件（如非高斯处理、连续结局）尚不明确。
  2. 识别策略的稳健性如何？ 当结局模型被误指定（如真实链接是 probit 但假设为 logit）时，估计的偏差有多大？
  3. 如何将识别策略转化为高效的估计方法？ 本文提出了两步似然估计，但其效率性质（是否达到半参数效率界）尚未研究。
  4. 能否将识别思路推广到更复杂的因果结构？ 如存在多个结局、纵向设定、或处理变量之间存在因果依赖。

⚠️ 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 为“在线性高斯处理模型下，因果效应不可识别；但若对结局模型施加非 probit 的二元选择假设，则可识别”。他们通过强调“incongruence between Gaussianity and non-Gaussianity”这一新颖的识别机制，使本文成为“显然的下一步”——即探索结局模型假设如何改变可识别性边界。

被淡化或回避的竞争路线： - 作者在 intro 中提到了负对照和敏感度分析作为替代方案，但并未深入讨论这些方法的相对优劣。例如，负对照方法可能比本文的结局模型假设更弱（不需要知道结局的链接函数形式），但需要额外的可观测变量。 - 作者也未讨论非参数识别的可能性：如果处理变量不服从高斯分布，是否可以在更弱的结局假设下实现识别？这被完全回避了。

什么明显该被引/该存在、却没出现在 intro 里？ - D’Amour (2019) 的正式论文（而非仅作为引用提及）——该文是质疑去混杂器可识别性的关键负向结果，但本文 intro 中仅以“D’Amour (2019) suggests applying classical ideas such as negative controls”一笔带过，未详细引用其不可识别性证明。这值得研究者去查：D’Amour 的不可识别性结论是否覆盖了本文的设定？如果覆盖，本文的识别结果是否与之矛盾？如果矛盾，说明本文的假设（如非 probit 链接）恰好避开了 D’Amour 的不可识别性条件。

张力

未见明显对立引用。所有被引工作基本在各自的假设下自洽，没有出现“在相同条件下得出相反结论”的情况。唯一的潜在张力是：Wang and Blei (2019a) 的初始乐观与 D’Amour (2019) 的负向结果之间的对立，但这已被后续文献（包括本文）通过引入附加假设来调和。

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： - 处理变量：\( A = (A_1, \dots, A_p)^\top \in \mathbb{R}^p \)，共 \( p \) 个处理变量，每个是连续变量。 - 结局变量：\( Y \in \{0, 1\} \)，二元变量。 - 未观测混杂：\( U \in \mathbb{R} \)，一个标量潜变量（共享混杂）。 - 潜在结局：\( Y(a) \)，当处理被设为 \( a \) 时的潜在结局。目标 estimand 是平均因果效应（ATE）：\( \mathbb{E}[Y(1) - Y(0)] \)，其中 \( 1 \) 和 \( 0 \) 是 \( p \) 维向量（全 1 和全 0）。注意：由于处理是连续的，ATE 的定义需要更精确——通常考虑将每个处理从 0 变为 1 的联合效应，或考虑特定处理变量的边际效应。本文中，ATE 定义为 \( \mathbb{E}[Y(a) - Y(a')] \) 对两个特定的处理向量 \( a \) 和 \( a' \)。 - 参数： - 处理模型参数：\( \beta \in \mathbb{R}^p \)（处理对 \( U \) 的回归系数），\( \Sigma \in \mathbb{R}^{p \times p} \)（处理的条件协方差矩阵）。 - 结局模型参数：\( \alpha \in \mathbb{R} \)（结局潜变量对 \( U \) 的回归系数），\( \gamma \in \mathbb{R}^p \)（结局潜变量对 \( A \) 的直接效应系数），\( \sigma^2 \)（结局潜变量的方差，通常标准化为 1）。 - 样本量：\( n \)，观测数据为 \( \{(A_i, Y_i)\}_{i=1}^n \)。

模型： - 处理模型：\( A \mid U \sim N(\beta U, \Sigma) \)，即给定 \( U \) 后，处理变量服从多元高斯分布，且条件独立（\( \Sigma \) 是对角阵？本文未明确要求，但共享混杂设定通常假设处理在给定 \( U \) 后独立，即 \( \Sigma \) 为对角阵）。 - 结局模型：存在一个潜变量 \( Y^* \)，满足

\[Y^* = \alpha U + \gamma^\top A + \epsilon, \quad \epsilon \sim F_\epsilon,\]
其中 \( F_\epsilon \) 是已知的、均值为 0 的分布。观测结局 \( Y = \mathbb{I}(Y^* > 0) \)。这构成了一个二元选择模型。关键的假设是：\( F_\epsilon \) 的链接函数是非 probit 的——即 \( F_\epsilon \) 不是标准正态分布的 CDF。常见的例子包括 logit（逻辑斯蒂分布）和 cloglog（互补双对数分布）。 - 共享混杂假设：\( U \perp A \mid U \)（处理在给定 \( U \) 后独立），且 \( U \) 影响所有处理和结局。

可观测数据： - 研究者实际能观测到的是：\( \{(A_i, Y_i)\}_{i=1}^n \)，即处理向量和二元结局。 - 不可观测的是：\( U \)（共享混杂）和 \( Y^* \)（结局潜变量）。 - 关键识别挑战：由于 \( U \) 不可观测，处理与结局之间的关联可能完全由 \( U \) 驱动（混杂），也可能包含因果效应。要识别 ATE，必须从观测数据中分离出 \( U \) 的效应和 \( A \) 的直接效应。

第二步：讲最小内核

最简特例：设 \( p = 1 \)（只有一个处理变量），\( U \) 是标量，且 \( A \mid U \sim N(\beta U, 1) \)。结局模型为：

\[Y^* = \alpha U + \gamma A + \epsilon, \quad \epsilon \sim \text{Logistic}(0, 1) \quad (\text{即 logit 链接}),\]
观测 \( Y = \mathbb{I}(Y^* > 0) \)。目标 estimand 是 ATE：\( \mathbb{E}[Y(1) - Y(0)] \)，其中 \( Y(a) \) 是将 \( A \) 设为 \( a \) 时的潜在结局。

在这个特例下，要证的命题：ATE 是可识别的，即可以从 \( (A, Y) \) 的联合分布中唯一确定 \( \gamma \)（从而确定 ATE）。

为什么这是非平凡的？ 在共享混杂设定下，\( A \) 和 \( Y \) 的关联由两条路径贡献： 1. \( A \rightarrow Y \)（因果效应，由 \( \gamma \) 度量）； 2. \( A \leftarrow U \rightarrow Y \)（混杂路径，由 \( \alpha \) 和 \( \beta \) 度量）。 由于 \( U \) 不可观测，仅凭 \( (A, Y) \) 的联合分布，通常无法区分这两条路径——这就是不可识别性的根源。

核心思路：利用分布不匹配。处理 \( A \) 在给定 \( U \) 后是高斯分布，而结局潜变量 \( Y^* \) 的误差项 \( \epsilon \) 是非高斯的（如逻辑斯蒂分布）。这种不匹配使得我们可以从观测数据中“解耦”出 \( U \) 的效应和 \( A \) 的直接效应。

具体论证（直觉）： 1. 从 \( A \) 的边缘分布（高斯）可以识别 \( \beta \) 和 \( \text{Var}(U) \)（因为 \( A \sim N(0, \beta^2 \text{Var}(U) + 1) \)）。但注意：\( \beta \) 和 \( \text{Var}(U) \) 不可分开识别——这是高斯混合的固有模糊性。 2. 然而，\( Y \) 的分布（二元）提供了额外的信息。由于 \( \epsilon \) 是非高斯的，\( Y \) 的条件概率 \( \mathbb{P}(Y=1 \mid A) \) 的函数形式（如 logit 形式）与 \( A \) 的分布（高斯）之间存在一种“不匹配”，这种不匹配使得 \( \alpha \) 和 \( \gamma \) 可以被分开识别。 3. 更具体地，在 logit 链接下，\( \mathbb{P}(Y=1 \mid A) = \text{logit}^{-1}(\alpha \mathbb{E}[U \mid A] + \gamma A) \)。由于 \( \mathbb{E}[U \mid A] \) 是 \( A \) 的线性函数（因为 \( (A, U) \) 联合高斯），上式可写为 \( \text{logit}^{-1}(c_1 A + c_2) \)，其中 \( c_1 \) 和 \( c_2 \) 是 \( \alpha, \beta, \gamma \) 的函数。但仅凭这个，\( \alpha \) 和 \( \gamma \) 仍然不可分开——因为 \( c_1 \) 是它们的线性组合。 4. 关键跳跃：本文证明，当 \( \epsilon \) 是非高斯时，\( Y \) 的分布中包含了高阶矩信息，这些信息可以打破上述线性组合的模糊性。具体地，通过考虑 \( Y \) 的条件分布对 \( A \) 的非线性依赖（如 \( \mathbb{E}[Y \mid A] \) 的更高阶导数或累积量），可以唯一确定 \( \alpha \) 和 \( \gamma \)。而在 probit 链接（\( \epsilon \) 高斯）下，这种非线性依赖恰好消失，导致不可识别。

结论：在这个最简特例下，本文的核心贡献是证明了非高斯误差项是识别性的关键。一般情形（\( p > 1 \)）只是这个思路的多元推广，核心数学困难不变。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在共享混杂设定下，当处理变量服从线性高斯模型、结局变量服从非 probit 链接的二元选择模型时，平均因果效应（ATE）的可识别性。
  2. 核心工具/方法：利用处理/潜变量的高斯性与结局潜变量的非高斯性之间的不匹配（incongruence）来打破识别模糊性；提出两步似然估计法。
  3. 主要结论：ATE 是可识别的（定理 1）；两步估计量是相合且渐近正态的（定理 2）。

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：

  • 处理模型：\( A \mid U \sim N(\beta U, \Sigma) \)，其中 \( \beta \in \mathbb{R}^p \)，\( \Sigma \in \mathbb{R}^{p \times p} \) 是正定矩阵。共享混杂假设要求 \( A_1, \dots, A_p \) 在给定 \( U \) 后条件独立，即 \( \Sigma \) 是对角阵。但本文的识别结果似乎不要求 \( \Sigma \) 严格对角——只要处理在给定 \( U \) 后是联合高斯的即可。
  • 结局模型：\( Y^* = \alpha U + \gamma^\top A + \epsilon \)，\( Y = \mathbb{I}(Y^* > 0) \)。\( \epsilon \) 的分布 \( F_\epsilon \) 是已知的、严格递增的、且非高斯的。常见的例子包括逻辑斯蒂分布（logit）和极值分布（cloglog）。关键假设：\( F_\epsilon \) 不是标准正态分布的 CDF（即非 probit）。
  • 潜变量分布：\( U \sim N(0, 1) \)（标准化为均值为 0、方差为 1，不失一般性）。
  • 独立性假设：\( \epsilon \perp (U, A) \)。
  • 与已有文献的对比：
  • 相比 Wang and Blei (2019a) 的去混杂器：本文不依赖负对照，但要求结局模型有特定的参数形式。
  • 相比 D’Amour (2019) 的不可识别性结论：本文通过引入非 probit 链接来规避不可识别性。D’Amour 的结论可能假设了 probit 链接或更一般的非参数结局模型。

主要结果

定理 1（可识别性）： - 陈述：在以上设定下，参数 \( (\alpha, \gamma, \beta, \Sigma) \) 是可识别的，从而 ATE \( \mathbb{E}[Y(a) - Y(a')] \) 也是可识别的。 - 直觉：证明分为两步。第一步，从 \( A \) 的边缘分布（高斯）识别 \( \beta \beta^\top + \Sigma \)（即 \( \text{Cov}(A) \)）。但 \( \beta \) 和 \( \Sigma \) 不可分开——这是高斯混合的固有模糊性。第二步，利用 \( Y \) 的二元分布来打破这种模糊性。由于 \( \epsilon \) 是非高斯的，\( \mathbb{P}(Y=1 \mid A) \) 的函数形式（如 logit）与 \( A \) 的高斯分布之间存在不匹配，这种不匹配提供了额外的约束，使得 \( \alpha \) 和 \( \gamma \) 可以被唯一确定。 - 必要条件：\( F_\epsilon \) 必须是非高斯的。如果 \( F_\epsilon \) 是标准正态（probit），则不可识别——这与已有文献一致。 - 解决的技术难点：如何从 \( (A, Y) \) 的联合分布中唯一地解出 \( (\alpha, \gamma) \)。关键在于证明，当 \( F_\epsilon \) 非高斯时，似然函数在参数空间中是严格凹的（或至少具有唯一的全局最大值）。

定理 2（两步估计量的渐近性质）： - 陈述：两步似然估计量 \( \hat{\theta} = (\hat{\alpha}, \hat{\gamma}, \hat{\beta}, \hat{\Sigma}) \) 是相合的，且 \( \sqrt{n}(\hat{\theta} - \theta_0) \) 依分布收敛到均值为 0 的正态分布。 - 直觉：第一步，通过最大化 \( A \) 的边际似然来估计 \( (\beta, \Sigma) \)（这等价于高斯 MLE）。第二步，将第一步的估计值代入 \( Y \) 的条件似然，然后最大化关于 \( (\alpha, \gamma) \) 的伪似然。由于第一步估计是 \( \sqrt{n} \)-相合的，第二步的伪似然估计也是 \( \sqrt{n} \)-相合的，且渐近正态。 - 必要条件：标准正则性条件（如参数空间紧致、似然函数光滑、Fisher 信息矩阵非奇异）。 - 与 baseline 的对比：本文未提供模拟或实证对比，因此无法评估该估计量相对于其他方法（如去混杂器、负对照方法）的有限样本表现。

证明路线与技术技巧

整体路线（3-5 步逻辑主干）：

  1. 步骤 1：处理模型的识别。从 \( A \) 的边缘分布 \( N(0, \beta \beta^\top + \Sigma) \) 中，可以识别 \( \beta \beta^\top + \Sigma \)。但 \( \beta \) 和 \( \Sigma \) 不可分开——这是高斯混合的固有模糊性。记 \( V = \beta \beta^\top + \Sigma \)。

  2. 步骤 2：条件概率的表达式。计算 \( \mathbb{P}(Y=1 \mid A) \)。由于 \( (U, A) \) 联合高斯，\( U \mid A \sim N(\mu_{U \mid A}, \sigma^2_{U \mid A}) \)，其中 \( \mu_{U \mid A} = \beta^\top V^{-1} A \)，\( \sigma^2_{U \mid A} = 1 - \beta^\top V^{-1} \beta \)。因此，

    \[\mathbb{P}(Y=1 \mid A) = F_\epsilon(\alpha \mu_{U \mid A} + \gamma^\top A + \text{常数}),\]
    其中常数项来自 \( \alpha U \) 的条件方差。由于 \( F_\epsilon \) 是已知的，上式给出了 \( \mathbb{P}(Y=1 \mid A) \) 作为 \( A \) 的函数的显式形式。

  3. 步骤 3：利用非高斯性打破模糊性。关键观察：当 \( F_\epsilon \) 是标准正态 CDF（probit）时，\( \mathbb{P}(Y=1 \mid A) = \Phi(\text{线性函数 of } A) \)，其中 \( \Phi \) 是标准正态 CDF。在这种情况下，\( \alpha \) 和 \( \gamma \) 只能以线性组合 \( \alpha \beta^\top V^{-1} + \gamma^\top \) 的形式被识别——这就是不可识别性的来源。但当 \( F_\epsilon \) 是非高斯时（如 logit），\( \mathbb{P}(Y=1 \mid A) \) 的函数形式不再是“线性函数 + 高斯 CDF”的复合，而是“线性函数 + 非高斯 CDF”的复合。这种复合函数对 \( A \) 的依赖是非线性的，且这种非线性依赖于 \( \alpha \) 和 \( \gamma \) 的单独值，而不仅仅是它们的线性组合。因此，通过分析 \( \mathbb{P}(Y=1 \mid A) \) 对 \( A \) 的导数（或更高阶累积量），可以唯一确定 \( \alpha \) 和 \( \gamma \)。

  4. 步骤 4：形式化证明。作者通过构造一个对照函数（contrast function）来证明可识别性。具体地，他们证明：如果存在两组参数 \( (\alpha, \gamma, \beta, \Sigma) \) 和 \( (\alpha', \gamma', \beta', \Sigma') \) 生成相同的 \( (A, Y) \) 联合分布，则它们必须相等。证明的关键是利用 \( F_\epsilon \) 的非高斯性来推导出矛盾。

关键跳跃点： - 最吃功夫的引理：证明当 \( F_\epsilon \) 非高斯时，映射 \( (\alpha, \gamma) \mapsto \mathbb{P}(Y=1 \mid A) \) 是单射的。这需要用到累积量生成函数或特征函数的性质。具体地，作者可能利用了以下事实：如果两个不同的 \( (\alpha, \gamma) \) 生成相同的条件概率，则它们的差必须满足某个函数方程，而该方程在 \( F_\epsilon \) 非高斯时只有零解。 - 难点卡在哪：处理 \( U \) 的不可观测性。由于 \( U \) 被积分掉，\( \mathbb{P}(Y=1 \mid A) \) 是一个复杂的积分表达式。要证明该积分表达式的参数可识别性，需要精细的分析。 - 作者用什么办法绕过去：利用 \( (U, A) \) 的联合高斯性，将积分转化为一个关于 \( \epsilon \) 的卷积。然后利用 \( F_\epsilon \) 的非高斯性来打破卷积的对称性。

技术技巧点名： - 累积量生成函数：用于分析 \( \mathbb{P}(Y=1 \mid A) \) 对 \( A \) 的依赖结构。非高斯分布的高阶累积量非零，这提供了额外的识别信息。 - 特征函数/傅里叶变换：可能用于证明参数映射的单射性。将条件概率的表达式变换到频域，利用非高斯分布的特征函数没有零点（或具有特定结构）来推导唯一性。 - 两步 M 估计：用于估计。第一步是高斯 MLE（处理模型），第二步是伪似然 MLE（结局模型）。渐近性质的证明依赖于标准的两步估计理论（如 Newey and McFadden 1994）。

真实例子与应用

本文为纯理论/无实证例子。论文没有包含任何模拟实验或真实数据分析。所有结果都是理论性的（可识别性定理和渐近性质）。这限制了读者对方法有限样本表现的了解。

🔎 结论是否比证明窄

  • 窄结论：定理 1 的证明严格依赖于 \( F_\epsilon \) 是已知的且非高斯的。如果 \( F_\epsilon \) 未知（如半参数设定），则识别性不再成立。作者在讨论中可能提到了这一点，但未给出证明。
  • 泛泛 claim：作者在 abstract 中声称“causal effect is indeed identifiable”，但这一结论仅在非 probit 链接下成立。对于 probit 链接，不可识别性仍然成立。读者应注意到这一限制。
  • 潜在 conjecture：作者可能暗示，对于更一般的结局模型（如多分类或连续结局），类似的识别策略也成立。但本文未给出任何证明或讨论。这属于 conjecture，而非已证明的结论。

四、开放问题（点到为止，扎根具体语句）

  1. 非参数结局模型下的可识别性：本文假设结局模型是参数化的（二元选择模型）。如果结局模型是非参数的（如 \( Y = g(U, A, \epsilon) \) 且 \( g \) 未知），ATE 是否仍然可识别？这扎根于本文的假设 2（结局模型的具体形式）。去读 D’Amour (2019) 的不可识别性证明，看它是否覆盖了非参数结局模型。

  2. 处理模型非高斯时的可识别性：本文假设处理在给定 \( U \) 后服从高斯分布。如果处理是非高斯的（如泊松或二项分布），是否可以在更弱的结局假设下实现识别？这扎根于本文的假设 1（线性高斯处理模型）。去读 Wang and Blei (2019a) 的讨论，看他们是否考虑了非高斯处理。

  3. 两步估计量的效率性质：本文证明了两步估计量是相合且渐近正态的，但未研究其是否达到半参数效率界。是否存在更高效的估计方法（如一步估计或 DML）？这扎根于定理 2 的陈述（仅给出渐近正态性，未提效率）。去读 Wang and Tchetgen Tchetgen (2018) 关于 IV 估计的效率理论，看是否有可借鉴的技术。

  4. 有限样本表现：本文没有任何模拟或实证例子。在有限样本下，两步估计量的偏差和方差如何？对模型误指定（如真实链接是 probit 但假设为 logit）的稳健性如何？这扎根于本文“无实证例子”这一事实。去读 Ranganath and Perotte (2018) 的模拟部分，看他们如何评估去混杂器的有限样本表现。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论