Moment inequalities for multinomial choice with fixed effects¶

作者: Ariel Pakes, Jack Porter
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 7/10
机构绿灯: University of Wisconsin-Madison（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe1776

一、领域脉络与小综述¶

这个方向是什么¶

本方向研究的是面板数据（panel data）下的多项选择（multinomial choice）模型的半参数识别问题。根本的科学问题是：当个体在多个离散选项间做出选择，且存在不可观测的个体异质性（固定效应）时，如何在不指定随机效用扰动（random utility disturbances）的联合分布或时间相关性结构的前提下，识别出协变量对选择概率的影响（即协变量指数）。当前成熟度：二元选择（binary choice）的半参数固定效应模型已有经典结果（Manski, 1987），但多项选择（multinomial choice）情形下，由于“固定效应”与“多项选择”的组合带来了维度灾难和 incidental parameter 问题，半参数识别长期处于开放状态。本文是这一子方向上的一个关键进展。

发展脉络（history）¶

奠基工作：Chamberlain (1980)：提出了多项Logit固定效应模型（multinomial logit with fixed effects），这是本文的“传统版本”。该模型假设随机效用扰动服从极值分布（Gumbel），从而可以通过条件似然（conditional likelihood）消除固定效应，得到协变量系数的点估计。留下的口子：该模型对扰动分布施加了很强的参数假设（极值分布、独立同分布），限制了其应用范围。
主要进展：Manski (1987)：针对二元选择（binary choice）固定效应模型，提出了最大得分估计量（maximum score estimator），通过一组条件矩不等式（conditional moment inequalities）实现了半参数识别，无需对扰动分布做任何参数假设。留下的口子：该方法仅适用于二元选择，无法直接推广到多项选择情形。
当前 frontier：多项选择固定效应模型的半参数识别：在 Chamberlain (1980) 和 Manski (1987) 之间，多项选择情形的半参数识别一直是一个难点。主要障碍在于：固定效应与多项选择的组合使得“组内比较”（within-group comparison）变得复杂——在二元选择中，只需比较两个选项的效用；在多项选择中，需要同时比较多个选项，且固定效应会以非线性方式进入比较。本文填补了这一空白。
本文的位置：本文是 Chamberlain (1980) 和 Manski (1987) 的“自然推广”——将 Manski (1987) 的二元选择条件矩不等式方法推广到多项选择情形，同时保留了 Chamberlain (1980) 的固定效应结构，但去掉了对扰动分布的参数假设。作者声称这是“首次”为半参数多项选择固定效应模型提供 sharp identified set 的方法。

子线索聚类¶

这些被引文献大致落在两条子线索上： 1. 参数多项选择固定效应模型：以 Chamberlain (1980) 为代表，假设扰动分布为极值分布，通过条件似然消除固定效应。优点是计算简单、可得到点估计；缺点是对分布假设敏感。 2. 半参数二元选择固定效应模型：以 Manski (1987) 为代表，通过条件矩不等式实现半参数识别。优点是无需分布假设；缺点是仅适用于二元选择。本文属于这一线索的推广。

这个方向在追问的核心问题¶

识别问题：在多项选择固定效应模型中，协变量指数（covariate index）是否可被识别？如果可以，识别集（identified set）是什么形状？
sharpness 问题：给定可观测数据，能否得到协变量指数的最小识别集（即 sharp identified set）？还是只能得到超集（superset）？
incidental parameter 问题：固定效应作为 nuisance parameter，其数量随样本量增长（每个个体一个固定效应），是否会影响协变量指数的估计？如何避免？
计算可行性：即使识别集是 sharp 的，能否在多项式时间内计算或逼近它？

当前主流方法：参数方法（Chamberlain, 1980）通过条件似然解决识别和计算问题，但牺牲了半参数灵活性。半参数方法（Manski, 1987）在二元选择中解决了识别和 sharpness，但无法推广到多项选择。已知瓶颈：多项选择情形下，组内比较的维度随选项数增长，导致条件矩不等式的数量爆炸，且 sharpness 的证明变得困难。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者把缺口 frame 成什么：作者在引言中声称，“尽管多项选择固定效应模型在实证中广泛使用，但其半参数版本（即不对扰动分布做参数假设）的识别问题尚未被解决”。因此，本文是“首次”为这一模型提供 sharp identified set 的方法。作者将 Chamberlain (1980) 的参数模型和 Manski (1987) 的二元选择半参数模型作为“前身”，将本文定位为“自然推广”。
哪些竞争路线被他淡化或回避了：作者没有讨论随机效应模型（random effects）作为替代方案。随机效应模型假设固定效应与协变量独立，从而可以积分掉固定效应，但这一假设在实证中常被质疑。作者也没有讨论非参数方法（如完全非参数的多项选择模型），这些方法通常需要大量数据或强平滑假设。
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多项选择模型的半参数估计（如 multinomial probit 的半参数版本）或条件矩不等式的计算算法（如 Chernozhukov, Hong, & Tamer, 2007 的推断方法）的文献。这可能是因为本文聚焦于识别（identification）而非估计（estimation）或推断（inference）。值得研究者去查的问题：是否存在其他半参数多项选择固定效应模型的识别方法？如果有，它们与本文的条件矩不等式方法有何关系？

张力¶

未见明显对立引用。Chamberlain (1980) 和 Manski (1987) 在各自的设定下都是经典结果，本文是它们的推广，不存在矛盾。

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： - \( i = 1, \dots, N \)：个体（individual）索引。 - \( t = 1, \dots, T \)：时间（time period）索引。每个个体有 \( T \) 个观测（面板数据）。 - \( j = 0, 1, \dots, J \)：选项（choice）索引。共有 \( J+1 \) 个选项（\( J \geq 1 \)）。选项 0 为基准选项（reference choice）。 - \( y_{it} \in \{0, 1, \dots, J\} \)：个体 \( i \) 在时间 \( t \) 的选择（可观测）。 - \( x_{it} \in \mathbb{R}^d \)：个体 \( i \) 在时间 \( t \) 的协变量向量（可观测）。\( d \) 为协变量维数。 - \( \alpha_i \in \mathbb{R} \)：个体 \( i \) 的固定效应（不可观测，nuisance parameter）。每个个体一个，共 \( N \) 个。 - \( \beta \in \mathbb{R}^d \)：协变量指数（covariate index）系数（目标参数，要识别的对象）。 - \( u_{itj} \)：个体 \( i \) 在时间 \( t \) 对选项 \( j \) 的随机效用扰动（不可观测，潜在变量）。\( u_{it} = (u_{it0}, \dots, u_{itJ}) \) 是 \( J+1 \) 维随机向量。 - \( U_{itj} = \alpha_i + x_{it}^\top \beta_j + u_{itj} \)：个体 \( i \) 在时间 \( t \) 选择选项 \( j \) 的随机效用（潜在变量）。注意：\( \beta_j \) 是选项 \( j \) 的系数向量，但为了可识别性，通常设 \( \beta_0 = 0 \)（基准选项），因此 \( \beta = (\beta_1, \dots, \beta_J) \) 是 \( J \times d \) 维参数。为简化，本文假设 \( \beta_j = \beta \) 对所有 \( j \) 相同（即协变量效应不随选项变化），但这一假设可以放松。 - 可观测数据：研究者能观测到的是 \( \{y_{it}, x_{it}\}_{i=1, t=1}^{N, T} \)。不可观测的是：固定效应 \( \alpha_i \)、随机效用扰动 \( u_{itj} \)、以及潜在效用 \( U_{itj} \) 本身。研究者只能看到个体最终选择了哪个选项（即 \( y_{it} = \arg\max_j U_{itj} \)），但看不到效用值。

模型： - 数据生成机制：个体 \( i \) 在时间 \( t \) 选择选项 \( j \) 当且仅当 \( U_{itj} > U_{itk} \) 对所有 \( k \neq j \) 成立。 - 随机效用扰动 \( u_{it} = (u_{it0}, \dots, u_{itJ}) \) 的联合分布完全未知——不对其分布族做任何参数假设（如极值分布、正态分布），也不假设其在不同时间点之间的独立性或相关性。这是“半参数”的含义：协变量效应是参数化的（线性指数），但扰动分布是非参数的。 - 固定效应 \( \alpha_i \) 与协变量 \( x_{it} \) 可以任意相关（这是“固定效应”的含义，区别于随机效应模型）。 - 关键假设：扰动 \( u_{it} \) 在给定 \( \alpha_i \) 和 \( x_{it} \) 的条件下，其分布不随时间变化（即 \( u_{it} \) 与 \( u_{is} \) 同分布，但可以相关）。这是本文识别策略的核心——通过组内比较（比较同一个体在不同时间点的选择）来消除固定效应。

想要但观测不到的量：协变量指数 \( \beta \)。研究者希望从可观测的 \( \{y_{it}, x_{it}\} \) 中识别出 \( \beta \) 的取值或集合。

第二步：讲最小内核¶

最简特例：\( J = 1 \)（二元选择），\( T = 2 \)（两个时间点），\( d = 1 \)（一维协变量）。

在这个特例下，模型退化为： - 选项：\( j = 0 \)（基准）和 \( j = 1 \)（处理）。 - 个体 \( i \) 在时间 \( t \) 选择选项 1 当且仅当：

\[\alpha_i + x_{it} \beta + u_{it1} > \alpha_i + u_{it0} \quad \Rightarrow \quad x_{it} \beta + (u_{it1} - u_{it0}) > 0.\]

记 \( \epsilon_{it} = u_{it1} - u_{it0} \)，则选择规则为：\( y_{it} = 1 \) 当且仅当 \( x_{it} \beta + \epsilon_{it} > 0 \)。

可观测数据：\( \{y_{i1}, y_{i2}, x_{i1}, x_{i2}\}_{i=1}^N \)。注意：固定效应 \( \alpha_i \) 已被消去（因为它在两个选项的效用差中抵消了）。

核心思路：Manski (1987) 的关键想法是：如果个体在两个时间点的选择不同（即 \( y_{i1} \neq y_{i2} \)），那么协变量 \( x_{it} \) 和参数 \( \beta \) 必须满足某种不等式约束。具体地： - 如果 \( y_{i1} = 1 \) 且 \( y_{i2} = 0 \)，则：

\[x_{i1} \beta + \epsilon_{i1} > 0 \quad \text{且} \quad x_{i2} \beta + \epsilon_{i2} \leq 0.\]

由于 \( \epsilon_{i1} \) 和 \( \epsilon_{i2} \) 同分布（假设），取条件期望（给定 \( x_{i1}, x_{i2} \) 和“选择不同”这一事件）可得：

\[\mathbb{E}[x_{i1} \beta + \epsilon_{i1} - (x_{i2} \beta + \epsilon_{i2}) \mid y_{i1} \neq y_{i2}, x_{i1}, x_{i2}] > 0.\]

由于 \( \epsilon_{i1} \) 和 \( \epsilon_{i2} \) 同分布，\( \mathbb{E}[\epsilon_{i1} - \epsilon_{i2} \mid \cdot] = 0 \)，因此：

\[(x_{i1} - x_{i2})^\top \beta > 0.\]

- 类似地，如果 \( y_{i1} = 0 \) 且 \( y_{i2} = 1 \)，则 \( (x_{i1} - x_{i2})^\top \beta < 0 \)。

因此，对于每个“选择不同”的个体，我们得到一个关于 \( \beta \) 的线性不等式约束。将所有这样的不等式组合起来，就得到了一个条件矩不等式：

\[\mathbb{E}[ (2 \cdot \mathbf{1}\{y_{i1} > y_{i2}\} - 1) \cdot (x_{i1} - x_{i2})^\top \beta \mid x_{i1}, x_{i2} ] \geq 0.\]

这个不等式的解集就是 \( \beta \) 的 identified set。Manski (1987) 证明了该集合是 sharp 的（即它等于所有与数据一致的 \( \beta \) 的集合）。

本文的推广：当 \( J > 1 \)（多项选择）时，组内比较变得复杂——不能只比较两个选项，而需要比较所有选项对。本文的核心贡献是：通过一种“排序比较”（ranking comparison）技巧，将二元选择的条件矩不等式推广到多项选择情形，并证明其 sharpness。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在半参数多项选择固定效应模型中，如何从面板数据中识别协变量指数 \( \beta \)（即随机效用中协变量的线性部分），而不对随机效用扰动的联合分布或时间相关性做任何参数假设。
核心工具/方法：通过一种新颖的“组内排序比较”（within-group ranking comparison），导出了一组条件矩不等式（conditional moment inequalities），这些不等式仅依赖于可观测的选择结果和协变量。
主要结论：这些条件矩不等式给出了 \( \beta \) 的 sharp identified set（即所有与数据一致的 \( \beta \) 的集合），同时避免了 incidental parameter 问题（即固定效应 \( \alpha_i \) 的存在不影响识别）。特化到二元选择情形，该结果恢复了 Manski (1987) 的 sharpness 结论，且无需对协变量施加任何限制（Manski 的原始证明需要协变量有连续支撑）。

关键设定与假设¶

完整设定（在第二节最小记号的基础上补充）： - 选项集：\( \mathcal{J} = \{0, 1, \dots, J\} \)，其中 \( J \geq 1 \)。 - 每个个体 \( i \) 有 \( T \geq 2 \) 个时间点的观测。 - 随机效用：\( U_{itj} = \alpha_i + x_{it}^\top \beta_j + u_{itj} \)，其中 \( \beta_0 = 0 \)（基准选项归一化）。本文主要关注 \( \beta_j = \beta \) 对所有 \( j \) 相同的情形（即协变量效应不随选项变化），但方法可以推广到 \( \beta_j \) 不同的情形。 - 选择规则：\( y_{it} = \arg\max_{j \in \mathcal{J}} U_{itj} \)。

关键假设： 1. （A1）扰动分布的时间不变性：对于每个个体 \( i \)，随机向量 \( u_{it} = (u_{it0}, \dots, u_{itJ}) \) 在给定 \( \alpha_i \) 和 \( x_{it} \) 的条件下，其分布不随时间 \( t \) 变化。即 \( u_{i1} \stackrel{d}{=} u_{i2} \stackrel{d}{=} \cdots \stackrel{d}{=} u_{iT} \)，但允许任意时间相关性。统计含义：这是组内比较的基础——通过比较同一个体在不同时间点的选择，可以消除固定效应和扰动分布的影响。 2. （A2）协变量的外生性：协变量 \( x_{it} \) 与扰动 \( u_{it} \) 独立（或至少均值独立）。统计含义：这是条件矩不等式成立的前提——如果协变量与扰动相关，则组内比较无法消除扰动的影响。 3. （A3）支撑条件：协变量 \( x_{it} \) 的支撑足够丰富，使得 \( x_{it} - x_{is} \) 可以取到所有方向（即其支撑的凸包包含原点）。统计含义：这是 sharpness 证明的关键——如果协变量变化太小，则无法区分不同的 \( \beta \) 值。 4. （A4）无 ties：随机效用扰动是连续的，因此选择结果 \( y_{it} \) 几乎必然唯一（即不存在两个选项效用相等的情况）。统计含义：这是技术性假设，避免处理平局情况。

相比已有文献的放宽/强化： - 相比 Chamberlain (1980)：去掉了对扰动分布的参数假设（极值分布），但保留了固定效应结构。 - 相比 Manski (1987)：从二元选择推广到多项选择，且 sharpness 证明不需要协变量有连续支撑（Manski 的原始证明需要这一条件）。

主要结果¶

定理 1（条件矩不等式）：对于任意两个时间点 \( t \neq s \) 和任意两个选项 \( j \neq k \)，定义事件：

\[A_{itjks} = \{ y_{it} = j, y_{is} = k \}.\]

则对于任意 \( \beta \in \mathbb{R}^d \)，有：

\[\mathbb{E}\left[ (x_{it} - x_{is})^\top (\beta_j - \beta_k) \mid A_{itjks}, x_{it}, x_{is} \right] \geq 0.\]

直觉：如果个体在时间 \( t \) 选择了选项 \( j \)、在时间 \( s \) 选择了选项 \( k \)，那么选项 \( j \) 在时间 \( t \) 的效用必须大于选项 \( k \) 在时间 \( t \) 的效用，且选项 \( k \) 在时间 \( s \) 的效用必须大于选项 \( j \) 在时间 \( s \) 的效用。利用扰动分布的时间不变性，可以推导出上述不等式。必要条件：假设 A1（扰动分布时间不变性）和 A2（协变量外生性）。解决的技术难点：如何将多项选择中的“排序比较”转化为线性不等式——作者通过比较“被选中的选项”和“未被选中的选项”的效用差，巧妙地利用了扰动分布的时间不变性。

定理 2（sharpness）：由定理 1 中所有条件矩不等式（对所有 \( t \neq s \)、\( j \neq k \)）定义的集合 \( \mathcal{B} \) 是 \( \beta \) 的 sharp identified set。即，对于任意 \( \beta^* \in \mathcal{B} \)，存在一个与数据一致的扰动分布（满足假设 A1-A4），使得 \( \beta^* \) 是真实的参数值。直觉：sharpness 的证明通过构造一个“最坏情况”的扰动分布来实现——对于给定的 \( \beta^* \)，可以构造一个扰动分布，使得所有条件矩不等式恰好成立（即取等号），从而证明 \( \beta^* \) 与数据一致。必要条件：假设 A3（协变量支撑条件）。解决的技术难点：如何构造一个扰动分布，使得所有条件矩不等式同时成立——作者通过“排序匹配”（ranking matching）技巧，将多项选择问题分解为一系列二元选择问题，然后利用 Manski (1987) 的构造方法。

推论 1（二元选择特例）：当 \( J = 1 \) 时，定理 1 和定理 2 退化为 Manski (1987) 的条件矩不等式，且 sharpness 成立无需协变量有连续支撑（Manski 的原始证明需要这一条件）。直觉：本文的 sharpness 证明不依赖于协变量的连续性，而是通过构造一个离散的扰动分布来实现。必要条件：假设 A3 仍然需要（协变量支撑的凸包包含原点），但不需要连续支撑。

证明路线与技术技巧¶

整体路线（3-5 步逻辑主干）： 1. 步骤 1：推导条件矩不等式。对于任意 \( t \neq s \)、\( j \neq k \)，考虑事件 \( A_{itjks} = \{ y_{it} = j, y_{is} = k \} \)。利用选择规则，有：

\[U_{itj} > U_{itk} \quad \text{且} \quad U_{isk} > U_{isj}.\]

代入效用表达式，消去固定效应 \( \alpha_i \)，得到：

\[x_{it}^\top (\beta_j - \beta_k) + (u_{itj} - u_{itk}) > 0 \quad \text{且} \quad x_{is}^\top (\beta_k - \beta_j) + (u_{isk} - u_{isj}) > 0.\]

将两个不等式相加，得到：

\[(x_{it} - x_{is})^\top (\beta_j - \beta_k) + (u_{itj} - u_{itk} + u_{isk} - u_{isj}) > 0.\]

取条件期望（给定 \( A_{itjks}, x_{it}, x_{is} \)），利用假设 A1（扰动分布时间不变性）可得 \( \mathbb{E}[u_{itj} - u_{itk} + u_{isk} - u_{isj} \mid \cdot] = 0 \)，从而得到条件矩不等式。

步骤 2：定义 identified set。令 \( \mathcal{B} \) 为所有满足定理 1 中所有条件矩不等式的 \( \beta \) 的集合。
步骤 3：证明 sharpness（\( \mathcal{B} \) 是 sharp identified set）。这是证明的核心。需要证明：对于任意 \( \beta^* \in \mathcal{B} \)，存在一个扰动分布 \( F \)（满足假设 A1-A4），使得在 \( F \) 下，\( \beta^* \) 是真实的参数值，且可观测数据 \( \{y_{it}, x_{it}\} \) 的分布与原始数据一致。
关键跳跃点：如何构造这样的 \( F \)？作者采用“排序匹配”技巧：对于每个个体 \( i \)，给定其协变量序列 \( \{x_{it}\}_{t=1}^T \) 和选择序列 \( \{y_{it}\}_{t=1}^T \)，构造一个“排序” \( \pi_i \)（将时间点按某种顺序排列），使得对于任意 \( t \neq s \)，如果 \( y_{it} = j \) 且 \( y_{is} = k \)，则 \( \pi_i(t) > \pi_i(s) \) 当且仅当 \( (x_{it} - x_{is})^\top (\beta_j^* - \beta_k^*) > 0 \)。然后，利用这个排序构造一个扰动分布，使得每个时间点的扰动恰好与排序一致。
难点：如何保证这样的排序存在？这需要条件矩不等式成立——它们保证了排序的“传递性”（即如果 \( t \) 排在 \( s \) 前、\( s \) 排在 \( r \) 前，则 \( t \) 必须排在 \( r \) 前）。作者证明，如果 \( \beta^* \in \mathcal{B} \)，则这种传递性成立，从而排序存在。
步骤 4：验证构造的分布满足假设。证明构造的扰动分布满足时间不变性（A1）、外生性（A2）、支撑条件（A3）和无 ties（A4）。
步骤 5：特化到二元选择。当 \( J = 1 \) 时，上述构造简化为 Manski (1987) 的构造，但不需要协变量的连续支撑——因为本文的构造只依赖于协变量的有限个取值。

技术技巧点名： - 排序匹配（ranking matching）：这是本文的核心技巧。通过构造一个“排序”来将多项选择问题分解为一系列二元选择问题，从而利用 Manski (1987) 的构造方法。这一技巧类似于“配对比较”（pairwise comparison）在非参数统计中的应用。 - 条件矩不等式（conditional moment inequalities）：这是识别工具，类似于 Manski (1987) 的最大得分估计量，但推广到了多项选择情形。 - 构造性证明（constructive proof）：sharpness 的证明不是通过“反证法”或“对偶性”，而是通过显式构造一个扰动分布来实现。这种构造性证明在识别理论中较为少见，通常需要巧妙的组合设计。

真实例子与应用¶

本文为纯理论论文，无实证例子。作者在引言中提到了多项选择固定效应模型在实证中的应用（如消费者品牌选择、劳动力市场选择），但没有提供任何模拟或真实数据分析。因此，本文的贡献完全在于识别理论。

🔎 结论是否比证明窄¶

窄结论 1：定理 1 和定理 2 的证明依赖于假设 A1（扰动分布的时间不变性）。作者在引言中声称“不对组内相关性施加任何限制”，但严格来说，假设 A1 允许任意时间相关性，但要求边际分布相同。如果扰动分布随时间变化（例如，存在时间趋势），则条件矩不等式不再成立。作者没有讨论这一假设的放松。
窄结论 2：sharpness 的证明依赖于假设 A3（协变量支撑条件）。如果协变量变化太小（例如，所有个体的协变量都相同），则 identified set 可能不是 sharp 的（实际上，可能无法识别任何参数）。作者没有讨论这一条件的必要性。
窄结论 3：本文只关注了识别（identification），没有讨论估计（estimation）或推断（inference）。作者在结论中提到了“未来的工作可以开发基于这些条件矩不等式的估计和推断方法”，但本文没有提供任何具体方法。因此，本文的结论是“识别是可能的”，而不是“估计是可行的”。

四、开放问题（点到为止，扎根具体语句）¶

估计与推断：本文只提供了识别方法，没有讨论如何从样本中估计 identified set 或进行假设检验。作者在结论中写道：“未来的工作可以开发基于这些条件矩不等式的估计和推断方法。” 这是一个明确的开放问题。扎根点：论文结论部分。
时间趋势与动态模型：假设 A1 要求扰动分布不随时间变化。如果存在时间趋势（例如，宏观经济冲击影响所有个体的选择），则条件矩不等式不再成立。如何将本文的方法推广到存在时间趋势或动态选择（如状态依赖）的情形？扎根点：假设 A1 的讨论部分。
协变量支撑条件的必要性：假设 A3 要求协变量支撑的凸包包含原点。如果协变量变化有限（例如，所有个体的协变量都为正），则 identified set 可能不是 sharp 的。是否存在更弱的条件？扎根点：定理 2 的证明中对假设 A3 的依赖。
计算可行性：本文的 identified set 由指数级数量的条件矩不等式定义（\( O(T^2 J^2) \) 个不等式）。如何高效地计算或逼近这个集合？是否存在多项式时间算法？扎根点：定理 1 中条件矩不等式的数量。

提醒：要确认这些是否是真 gap，建议去读同子领域近期约 5 篇的 intro（如关于面板数据离散选择模型的半参数估计、条件矩不等式的计算算法等）。如果多篇论文都指向同一个问题（如“条件矩不等式的计算”），则它是共识性 gap；如果互相打架（如有的认为 sharpness 不重要、有的认为重要），则可能是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub