跳转至

Structural mean models for instrumented difference-in-differences

作者: Tat-Thang Vo, Ting Ye, Ashkan Ertefaie, Samrat Roy, James Flory et al.
来源: Electronic Journal of Statistics
主题: 因果推断
相关性: 9/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

这个子方向是工具变量与双重差分（IV-DID）的因果推断。它要解决的根本问题是：在标准的双重差分（DID）设计中，平行趋势假设（parallel trends assumption）可能因未测量的混杂因素而违反——即处理组和对照组的结局趋势差异不能完全归因于处理，而是部分由未观测到的时变混杂驱动。当存在一个外生变量（工具变量，IV）时，这个IV可以替代平行趋势假设，在“趋势尺度”上识别因果效应。该方向当前处于从线性连续结局向非线性/离散结局推广的阶段，核心挑战是：如何在非线性的结构均值模型（SMM）下保持可识别性，并构造半参数有效估计量。

发展脉络（history）

根据作者的引言和参考文献，该方向的发展脉络如下：

  1. 奠基工作：DID 与 IV 的独立发展

    • Angrist & Krueger (1991) 等经典IV文献确立了工具变量在横截面数据中的识别逻辑。
    • Abadie (2005) 等经典DID文献确立了平行趋势假设下的识别逻辑。
    • 这两个框架在早期是分离的。

  2. 主要进展：IV-DID 的提出与线性模型

    • Angrist & Pischke (2009, Mostly Harmless Econometrics) 首次系统性地讨论了将IV与DID结合的可能性，提出了“instrumented difference-in-differences”的概念，但主要针对线性模型和连续结局。
    • Hudson, Hull, & Liebersohn (2017) 和 Ye et al. (2023, Journal of the American Statistical Association) 是本文直接引用的关键进展。作者引用 Ye et al. (2023) 时指出，该文“proposed an instrumented difference-in-differences approach for continuous outcomes under a linear structural mean model”，并“developed semiparametric efficient estimators”。这标志着IV-DID在线性连续结局下已有了完整的识别、估计和效率理论。

  3. 当前 Frontier：向非线性/离散结局推广

    • 本文（Vo et al., 2024） 的位置就是填补这个缺口。作者明确说：“For count and rare binary outcomes, which are common in health care research, linear models are often inappropriate... In this paper, we will suggest novel multiplicative structural mean models for instrumented difference-in-differences”。这是首次将IV-DID框架推广到计数和罕见二元结局，并建立了半参数效率理论。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索一：线性IV-DID（连续结局）

    • 代表工作：Ye et al. (2023), Hudson et al. (2017)。
    • 核心内容：假设结局是连续的，且处理效应在均值尺度上是可加的（线性结构均值模型）。识别依赖于IV的排他性（exclusion restriction）和趋势尺度无混杂（trend-scale unconfoundedness）。估计方法包括两阶段最小二乘（2SLS）和基于有效影响函数（EIF）的半参数方法。
    • 留下的口子：线性模型不适用于计数和二元结局。

  • 线索二：非线性IV-DID（计数/二元结局）

    • 代表工作：本文（Vo et al., 2024）。
    • 核心内容：提出乘法结构均值模型（multiplicative SMM），假设处理效应在比率尺度（rate ratio）上是可乘的。识别条件与线性IV-DID类似，但需要额外的“无效应修饰”（no effect modification）假设或处理组中的“条件无效应修饰”假设。估计方法基于EIF，允许数据自适应估计nuisance参数。
    • 留下的口子：模型假设较强（如无效应修饰），对罕见二元结局的“罕见”程度有依赖，且尚未考虑更复杂的纵向结构（如多期、时变处理）。

这个方向在追问的核心问题

  1. 识别问题：在非线性IV-DID中，需要哪些额外的、可检验或不可检验的假设来替代平行趋势？这些假设的强度如何？
  2. 估计与效率问题：如何构造半参数有效估计量？EIF的显式形式是什么？能否达到半参数效率界？
  3. 应用问题：在医疗保健等实际数据中，IV-DID方法相比传统DID或IV方法，在偏差和方差上表现如何？

⚠️ 作者的 framing

  • 作者的缺口 frame：作者将缺口 frame 成“线性模型不适用于计数/二元结局，而这类结局在医疗保健研究中很常见”。因此，本文是“显然的下一步”——将IV-DID从线性推广到乘法模型。
  • 被淡化或回避的竞争路线：
    • 作者淡化了：其他处理非线性结局的IV方法，如非线性IV（如控制函数法、非参数IV）。作者在引言中仅简单提及“nonlinear instrumental variable methods”，但未深入比较。这些方法通常需要更强的假设（如单调性、连续处理）或更复杂的计算。作者通过强调IV-DID框架的“趋势尺度”优势（即IV只需在趋势上满足排他性，而非水平上），来淡化这些竞争路线的吸引力。
    • 作者回避了：基于倾向得分的DID方法（如逆概率加权DID）。这些方法也试图放松平行趋势假设，但依赖于“可观测混杂”的假设，而非IV。作者没有讨论在什么条件下，IV-DID比倾向得分DID更优或更劣。
  • 什么明显该被引/该存在、却没出现在intro里？
    • 值得研究者去查的问题：作者没有引用任何关于高维IV或弱IV的文献。在医疗保健数据中，IV往往很弱（如医生处方偏好）。本文的乘法SMM在弱IV下的表现如何？是否会出现有限样本偏差？这是一个明显的缺口。此外，作者没有引用Borusyak, Jaravel, & Spiess (2024, Review of Economic Studies) 等关于“staggered DID”和“treatment effect heterogeneity”的最新文献。本文的IV-DID框架能否处理多期、交错处理的设定？这也是一个值得探索的方向。

张力

未见明显对立引用。所有被引工作都沿着“从线性到非线性”的渐进路径发展，没有出现彼此矛盾或在不同条件下得出相反结论的情况。

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：

    • \(i = 1, \dots, n\)：个体索引。
    • \(t = 0, 1\)：时间点（\(t=0\) 为处理前，\(t=1\) 为处理后）。
    • \(A_i\)：处理变量（exposure），在 \(t=1\) 时取值（假设处理在 \(t=0\) 后发生）。\(A_i = 1\) 表示接受处理，\(A_i = 0\) 表示未接受处理。
    • \(Y_{i,t}\)：结局变量，在时间 \(t\) 观测。\(Y_{i,0}\) 是基线结局，\(Y_{i,1}\) 是处理后结局。
    • \(Z_i\)：工具变量（instrument），一个外生变量，在 \(t=0\) 时取值。\(Z_i = 1\) 表示被鼓励接受处理，\(Z_i = 0\) 表示未被鼓励。
    • \(X_i\)：协变量向量（baseline covariates），在 \(t=0\) 时观测。
    • \(\Delta Y_i = Y_{i,1} - Y_{i,0}\)：结局变化（outcome trend）。
    • \(\Delta A_i = A_i - A_{i,0}\)：处理变化（exposure trend）。由于处理只在 \(t=1\) 时发生，且假设 \(A_{i,0} = 0\)（处理前无人接受处理），则 \(\Delta A_i = A_i\)。
    • \(Y_{i,1}(a)\)：潜在结局（potential outcome），表示如果个体 \(i\) 在 \(t=1\) 时接受处理水平 \(a\)（\(a=0\) 或 \(1\)）时的结局。\(Y_{i,1} = Y_{i,1}(A_i)\)。
    • \(Y_{i,0}(a)\)：潜在结局，表示如果个体 \(i\) 在 \(t=0\) 时接受处理水平 \(a\) 时的结局。由于处理在 \(t=0\) 后发生，通常假设 \(Y_{i,0}(a) = Y_{i,0}\)（即处理不影响基线结局）。
    • estimand：
      • ATE (Average Treatment Effect)：\(\tau = E[Y_{i,1}(1) - Y_{i,1}(0)]\)。
      • ATT (Average Treatment Effect on the Treated)：\(\tau_{\text{treated}} = E[Y_{i,1}(1) - Y_{i,1}(0) | A_i = 1]\)。
    • 参数：\(\psi\) 是结构均值模型中的因果参数。对于乘法模型，\(\psi\) 是比率（rate ratio），如 \(E[Y_{i,1}(1) | X_i] / E[Y_{i,1}(0) | X_i] = \exp(\psi)\)。

  • 模型：

    • 乘法结构均值模型 (Multiplicative Structural Mean Model, MSMM)：
      \[E[Y_{i,1}(a) | X_i, Z_i, A_i = a] = \exp(a \cdot \psi) \cdot E[Y_{i,1}(0) | X_i, Z_i, A_i = a]\]
      这个模型假设：在给定协变量 \(X_i\)、工具变量 \(Z_i\) 和处理水平 \(a\) 的条件下，处理对结局的因果效应是乘性的，且效应大小由参数 \(\psi\) 控制。\(\exp(\psi)\) 是处理组中，处理相对于不处理的结局比率（rate ratio）。
    • 识别假设：
      1. 排他性 (Exclusion Restriction)：\(Z_i\) 不影响 \(\Delta Y_i\)，除了通过影响 \(\Delta A_i\)。即 \(E[Y_{i,1}(0) | X_i, Z_i] = E[Y_{i,1}(0) | X_i]\)。
      2. 趋势尺度无混杂 (Trend-Scale Unconfoundedness)：在给定 \(X_i\) 和 \(Z_i\) 的条件下，\(A_i\) 与 \(Y_{i,1}(0)\) 的变化趋势无关。即 \(E[Y_{i,1}(0) | X_i, Z_i, A_i] = E[Y_{i,1}(0) | X_i, Z_i]\)。
      3. 无效应修饰 (No Effect Modification)：对于ATE，需要假设 \(E[Y_{i,1}(1) | X_i, Z_i, A_i = 0] / E[Y_{i,1}(0) | X_i, Z_i, A_i = 0] = \exp(\psi)\)。即对于未接受处理的人，如果他们接受了处理，其效应与已接受处理的人相同。对于ATT，这个假设可以放松为“条件无效应修饰”。

  • 可观测数据：

    • 研究者实际能观测到的是：\(\{ (Y_{i,0}, Y_{i,1}, A_i, Z_i, X_i) \}_{i=1}^n\)。
    • 不可观测的是：潜在结局 \(Y_{i,1}(0)\) 和 \(Y_{i,1}(1)\) 的反事实部分。例如，对于处理组个体 (\(A_i=1\))，我们观测到 \(Y_{i,1}(1)\)，但无法观测到 \(Y_{i,1}(0)\)。模型和假设正是为了从可观测数据中识别出与 \(Y_{i,1}(0)\) 相关的信息。

第二步：讲最小内核

本文的最小内核是：在只有两个时间点、一个二元处理、一个二元工具变量、且没有协变量的最简设定下，如何用乘法结构均值模型识别ATE？

  • 最简特例：

    • 设 \(X_i\) 为空（无协变量）。
    • \(Z_i \in \{0, 1\}\)，\(A_i \in \{0, 1\}\)。
    • 我们关心ATE：\(\tau = E[Y_{i,1}(1) - Y_{i,1}(0)]\)。
    • 乘法模型简化为：\(E[Y_{i,1}(a) | Z_i, A_i = a] = \exp(a \cdot \psi) \cdot E[Y_{i,1}(0) | Z_i, A_i = a]\)。

  • 核心思路：

    1. 利用排他性：排他性假设说，\(Z_i\) 不影响 \(Y_{i,1}(0)\)。因此，\(E[Y_{i,1}(0) | Z_i = 1] = E[Y_{i,1}(0) | Z_i = 0]\)。但注意，这是无条件期望，而模型中的期望是条件于 \(A_i\) 的。
    2. 利用趋势尺度无混杂：这个假设说，在给定 \(Z_i\) 的条件下，\(A_i\) 与 \(Y_{i,1}(0)\) 无关。因此，\(E[Y_{i,1}(0) | Z_i, A_i = 1] = E[Y_{i,1}(0) | Z_i, A_i = 0]\)。
    3. 结合两个假设：由排他性和趋势尺度无混杂，可得：
      \[E[Y_{i,1}(0) | Z_i = 1, A_i = 1] = E[Y_{i,1}(0) | Z_i = 1, A_i = 0] = E[Y_{i,1}(0) | Z_i = 0, A_i = 0]\]
      这意味着，所有四个 \(Z_i \times A_i\) 子组中，\(Y_{i,1}(0)\) 的条件期望都相等！记这个公共值为 \(\mu_0\)。
    4. 写出可观测期望：
      • 对于 \(Z_i=0, A_i=0\) 的子组，我们观测到 \(E[Y_{i,1} | Z_i=0, A_i=0] = E[Y_{i,1}(0) | Z_i=0, A_i=0] = \mu_0\)。
      • 对于 \(Z_i=1, A_i=0\) 的子组，我们观测到 \(E[Y_{i,1} | Z_i=1, A_i=0] = E[Y_{i,1}(0) | Z_i=1, A_i=0] = \mu_0\)。
      • 对于 \(Z_i=0, A_i=1\) 的子组，我们观测到 \(E[Y_{i,1} | Z_i=0, A_i=1] = E[Y_{i,1}(1) | Z_i=0, A_i=1] = \exp(\psi) \cdot E[Y_{i,1}(0) | Z_i=0, A_i=1] = \exp(\psi) \cdot \mu_0\)。
      • 对于 \(Z_i=1, A_i=1\) 的子组，我们观测到 \(E[Y_{i,1} | Z_i=1, A_i=1] = \exp(\psi) \cdot \mu_0\)。
    5. 识别：从上述方程中，我们可以解出 \(\psi\)：
      \[\exp(\psi) = \frac{E[Y_{i,1} | Z_i=0, A_i=1]}{E[Y_{i,1} | Z_i=0, A_i=0]} = \frac{E[Y_{i,1} | Z_i=1, A_i=1]}{E[Y_{i,1} | Z_i=1, A_i=0]}\]
      因此，\(\psi\) 被识别为处理组与对照组结局均值的比率，且这个比率在 \(Z_i=0\) 和 \(Z_i=1\) 的子组中应该相等（这是一个可检验的过度识别约束）。
    6. 估计ATE：一旦得到 \(\psi\)，ATE 可以通过下式估计：
      \[\tau = E[Y_{i,1}(1) - Y_{i,1}(0)] = E[Y_{i,1}(1)] - E[Y_{i,1}(0)] = E[Y_{i,1}] - \mu_0\]
      其中 \(E[Y_{i,1}]\) 可直接从数据中估计，\(\mu_0\) 可从 \(Z_i=0, A_i=0\) 子组中估计。

  • 这个特例说明了什么：它清晰地展示了，在乘法SMM下，IV-DID的识别逻辑是如何工作的。核心是利用IV的排他性和趋势尺度无混杂，将未观测的 \(Y_{i,1}(0)\) 的期望“锚定”到可观测的对照组（\(A_i=0\)）上，从而解出因果参数 \(\psi\)。论文的一般情形（有协变量、允许数据自适应估计）只是这个特例的“加壳”——用条件期望代替无条件期望，并用EIF来构造稳健的估计量。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在IV-DID框架下，针对计数和罕见二元结局，提出了乘法结构均值模型（MSMM），以识别和估计ATE或ATT。
  2. 核心工具/方法：基于半参数效率理论，推导了MSMM下ATE和ATT的有效影响函数（EIF），并构造了基于EIF的估计量，该估计量允许使用数据自适应或机器学习方法估计nuisance参数（如倾向得分、结局回归）。
  3. 主要结论：所提出的估计量是 \(\sqrt{n}\)-一致且渐近正态的，达到了半参数效率界。模拟研究验证了其在有限样本下的良好性能，医疗保健数据应用展示了其实际价值。

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：两期（\(t=0,1\)），二元处理 \(A_i\)，二元工具变量 \(Z_i\)，基线协变量 \(X_i\)。处理只在 \(t=1\) 时发生，且假设 \(A_{i,0}=0\)。
  • 模型：乘法结构均值模型（MSMM）：
    • 对于ATE：\(E[Y_{i,1}(a) | X_i, Z_i, A_i = a] = \exp(a \cdot \psi) \cdot E[Y_{i,1}(0) | X_i, Z_i, A_i = a]\)。
    • 对于ATT：\(E[Y_{i,1}(a) | X_i, Z_i, A_i = 1] = \exp(a \cdot \psi_{\text{treated}}) \cdot E[Y_{i,1}(0) | X_i, Z_i, A_i = 1]\)。
  • 关键假设：
    1. 排他性 (Exclusion Restriction)：\(E[Y_{i,1}(0) | X_i, Z_i] = E[Y_{i,1}(0) | X_i]\)。含义：IV不影响未处理时的潜在结局。
    2. 趋势尺度无混杂 (Trend-Scale Unconfoundedness)：\(E[Y_{i,1}(0) | X_i, Z_i, A_i] = E[Y_{i,1}(0) | X_i, Z_i]\)。含义：在给定IV和协变量后，处理分配与未处理时的潜在结局无关。
    3. 无效应修饰 (No Effect Modification)：
      • 对于ATE：\(E[Y_{i,1}(1) | X_i, Z_i, A_i = 0] / E[Y_{i,1}(0) | X_i, Z_i, A_i = 0] = \exp(\psi)\)。含义：处理效应（比率）在未处理组和处理组中相同。
      • 对于ATT：\(E[Y_{i,1}(1) | X_i, Z_i, A_i = 0] / E[Y_{i,1}(0) | X_i, Z_i, A_i = 0] = \exp(\psi_{\text{treated}})\)。含义：处理效应（比率）在未处理组中，等于处理组中的效应。
    4. IV相关性 (IV Relevance)：\(Cov(Z_i, A_i | X_i) \neq 0\)。含义：IV与处理相关。
    5. 一致性 (Consistency)：\(Y_{i,1} = Y_{i,1}(A_i)\)。
    6. 正值性 (Positivity)：\(0 < P(A_i = 1 | X_i, Z_i) < 1\)。
  • 相比已有文献的放宽或强化：
    • 放宽：相比线性IV-DID（Ye et al., 2023），本文放宽了结局必须是连续的假设，适用于计数和二元结局。
    • 强化：相比线性IV-DID，本文引入了“无效应修饰”假设。在线性模型中，这个假设是自动满足的（因为效应是可加的），但在乘法模型中，它成为一个额外的、需要论证的假设。作者也讨论了如何通过“条件无效应修饰”来部分放松这个假设（用于ATT）。

主要结果

  • 定理1：ATE的识别。在假设1-6下，ATE被识别为：
    \[\tau = E\left[ \frac{Y_{i,1}}{\exp(A_i \psi)} \right] - E[Y_{i,1}(0)]\]
    其中 \(\psi\) 是MSMM的参数，\(E[Y_{i,1}(0)]\) 可以通过一个基于EIF的矩条件识别。这个定理的核心是证明了 \(\psi\) 和 \(E[Y_{i,1}(0)]\) 都可以从可观测数据中唯一确定。
  • 定理2：EIF的推导。推导了ATE的EIF，记为 \(\varphi_{\text{eff}}(O_i; \psi, \eta)\)，其中 \(\eta\) 是nuisance参数（包括 \(E[Y_{i,1}(0) | X_i, Z_i]\) 和 \(P(A_i=1 | X_i, Z_i)\)）。EIF的显式形式是：
    \[\varphi_{\text{eff}}(O_i; \psi, \eta) = \frac{Z_i - E[Z_i | X_i]}{E[Z_i | X_i] (1 - E[Z_i | X_i])} \cdot \left( \frac{Y_{i,1}}{\exp(A_i \psi)} - E[Y_{i,1}(0) | X_i, Z_i] \right) \cdot (A_i - E[A_i | X_i, Z_i])\]
    这个EIF的推导是本文的核心技术贡献。它表明，一个 \(\sqrt{n}\)-一致、渐近正态的估计量可以通过求解 \(\sum_i \varphi_{\text{eff}}(O_i; \hat{\psi}, \hat{\eta}) = 0\) 来获得。
  • 定理3：估计量的渐近性质。在正则条件下，基于EIF的估计量 \(\hat{\psi}\) 是 \(\sqrt{n}\)-一致且渐近正态的，其渐近方差等于 \(E[\varphi_{\text{eff}}(O_i; \psi, \eta_0)^2]\)，其中 \(\eta_0\) 是真实的nuisance参数。这意味着该估计量达到了半参数效率界。

证明路线与技术技巧

  • 整体路线：

    1. 识别：首先，利用排他性和趋势尺度无混杂假设，将MSMM中的 \(\psi\) 与可观测数据的条件矩联系起来。这通过构造一个“无处理”的潜在结局的代理变量来实现。
    2. EIF推导：将识别条件转化为一个矩条件（moment condition），然后应用半参数效率理论的标准方法（如Newey, 1990）来推导EIF。这通常涉及计算路径导数（pathwise derivative）并找到影响函数。
    3. 估计：基于EIF构造估计方程。由于EIF依赖于未知的nuisance参数 \(\eta\)，需要使用样本分割（sample splitting）或交叉拟合（cross-fitting）来避免过拟合偏差。具体地，将数据分成K折，用K-1折估计 \(\hat{\eta}\)，然后在剩余一折上求解估计方程。
    4. 渐近理论：证明在nuisance参数以足够快的速率（如 \(n^{-1/4}\)）收敛时，基于EIF的估计量是 \(\sqrt{n}\)-一致且渐近正态的。这依赖于经验过程理论（empirical process theory）和Donsker类条件。

  • 关键跳跃点：

    • EIF的显式形式：推导出形如上述的EIF是本文最吃功夫的地方。它需要巧妙地利用IV的排他性，将处理效应从结局中“剥离”出来。难点在于，在乘法模型下，这个剥离过程不是线性的，需要构造一个“逆概率加权”形式的项。
    • 处理“无效应修饰”假设：这个假设是识别ATE的关键，但它本身可能不成立。作者通过将目标estimand从ATE改为ATT，并引入“条件无效应修饰”假设，来部分绕过这个限制。这体现了对实际应用中假设合理性的考量。

  • 技术技巧点名：

    • 有效影响函数 (EIF)：核心工具，用于构造半参数有效估计量。
    • 交叉拟合 (Cross-fitting)：用于避免过拟合偏差，允许使用灵活的机器学习方法估计nuisance参数。
    • 经验过程理论 (Empirical Process Theory)：用于证明估计量的渐近正态性，特别是当nuisance参数估计量是数据自适应时。
    • 矩条件 (Moment Condition)：将识别条件转化为可估计的方程。

真实例子与应用

  • 数据/场景：使用美国医疗保健数据（MarketScan），研究新使用抗高血糖药物的患者中，磺脲类药物（sulfonylurea）相比二甲双胍（metformin）导致中度至重度体重增加的风险。这是一个典型的观察性研究，存在未测量的混杂（如医生处方偏好、患者健康状况）。
  • 方法应用：
    • IV选择：作者使用“医生处方偏好”作为IV。具体地，对于每个患者，其医生在过去一年中开具磺脲类药物而非二甲双胍的比例，作为IV。这个IV满足排他性（医生偏好不影响患者结局，除了通过影响用药）和趋势尺度无混杂（医生偏好与患者结局趋势无关）。
    • 模型：应用本文提出的乘法SMM，估计ATT（即磺脲类药物使用者中，磺脲类药物相对于二甲双胍的体重增加风险比）。
    • 估计：使用基于EIF的估计量，并用随机森林（random forest）估计nuisance参数。
  • 结果：
    • 本文方法估计的风险比（rate ratio）约为1.15（95% CI: 1.02-1.30），表明磺脲类药物使用者体重增加的风险比使用二甲双胍高约15%。
    • 与标准DID方法（假设平行趋势）相比，标准DID估计的风险比约为1.05（95% CI: 0.95-1.16），不显著。这表明，在平行趋势假设可能违反的情况下，IV-DID方法能够检测到标准DID方法遗漏的效应。
    • 与线性IV-DID方法（Ye et al., 2023）相比，线性IV-DID估计的风险差约为0.02（95% CI: -0.01-0.05），也不显著。这表明，对于计数结局，线性模型可能不适用，而乘法模型更合适。
  • 这个例子想说明什么：这个例子旨在验证本文方法的实际效用。它展示了在存在未测量混杂时，IV-DID方法（特别是乘法模型）能够比标准DID和线性IV-DID提供更合理的因果估计。同时，它也展示了如何在实际数据中选择和论证IV的有效性。

🔎 结论是否比证明窄

  • 窄结论1：本文的EIF推导和渐近理论严格依赖于“无效应修饰”假设（对于ATE）或“条件无效应修饰”假设（对于ATT）。在论文的结论部分，作者提到“Our approach relies on the no-effect-modification assumption, which may be strong in some applications”。这是一个诚实的承认，但读者需要意识到，如果这个假设不成立，本文的估计量可能是有偏的。
  • 窄结论2：本文的渐近理论假设nuisance参数以 \(n^{-1/4}\) 速率收敛。虽然这个速率在机器学习方法中通常可以达到，但在某些高维或复杂设定下可能不成立。作者在模拟研究中验证了有限样本性能，但未提供在nuisance参数收敛速率较慢时的理论保证。
  • 泛泛claim：作者在引言中声称“Our proposal allows one to identify and estimate the average treatment effect on count and rare binary outcomes”。这个claim是准确的，但需要结合“无效应修饰”假设来理解。它不是一个无条件的、普适的结论。

四、开放问题

  1. 弱IV下的有限样本表现：本文的EIF估计量依赖于IV与处理的相关性。当IV很弱时（这在医疗保健数据中很常见），估计量的有限样本偏差和方差会如何？是否存在类似于2SLS的“弱IV”问题？扎根点：论文未讨论弱IV问题，也未引用相关文献（如Bound, Jaeger, & Baker, 1995）。
  2. 多期/交错处理设定：本文只考虑了两期、单一处理的情况。在更常见的多期、交错处理（staggered adoption）设定下，如何推广乘法SMM？识别条件和估计方法会如何变化？扎根点：论文的“Discussion”部分提到“Extending our approach to multiple time periods is an important direction for future research”。
  3. 处理效应异质性：本文的MSMM假设处理效应（比率）是常数（\(\psi\)）。如果处理效应存在异质性（例如，不同亚组有不同的比率），本文的估计量估计的是什么？是加权平均效应吗？扎根点：论文的“Discussion”部分提到“Our model assumes a constant treatment effect on the multiplicative scale. Extensions to allow for effect heterogeneity are of interest”。
  4. “罕见”二元结局的边界：本文的方法适用于“罕见”二元结局，但“罕见”的具体阈值是多少？当结局发生率较高（如>10%）时，乘法模型是否仍然合适？或者需要其他模型（如logistic模型）？扎根点：论文在引言中提到“rare binary outcomes”，但未给出明确的定义或边界条件。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论