跳转至

Dynamically Consistent Statistical Decisions

作者: Cheaheon Lim, Yechan Park
主题: 经济理论 / 应用
相关性: 7/10
链接: https://arxiv.org/abs/2607.10519

一、领域脉络与小综述

这个方向是什么

这个子方向研究的是统计决策规则的动态一致性（dynamic consistency）。根本问题是：一个在事前（ex ante，即看到数据之前）被证明为最优的决策规则（例如最小化最大遗憾的规则），在研究者实际观察到数据之后（interim stage），是否仍然是她愿意遵循的？如果研究者事后有动机偏离事前选定的规则，那么这个规则就是动态不一致的。这个问题的核心在于，频率学派（frequentist）的决策准则（如 minimax regret）本身并没有定义“看到数据后应该怎么做”的临时（interim）最优性标准，因此无法直接判断一个事前最优规则在事后是否仍然合理。本文试图填补这个空白，并为统计决策提供一类“可信的”（credible）——即动态一致的——准则。

发展脉络（history）

  1. 奠基工作：统计决策理论与事前最优准则

    • Wald (1950)：奠定了统计决策理论的基础，将决策问题形式化为在数据实现前选择数据依赖的行动。这是整个领域的起点。
    • Manski (2004) 和 Stoye (2009)：将统计决策理论引入计量经济学中的具体问题，如处理选择（treatment choice）。Stoye (2009) 推导了二元处理选择问题下的有限样本最小最大遗憾（finite-sample minimax-regret） 最优规则，这是本文反复引用的核心基准。这些工作主要关注事前最优性。

  2. 主要进展：事前最优准则的扩展与动态不一致性的发现

    • 事前准则的扩展：大量工作将事前最优准则推广到更复杂的设定。例如，Kitagawa and Tetenov (2018)、Athey and Wager (2021)、Mbakop and Tabord-Meehan (2021) 等提出了基于渐近最小最大遗憾保证的决策规则。Yata (2021) 在部分识别（partial identification）下推导了有限样本最优规则。Ishihara and Kitagawa (2021) 研究了证据聚合（evidence aggregation）问题。这些工作都延续了“事前最优”的范式。
    • 动态不一致性的发现（鲁棒贝叶斯领域）：在鲁棒贝叶斯（robust Bayesian）分析中，动态不一致性问题已被广泛研究。Vidakovic (2000)、Epstein and Schneider (2003) 指出，Gamma-minimax 规则（一种多先验贝叶斯准则）通常是动态不一致的。Hanany and Klibanoff (2007, 2009) 提出了能够保持动态一致性的更新规则。Lim (2026) 则澄清了 Gamma-minimax 问题中时间不一致的来源，并提出了 Gamma-minimax 准则来恢复动态一致性。Fernández et al. (2024)* 在部分识别下的处理选择问题中，也展示了事前和事后鲁棒贝叶斯规则的不一致。

  3. 当前 Frontier 与本文的位置

    • 当前 Frontier：尽管动态不一致性在鲁棒贝叶斯领域已被认知，但频率学派最优准则（如 minimax regret）的临时问题（interim problem）尚未被正式定义和分析。本文指出，这是一个重要的缺口，因为频率学派准则在实证研究中被广泛使用。
    • 本文的位置：本文是首次系统性地为频率学派事前最优准则（特别是 minimax loss 和 minimax regret）定义其对应的临时问题，并提出一类动态一致的替代准则。作者的核心洞见是：通过将频率学派准则视为一个零和博弈，其最优规则等价于针对一个“最不利先验”（least favorable prior）的贝叶斯规则。因此，更新这个最不利先验就自然定义了一个动态一致的临时问题。基于此，作者提出了“动态一致最小最大损失”（DC-MML）和“动态一致最小最大遗憾”（DC-MMR）准则，并给出了公理化基础。

子线索聚类

  1. 事前最优准则的推导与应用：这条线索专注于在特定问题（如处理选择、政策学习）下，推导出具有事前最优性保证（如最小最大遗憾）的决策规则。代表工作：Stoye (2009), Tetenov (2012), Yata (2021), Kitagawa and Tetenov (2018), Athey and Wager (2021), Mbakop and Tabord-Meehan (2021), Chen and Guggenberger (2025), Guggenberger et al. (2026), Chernozhukov et al. (2025), Sun (2026)。这些工作构成了本文要批判性审视的“事前最优”基准。

  2. 动态一致性与公理化决策理论：这条线索关注决策规则的时间一致性，并试图通过公理化的方法刻画满足动态一致性的偏好或准则。代表工作：Hanany and Klibanoff (2007, 2009), Stoye (2011a, 2012), Lim (2026), Andrews et al. (2026)。本文的核心贡献（Theorem 1 & 2）就属于这一线索，它通过公理化刻画了动态一致的最小最大准则。

  3. 鲁棒贝叶斯分析与部分识别：这条线索在贝叶斯框架下处理模型不确定性或部分识别问题，并研究其动态性质。代表工作：Giacomini et al. (2025), Fernández et al. (2024), Christensen et al. (2026), Lim (2026)。本文与这一线索有密切联系，特别是其提出的 DC-MMR 准则可以嵌套 Lim (2026) 的 Gamma*-minimax 准则。

这个方向在追问的核心问题

  1. 如何定义频率学派决策规则的“临时最优性”？ 这是本文试图回答的核心问题。频率学派没有贝叶斯式的后验信念，因此其临时问题不是自明的。
  2. 事前最优的规则在事后是否“可信”？ 即，研究者是否有动机在观察到数据后偏离事前选定的规则？本文通过“最不利先验”的视角提供了一个诊断工具。
  3. 是否存在一类既具有良好事前性质（如最小最大保证）又动态一致的准则？ 本文提出的 DC-MML 和 DC-MMR 就是对这一问题的正面回答。
  4. 如何从行为上（公理化）刻画这类动态一致的准则？ 本文通过 Theorem 1 和 2 给出了答案，将动态一致性与数据空间上的主观期望效用（SEU）和状态空间上的最小最大期望效用（MEU）联系起来。

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么？ 作者将缺口 frame 为：频率学派决策理论中“临时问题”的缺失。他们声称，尽管事前最优准则（如 minimax regret）被广泛使用，但其动态一致性问题被忽视了，因为“对应的临时问题没有被很好地定义”（"the interim problem is less clearly defined"）。本文通过引入“最不利先验”的更新来填补这个缺口，从而将频率学派准则纳入一个可以与贝叶斯和鲁棒贝叶斯准则进行比较的框架。
  • 哪些竞争路线被他淡化或回避了？ 作者淡化了纯贝叶斯方法。他们承认贝叶斯规则是动态一致的，但认为要求研究者拥有一个关于状态空间（Θ）的完整先验分布是一个“更严格的假设”（"more restrictive assumption"）。他们更倾向于假设研究者只对数据边际分布（µ）有主观信念，而不需要对高维或难以解释的状态空间有先验。这巧妙地回避了贝叶斯学派对先验的依赖，使得他们的框架对频率学派研究者更具吸引力。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 作者在 intro 中提到了“pre-analysis plans”（预分析计划）的相关工作（Olken, 2015; Kasy and Spiess, 2024; Sarfati and Vilfort, 2025），但并未深入讨论。预分析计划本质上就是一种试图通过事前承诺来解决动态不一致性的制度设计。本文提出的动态一致准则可以被视为一种“内在的”承诺机制，而预分析计划是“外在的”。将两者进行更深入的比较（例如，在什么条件下外在承诺优于内在一致性，反之亦然）是一个值得研究者去查的潜在方向。此外，关于“选择性报告”（selective reporting）和“p-hacking”的文献（如 Gelman and Loken, 2013）也与动态不一致性密切相关，但未被提及。

张力

未见明显对立引用。被引工作之间更多是互补关系：事前最优准则的文献提供了基准，动态一致性的文献指出了问题，而本文则试图在频率学派框架内解决问题。一个潜在的张力在于对“保守性”的评价：Manski (2004) 认为 minimax regret 规则比传统假设检验“更不保守”，而本文的例 4 则展示了 minimax regret 规则可能“过于保守”。这种看似矛盾的结论源于比较的基准不同（与假设检验比 vs. 与常识判断比），但都指向了动态不一致性问题。

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：

    • Θ：状态空间，包含所有可能的“世界状态”。在例 4 中，Θ = [0,1]^2，每个状态 θ = (μ0, μ1) 代表一个潜在结果分布的成功概率。
    • Z：数据空间，所有可能观测到的数据样本的集合。在例 4 中，Z = {0,1}^{2N}，即 N 个个体的处理分配和结果。
    • A：行动空间，决策者可以采取的所有行动。在例 4 中，A = [0,1]，a 是分配处理 1 的概率。
    • δ: Z → Δ(A)：决策规则，一个从数据到行动（允许随机化）的映射。
    • u: A × Θ → R：支付函数（负损失），衡量在状态 θ 下采取行动 a 的收益。在例 4 中，u(a, θ) = μ0(1-a) + μ1 a。
    • U(δ, θ) = E_θ[u(δ(Z), θ)]：风险（负期望支付），即规则 δ 在状态 θ 下的期望支付。
    • R(δ, θ) = sup_{d∈D} U(d, θ) - U(δ, θ)：遗憾，即规则 δ 在状态 θ 下与最优可行规则相比的期望损失。
    • π ∈ Δ(Θ)：先验分布。
    • π(·|z)：后验分布。
    • P_θ：在状态 θ 下的数据分布。
    • P_π = ∫ P_θ dπ(θ)：先验预测分布。
    • µ ∈ Δ(Z)：数据边际分布。在本文的框架中，它可以是先验预测，也可以是研究者直接对数据的主观信念。
    • Q_z ⊆ Δ(Θ)：在观察到数据 z 后，决策者预期会使用的“信念”集合。它不一定是贝叶斯后验，可以是置信区间或识别集。

  • 模型：

    • 这是一个统计决策问题。数据 Z 由一个未知的状态 θ 控制，其分布为 P_θ。决策者不知道 θ，但可以观测到 Z 的一个实现 z。决策者选择一个规则 δ，该规则将每个可能的 z 映射到一个行动 a。决策者的目标是最大化期望支付（或最小化遗憾）。

  • 可观测数据：

    • 可观测：数据 z ∈ Z。在例 4 中，是 N 个个体的处理分配 t_n 和结果 y_n。
    • 想要但观测不到：真实的状态 θ。在例 4 中，是潜在结果的成功概率 (μ0, μ1)。决策者只能通过数据来推断 θ。

第二步：讲最小内核

本文的核心数学问题可以浓缩为：如何为一个频率学派的最优决策规则（如 minimax regret）定义一个“合理”的临时（interim）最优性标准，使得该规则在事后不会被决策者抛弃？

最简特例：Stoye (2009) 的二元处理选择问题

  1. 设定：决策者要决定是否推广一个新处理（a=1）还是保留旧处理（a=0）。状态 θ = (μ0, μ1) 是旧/新处理的成功概率。数据 z 来自一个随机实验，有 N0 个个体接受旧处理，N1 个接受新处理，观测到各自的成功数。决策者使用最小最大遗憾（minimax regret） 准则来选择规则 δ。

  2. 核心思路：Stoye (2009) 证明，最小最大遗憾最优规则 δ* 等价于一个针对最不利先验（least favorable prior） π* 的贝叶斯规则。这个 π* 是一个“最坏情况”的先验，它使得 δ* 的遗憾最大化。本文的关键洞见是：更新这个最不利先验 π* 得到的后验 π*(·|z)，就自然定义了一个与 δ* 动态一致的临时问题。也就是说，如果决策者在事后按照 π*(·|z) 来做贝叶斯决策，她就会选择 δ*(z)。

  3. 问题暴露：然而，这个 π* 可能非常“不合理”。在 Stoye (2009) 的例子中，π* 只支持那些 |μ1 - μ0| = d_N 的状态，其中 d_N 是一个很小的常数（例如，当 N=1100 时，d_N ≈ 0.023）。这意味着，无论数据如何，最不利先验都认为处理效应的大小是固定的、很小的。

  4. 动态不一致的来源：现在假设观测到的数据 z 显示处理效应 μ̂1 - μ̂0 = 0.44，标准误仅为 0.019。这个数据强烈支持新处理更好。然而，δ* 却可能因为 I_N < 0 而建议保留旧处理。为什么？因为 δ* 是贝叶斯最优的，但它是针对那个“不合理”的 π* 的。更新 π* 得到的后验 π*(·|z) 仍然只支持 |μ1 - μ0| ≈ 0.023，所以它“认为”观测到的巨大效应是抽样误差，从而“理性地”选择了保守的旧处理。但一个“合理”的决策者，在看到如此强的证据后，会认为这个后验是荒谬的，从而有强烈的动机偏离 δ* 的建议。这就是动态不一致。

总结：本文的最小内核就是：通过“最不利先验”的视角，将频率学派的最优规则与一个贝叶斯临时问题联系起来，从而揭示了其动态不一致性的根源——这个最不利先验（及其后验）可能与数据证据严重冲突，导致事前最优规则在事后缺乏可信度。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了统计决策规则的动态一致性问题，特别是频率学派事前最优准则（如 minimax loss 和 minimax regret）在观察到数据后是否仍然可信。
  2. 核心工具 / 方法：作者利用零和博弈的视角，将频率学派最优规则与“最不利先验”联系起来，通过更新该先验来定义其动态一致的临时问题。基于此，他们提出并公理化了两类新的动态一致最优性准则：动态一致最小最大损失（DC-MML）和动态一致最小最大遗憾（DC-MMR）。
  3. 主要结论：本文证明了频率学派最小最大规则可以通过最不利先验的后验来理性化（Proposition 1），并展示了在多个实证相关设定中，这些规则可能因最不利后验的“不合理”而缺乏动态一致性。作为解决方案，作者提出的 DC-MML 和 DC-MMR 准则在构造上就是动态一致的，并且可以嵌套现有的 as-if 优化和 Gamma*-minimax 准则。作者还通过公理化（Theorem 1 & 2）刻画了这两类准则的行为特征。

关键设定与假设

  • 设定：一个通用的统计决策问题，包含状态空间 Θ、数据空间 Z、行动空间 A、支付函数 u 和决策规则集 D。D 被假设为对可测拼接（measurable pasting）封闭。
  • 假设：
    • SUTVA / 可忽略性：在例 4 的处理选择问题中，隐含了随机分配假设（T_j 独立于潜在结果），这保证了识别。
    • 正态性 / 独立性：在例 5 的证据聚合问题中，假设两个研究的数据 z_i 独立同分布于 N(θ_i, σ^2)。
    • 外部有效性边界：在例 5 中，假设目标人群的效果 θ_3 与研究人群的效果 θ_i 的差异有已知上界 C_i。
    • 公理化假设：在 Section 6.3 中，为了公理化 DC-MML 和 DC-MMR，作者施加了关于偏好或选择对应的一系列公理（Axioms 1-6），这些公理本质上要求决策者在数据空间上是主观期望效用（SEU）最大化者，而在状态空间上是最小最大期望效用（MEU）最大化者，并且满足数据空间上的可分离性。
  • 相比已有文献的强化/放宽：本文的主要贡献在于定义了频率学派准则的临时问题，而不是在统计模型上做新的假设。相比贝叶斯方法，它放宽了对状态空间先验的要求（只需要数据边际分布 µ）。相比纯频率学派方法，它引入了一个“最不利先验”作为分析工具。

主要结果

  • Proposition 1 (最不利先验的后验理性化)：如果一个最小最大规则 δ* 被一个最不利先验 π* 所支持，那么 δ*(z) 在 P_{π*}-几乎处处意义下，是后验 π*(·|z) 下的贝叶斯最优行动。这个命题是全文的基石，它将频率学派的最优规则与一个贝叶斯临时问题联系起来。
  • Proposition 2 (处理选择中最不利先验的支持)：在 Stoye (2009) 的二元处理选择问题中，所有最不利先验都只支持那些 |μ1 - μ0| = d_N 的状态，其中 d_N 是一个唯一的常数。这个结果揭示了最不利先验的“不合理”本质——它完全无视数据，固执地认为处理效应是一个固定的小值。
  • Proposition 3 (证据聚合中最不利先验的支持)：在 Yata (2021) 的证据聚合问题中，所有最不利先验都只支持那些外部有效性被推到极限的状态（θ_2 = ε*, θ_3 = ε* + C_2 或对称的负值）。这同样展示了最不利先验的极端性。
  • Theorem 1 (DC-MML 的公理化)：三个公理（Z-SEU, Z-Separability, Θ-MEU）共同刻画了动态一致最小最大损失准则。该准则等价于：决策者有一个关于数据的主观边际分布 µ，并且在每个数据实现 z 后，她使用一个最小最大准则（基于信念集 Q_z）来评估行动。
  • Theorem 2 (DC-MMR 的公理化)：在 Stoye (2011a) 的 minimax regret 选择对应公理基础上，加上两个新公理（IIA on Z-measurable Acts, Z-Separable Choice），共同刻画了动态一致最小最大遗憾准则。该准则等价于：决策者有一个关于数据的主观边际分布 µ，并且在每个数据实现 z 后，她使用一个最小最大遗憾准则（基于信念集 Q_z）来评估行动。

证明路线与技术技巧（理论型）

  • 整体路线：

    1. 建立联系：将频率学派最小最大问题视为一个零和博弈，其中决策者选择规则 δ，自然选择状态 θ。证明该博弈的纳什均衡 (δ*, π*) 存在，其中 π* 是最不利先验，δ* 是贝叶斯最优的（针对 π*）。
    2. 定义临时问题：提出 Proposition 1，证明更新 π* 得到的后验 π*(·|z) 可以理性化 δ* 的临时行动。这为定义频率学派准则的临时问题提供了数学基础。
    3. 诊断动态不一致：通过 Proposition 2 和 3，刻画了在具体问题中最不利先验的极端支持，并用数值例子（例 4 和 5）展示其与数据证据的冲突，从而诊断出动态不一致性。
    4. 提出解决方案：直接构造一类新的准则（DC-MML 和 DC-MMR），它们在定义上就是动态一致的。这些准则将临时问题（基于 Q_z 的最小最大）和事前问题（基于 µ 的期望）分开。
    5. 公理化：为 DC-MML 和 DC-MMR 提供行为基础。证明过程（Theorem 1 & 2）的核心是：利用公理（如 Z-Separability）将决策者的偏好/选择分解为数据空间上的 SEU 和状态空间上的 MEU，从而唯一地识别出 µ 和 {Q_z}。

  • 关键跳跃点：

    • 从频率学派到贝叶斯的跳跃：将频率学派的最优规则解释为针对一个“最不利先验”的贝叶斯规则。这个跳跃依赖于零和博弈的纳什均衡存在性，这在许多设定下是成立的，但并非总是成立。
    • 从“最不利先验”到“动态一致”的跳跃：Proposition 1 表明，更新最不利先验可以理性化临时行动。但作者明确指出，这只是一个“理性化”（rationalization），而不是说决策者的真实临时偏好就是如此。这个跳跃的关键在于，它提供了一个诊断工具，而不是一个行为描述。
    • 公理化中的分解：在 Theorem 1 和 2 的证明中，如何从复杂的偏好/选择对应中分解出数据空间上的 SEU 和状态空间上的 MEU 是一个技术难点。作者巧妙地利用了 Z-Separability 公理，该公理保证了决策者在不同数据实现下的偏好是相互独立的，从而允许进行逐点分解。

  • 技术技巧点名：

    • 零和博弈 / 纳什均衡：用于证明最小最大规则与最不利先验的等价性。
    • 贝叶斯更新：用于定义临时问题。
    • 公理化方法（Anscombe-Aumann, Gilboa-Schmeidler）：用于刻画偏好和选择对应。
    • 支持函数（Support function）：在 Theorem 2 的证明中，用于唯一地识别信念集 Q_z。
    • 可测拼接（Measurable pasting）：用于构造反证法中的“更好”的决策规则。

真实例子与应用

  • 数据：Bursztyn et al. (2020) 关于沙特阿拉伯男性对女性外出工作社会规范的实验数据。
  • 场景：决策者（如政策制定者）需要决定是否对特定人群（根据协变量划分的子组）实施“信息干预”（纠正对社会规范的误解），以鼓励他们帮助妻子寻找工作。
  • 方法应用：作者将三种决策规则（最小最大遗憾 δ*、假设检验 T_α、as-if MMR）分别应用于每个协变量子组，比较它们的临时建议。
  • 结果：
    • 作者发现，在 18 个协变量子组中，δ* 建议不提供干预，而 T_α（在 α=0.05 或 0.10 水平下）建议提供干预。例如，在一个子组中，接受干预组的注册率为 0.233，对照组为 0.062，单侧检验 p 值为 0.041，但 δ* 仍建议不提供。
    • 作者指出，这些分歧源于处理组和对照组样本量的不平衡（N1 - N0 很大），导致 δ* 的决策边界被扭曲。
    • 相比之下，as-if MMR 规则（等价于条件经验成功规则，即 τ̂ > 0 时提供干预）与 T_α 的建议完全一致，避免了 δ* 的“过度保守”问题。
  • 这个例子想说明什么：这个真实数据例子旨在说明，最小最大遗憾规则 δ* 的临时建议可能是不合理的（与常识和假设检验结果相悖），从而缺乏动态一致性。而本文支持的 as-if MMR 规则则能提供更可信的临时建议。

🔎 结论是否比证明窄

  • Proposition 1 的结论是“δ*(z) 是后验 π*(·|z) 下的贝叶斯最优行动”，但作者在讨论中明确指出，这只是一个“理性化”，并不意味着决策者的真实临时偏好就是后验 π*(·|z)。这个结论的适用范围被严格限制在“存在一个最不利先验”的设定下。如果零和博弈没有纳什均衡，或者最不利先验不唯一，这个结论的适用性就需要进一步讨论。作者在 Proposition 2 和 3 中展示了最不利先验不唯一，但所有最不利先验都共享一个支持限制。
  • Theorem 1 和 2 的公理化结论是“当且仅当”。这意味着，如果一个决策者的行为满足这些公理，那么她就可以被表示为 DC-MML 或 DC-MMR 准则。但反过来，如果一个决策者使用 DC-MML 或 DC-MMR 准则，她的行为是否一定满足这些公理？作者声称“必要性是常规的”（"Necessity of the axioms is routine"），但没有在正文中展开。这通常意味着证明是直接的，但读者需要去附录验证。这是一个潜在的窄点：公理的必要性可能依赖于一些隐含的假设（如 µ 的满支撑）。

四、开放问题

  1. 最不利先验的唯一性与计算：Proposition 2 和 3 展示了最不利先验的非唯一性，但所有最不利先验都共享一个支持限制。在更一般的设定下，最不利先验的集合可能更复杂。如何系统地刻画这个集合？如何高效地计算或近似它，以便进行动态一致性诊断？这扎根于 Proposition 2 和 3 的证明，以及作者在 Section 3.3 中提到的“最不利先验不唯一”这一事实。

  2. 动态一致准则的“最优性”：本文提出的 DC-MML 和 DC-MMR 准则是动态一致的，但它们在事前（ex ante）意义上的最优性如何？例如，一个 DC-MMR 规则的事前最大遗憾是否比传统的 minimax regret 规则更大？如果是，大多少？是否存在一个“最优的动态一致准则”，即在所有动态一致的准则中，事前性质（如 minimax regret）最好的？这扎根于作者在 Section 6 中提出这些准则时，并未与事前最优准则进行直接的事前性能比较。

  3. 与预分析计划（Pre-Analysis Plans）的联系：作者在引言中提到了预分析计划，但未深入探讨。预分析计划是一种通过外部承诺来强制实现动态一致性的制度。本文提出的动态一致准则是一种内在的、基于偏好的机制。两者在什么条件下等价？在什么条件下，外部承诺优于内在一致性，反之亦然？例如，当决策者无法准确预测自己的临时偏好（即 Q_z 设定错误）时，外部承诺可能更有价值。这扎根于作者在 Section 1.1 中对预分析计划文献的引用（Olken, 2015; Kasy and Spiess, 2024; Sarfati and Vilfort, 2025）。

  4. Q_z 的选择与校准：DC-MML 和 DC-MMR 准则的核心输入是信念集 Q_z。作者给出了两个例子（as-if 优化和 Gamma*-minimax），但并未提供一般性的指导原则。在实践中，研究者应该如何选择 Q_z？例如，应该使用置信区间、识别集，还是某种鲁棒贝叶斯后验集？不同的选择会如何影响决策规则的性质？这扎根于作者在 Section 6.2 中的讨论，以及 Example 1 和 2。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论