跳转至

Local Asymptotic Power of Honest Confidence Intervals

作者: Hugo Freeman
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2607.10558

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“诚实推断”（honest inference）或“偏倚感知推断”（bias-aware inference）中置信区间的功效性质。根本问题是：当研究者为了确保覆盖率的均匀性（uniform coverage），而主动将置信区间加宽以抵御一个不可检验的偏倚（untestable bias）时，这种保守性在统计功效上究竟付出了多大代价？该方向当前已从构造方法（如何构建这样的区间）发展到性质评估（这些区间在假设检验中表现如何），本文是后者的一次系统性推进。

发展脉络

奠基工作：Donoho (1994) 通过模量连续性（modulus of continuity）刻画了凸参数空间上线性泛函的固定长度置信区间，奠定了“偏倚-方差权衡”的区间构造框架。Li (1989) 指出，在非参数回归中，诚实的区间必须考虑平滑引入的偏倚。Bahadur and Savage (1956) 则从更根本的层面证明了，在某些非参数问题中，不存在对所有分布都有效的统计程序——这是“不可检验偏倚”的早期形式。

主要进展：Armstrong and Kolesár (2018, 2020) 将上述思想发展为现代“偏倚感知”构造：用最坏情况偏倚（worst-case bias）取代标准正态分位数，构建在函数类上均匀覆盖的置信区间。Imbens and Wager (2019) 将其应用于回归断点设计（RD），Kolesár and Rothe (2018) 处理了离散运行变量，Armstrong et al. (2020) 和 Noack and Rothe (2024) 扩展到正则化回归和模糊RD。与此同时，因果推断领域出现了平行发展：Conley et al. (2012) 在工具变量（IV）中放松排他性约束，Rambachan and Roth (2023) 在双重差分（DiD）中处理平行趋势的有限违背，Armstrong et al. (2022) 在面板因子模型中处理弱因子。

当前frontier：上述工作主要关注区间的构造和覆盖性质，但对其功效（即作为假设检验工具的能力）的系统分析相对滞后。Rambachan and Roth (2023) 明确刻画了其检验功效与假设偏倚界的关系，Roth (2022) 则揭示了预趋势检验的低功效问题。本文正是在这个节点上，将功效分析提升到一般性理论层面。

本文的位置：本文声称，它首次系统刻画了诚实置信区间在局部备择假设下的渐近功效，并证明这种功效损失是诚实性本身固有的，而非特定构造的缺陷。它通过一个统一的“死区”（dead zone）概念，将偏倚感知区间、部分识别（partial identification）和非参数自适应等看似不同的现象联系起来。

子线索聚类

  1. 非参数回归中的诚实推断：以 Armstrong and Kolesár (2018, 2020)、Imbens and Wager (2019)、Kolesár and Rothe (2018) 为代表，核心设定是回归函数属于某个光滑性类（如Hölder类），偏倚界由光滑性常数给出。这类设定中，偏倚界和标准误通常同阶（匹配速率），功效损失是有界的。

  2. 因果推断中的敏感性分析：以 Conley et al. (2012)、Rambachan and Roth (2023)、Armstrong et al. (2022) 为代表，偏倚界由用户指定的不可检验参数（如排他性约束的松弛量、平行趋势的违背幅度、弱因子数量）决定。这类设定中，偏倚界通常是常数阶（不随样本量收缩），导致功效损失是彻底的（零局部功效）。

  3. 模型误设下的稳健推断：以 Armstrong and Kolesár (2021)、Andrews et al. (2017)、Bonhomme and Weidner (2022) 为代表，处理的是近似矩条件模型或误设模型下的推断。这类工作与本文的关联在于，它们也使用用户指定的偏倚界，但更关注估计量的敏感性而非检验功效。

  4. 部分识别：以 Imbens and Manski (2004)、Stoye (2009) 为代表。本文将其视为诚实推断的极限情形——当偏倚界不收缩时，置信区间的宽度收敛到一个正数（识别集），此时局部功效完全丧失。

核心问题与已知瓶颈

  • 核心问题1：诚实置信区间的功效损失有多大？是有限的还是彻底的？
  • 核心问题2：这种损失是特定构造的缺陷，还是诚实性本身的固有代价？
  • 核心问题3：功效损失与偏倚界和标准误的相对速率有何关系？
  • 核心问题4：是否存在比标准偏倚感知区间更优的诚实程序？

已知瓶颈：Low (1997) 和 Cai and Low (2004) 已证明，在标准光滑性类中，无法在保持均匀覆盖的同时自适应地调整区间长度。这意味着诚实区间的长度由最坏情况决定，无法根据数据的实际光滑性缩短。本文将此长度结论转化为功效结论。

⚠️ 作者的 framing

作者的说法：作者将缺口 frame 成“诚实置信区间的局部渐近功效尚未被系统刻画”，并声称“这种功效损失是诚实性本身固有的，而非特定构造的缺陷”。作者通过一个统一的“死区”概念，将偏倚感知区间、部分识别和非参数自适应联系起来，使本文成为“显然的下一步”。

被淡化或回避的竞争路线： - 作者将“自适应推断”（adaptive inference）作为背景提及（Low, 1997; Cai and Low, 2004），但未深入讨论“自适应”与“诚实”之间的张力。实际上，如果研究者愿意放弃均匀覆盖（即接受在某些DGP下覆盖不足），就可以恢复功效——这正是Rambachan and Roth (2023) 讨论的“欠尺寸检验”（undersized test）路线。作者在结论中提到了这一点，但未将其作为主要分析对象。 - 作者回避了“贝叶斯方法”或“正则化方法”作为替代方案的可能性。这些方法可能通过引入先验或惩罚项来避免显式的偏倚界，从而绕过“死区”问题。

什么明显该被引/该存在、却没出现在intro里？ - 作者引用了 Pratt (1961) 关于区间长度与功效对偶的经典结果，但未引用更近期的“置信区间与假设检验对偶”的现代处理（如 Lehmann and Romano, 2005 的经典教材）。这可能是因为本文的受众是计量经济学界，而非统计理论界。 - 在“部分识别”的讨论中，作者引用了 Imbens and Manski (2004) 和 Stoye (2009)，但未引用更近期的部分识别文献（如 Molinari, 2020 的综述）。这可能是因为本文的“部分识别”只是作为极限情形出现，而非主要分析对象。 - 值得研究者去查的问题：作者在讨论“弱因子”模型时，引用了 Onatski (2012) 关于因子检测边界的结论，但未引用更近期的“弱因子”文献（如 Bai and Ng, 2023 的综述）。这可能是一个值得查证的缺口：Onatski (2012) 的结论是否已被超越？如果弱因子的可检测性有更精确的刻画，本文的“死区”结论是否需要修正？

张力

未见明显对立引用。被引工作之间在“诚实推断是必要的”这一前提上基本一致，分歧主要在于如何选择偏倚界（数据驱动 vs. 用户指定）以及如何处理功效损失（接受 vs. 通过欠尺寸检验缓解）。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - β：目标参数（estimand），一个标量。在因果推断中，它可以是处理效应、RD断点、IV系数等。 - β̂：β的估计量。 - B̂：β̂的真实偏倚（true bias），即 E[β̂] - β（在渐近意义上）。不可观测。 - θ：一个用户指定的、不可检验的“偏倚参数”，它索引了数据生成过程（DGP）所属的类。例如，在DiD中，θ = M 是平行趋势违背幅度的上界。 - B̄ := sup_θ |B̂|：最坏情况偏倚的上界（worst-case bias bound），由用户指定的θ决定。这是可计算的（给定θ），但不是从数据中估计的。 - se(β̂)：β̂的标准误（standard error）。 - n：样本量。 - ϵ：β̂的收敛速率，通常 ϵ = 1/2（参数速率）或更小（非参数速率）。 - δ：偏倚界 B̄ 的收敛速率，即 B̄ = Θ(n^{-δ})。δ ∈ [0, ∞)，δ = 0 表示偏倚界不随样本量收缩（常数阶）。 - ρ：局部备择假设的收缩速率，即备择假设为 β = β₀ + ξ·n^{-ρ}。ρ ∈ [0, ϵ]。 - ξ：局部备择假设的“偏移量”，一个实数。 - α：显著性水平（名义大小）。 - z_{1-α/2}：标准正态分布的 1-α/2 分位数。

模型： - 数据生成过程属于一个类 P_n = {P^{(n)}_{β,θ} : β ∈ ℝ, θ ∈ C_n}，其中 β 是目标参数，θ 是不可检验的“偏倚参数”，C_n 是θ的可行集。 - 估计量 β̂ 满足：β̂ - β = B̂ + O_p(n^{-ϵ})。即，β̂ 的误差由两部分组成：一个不可检验的偏倚 B̂（其大小受 θ 控制），和一个可检验的随机误差（以速率 n^{-ϵ} 收敛）。 - 标准误满足：se(β̂) = Θ_p(n^{-ϵ})。 - 偏倚界满足：B̄ = Θ(n^{-δ})。

可观测数据： - 研究者可以观测到：β̂（点估计）、se(β̂)（标准误）、以及用户指定的偏倚界 B̄。 - 研究者无法观测到：真实偏倚 B̂。这是整个问题的核心——B̂ 是不可检验的，研究者只能通过 B̄ 来“保险”地覆盖它。 - 研究者无法从数据中学习：θ（即 B̄ 的取值）。θ 必须由研究者基于领域知识或主观判断来指定。

第二步：最小内核

本文的核心数学问题可以归结为以下最简特例：

最简特例：假设 β̂ 是渐近正态的，且真实偏倚 B̂ = 0（即估计量无偏），但研究者不知道这一点，因此使用一个保守的偏倚界 B̄ > 0。具体地： - β̂ ~ N(β, σ²/n)，其中 σ² 已知。 - 研究者构造的“诚实”置信区间为：β̂ ± (B̄ + z_{1-α/2}·σ/√n)。 - 研究者检验的零假设是 H₀: β = β₀，备择假设是 H₁: β ≠ β₀。 - 局部备择假设为：β = β₀ + ξ/√n（即 ρ = 1/2，参数速率）。

在这个特例下，核心命题是什么？

命题：当 B̄ 是常数阶（即 δ = 0）时，对于任何 |ξ| < 2·√n·B̄（即 |ξ| 小于一个随 n 发散的界），诚实检验的局部功效趋于零。更精确地说，对于任何固定的 ξ，当 n → ∞ 时，拒绝 H₀ 的概率趋近于 α（名义大小）。

为什么成立？

  1. 区间宽度发散：诚实区间的半宽度是 B̄ + z_{1-α/2}·σ/√n。当 n → ∞ 时，σ/√n → 0，但 B̄ 是常数，所以半宽度收敛到 B̄。因此，区间的宽度不随样本量收缩。

  2. 备择假设收缩：局部备择假设 β = β₀ + ξ/√n 以速率 1/√n 向 β₀ 收缩。

  3. 对偶检验：检验是否拒绝 H₀，等价于检查 β₀ 是否落在置信区间内。由于区间宽度不收缩，而备择假设以 1/√n 速率收缩，对于任何固定的 ξ，当 n 足够大时，β₀ + ξ/√n 必然落在区间 [β̂ - B̄, β̂ + B̄] 内（因为 β̂ 以 1/√n 速率收敛到 β₀，而区间半宽度是常数 B̄）。因此，拒绝概率趋近于 α。

关键想法：这个“死区”的出现，是因为偏倚界 B̄ 不随样本量收缩，而备择假设在收缩。只要 B̄ 的收缩速率 δ 小于备择假设的收缩速率 ρ（即 δ < ρ），死区就会存在。当 δ = ρ 时（匹配速率），死区是有限的（半宽度 2·lim n^δ B̄）。当 δ > ρ 时（偏倚界收缩更快），死区消失，保守性渐近无成本。

这个特例揭示了什么？

它揭示了本文的核心洞察：功效损失不是偏倚感知区间的构造缺陷，而是“区间宽度不随样本量充分收缩”这一事实的必然结果。部分识别（区间宽度收敛到正数）是极限情形，而诚实推断（区间宽度由常数阶偏倚界主导）是同一现象在较慢速率下的表现。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在存在不可检验偏倚时，“诚实”置信区间（bias-aware/honest CI）的局部渐近功效。
  2. 核心工具/方法：通过“宽度-功效对偶”（Lemma 1）将功效分析转化为区间宽度的极限分析，并利用极小化极大论证（Theorem 5）证明功效损失是诚实性固有的。
  3. 主要结论：功效由偏倚界与标准误的相对速率（δ vs. ϵ）决定，分为三个regime：偏倚界消失更快时（δ > ρ）保守性渐近无成本；两者同阶时（δ = ρ）功效损失为有界显式量；偏倚界主导时（δ < ρ，典型参数速率情形）诚实检验的局部功效趋于零。标准偏倚感知区间是率最优的。

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：

  • Assumption 1（估计量结构）：β̂ - β = B̂ + O_p(n^{-ϵ})，且 se(β̂) = Θ_p(n^{-ϵ})。这假设了估计量的误差可分解为偏倚项和随机项，且随机项以速率 n^{-ϵ} 收敛。相比已有文献，这个假设非常一般，涵盖了参数（ϵ=1/2）和非参数（ϵ<1/2）情形。

  • Assumption 2（偏倚界速率）：B̄ = Θ(n^{-δ})，δ ∈ [0, ∞)。δ = 0 对应常数阶偏倚界（如DiD、IV中的用户指定界），δ > 0 对应收缩的偏倚界（如非参数回归中的光滑性常数）。

  • Assumption 3（最不利混淆，Least-favorable confounding）：存在一个函数 τ: [0,1] → [0, 1-α)，连续且非减，τ(0)=0，使得对于任何 n 和任何 Δ ∈ [0, 2B̄]，存在 θ₀, θ₁ ∈ C_n，使得 P^{(n)}{β₀,θ₀} 和 P^{(n)}{β₀+Δ,θ₁} 之间的总变差距离 TV ≤ τ(Δ/2B̄) + o(1)。这个假设是本文理论的核心，它量化了“混淆”的程度——即参数 β 的偏移可以被不可检验参数 θ 吸收的程度。τ ≡ 0 对应“精确混淆”（如DiD和IV中的情形），τ > 0 对应“近似混淆”（如RD中的情形）。相比已有文献，这个假设是本文独有的，它使得极小化极大下界成为可能。

  • Definition 4（混淆分离度，Confounding separation）：s(u) = lim_n s_n(u)，其中 s_n(u) 是最不利混淆对在标准误单位下的分离度。这个定义将 Assumption 3 中的总变差距离替换为更精确的 Neyman-Pearson 分离度，用于推导更紧的界。

相比已有文献的放宽或强化： - 放宽：本文不要求估计量是线性的或渐近线性的（如 Armstrong and Kolesár 2018 中的假设），只要求 Assumption 1 中的分解形式。 - 强化：本文的 Assumption 3 是一个很强的“存在性”假设，它要求对于任何可能的偏移 Δ，都存在一对 DGP 使得它们难以区分。在精确混淆的情形下（如DiD、IV），这个假设自动满足；但在近似混淆的情形下（如RD），它需要验证。

主要结果

Theorem 1（区间宽度发散）：当 δ < ρ 时，n^ρ·(B̄ + z_{1-α/2}·se(β̂)) → ∞。这是一个简单的计算，但为后续的零功效结论奠定了基础。

Theorem 2（零局部功效，偏倚松弛情形）：在 Assumptions 1-2 下，当 δ < ρ 且 B̂ = o_p(B̄)（真实偏倚远小于偏倚界）时，对于任何以慢于 n^{ρ-δ} 速率增长的备择假设集，诚实区间以概率 1 覆盖局部备择假设。即，局部功效为零。

Theorem 3（零局部功效，偏倚紧致情形）：在 Assumptions 1-2 下，当 δ < ρ 且 B̂ = c·B̄ + o_p(n^{-ϵ})（真实偏倚与偏倚界成比例）时，对于任何固定的 ξ ≠ 0，局部功效为零（当 c ∈ (-1,1) 时），或只有单侧功效（当 c = ±1 时）。这个定理表明，即使知道偏倚的符号，也无法恢复双侧功效。

Theorem 4（匹配速率下的有界功效损失）：在 Assumptions 1-2 下，当 δ = ρ 时，局部功效损失是有界的。具体地： - 当 ρ < ϵ 时（随机误差可忽略），极限功效是一个阶梯函数：备择假设在区间 [(c-1)b̄, (c+1)b̄] 内时功效为 α，之外时功效为 1。 - 当 ρ = ϵ 时（随机误差与偏倚界同阶），极限功效是高斯分布函数，拒绝阈值从 z_{1-α/2}σ 膨胀到 b̄ + z_{1-α/2}σ。

Theorem 5（极小化极大下界）：在 Assumptions 2-3 下，任何诚实检验的局部功效都受到一个上界的限制： - 当 δ < ρ 时，上界为 α（零功效）。 - 当 δ = ρ 且 |ξ| < 2b̄ 时，上界为 α + τ(|ξ|/2b̄) < 1（非退化有界功效）。

Proposition 1（尖锐诚实功效前沿）：在 Assumption 4（高斯最不利极限）下，任何诚实检验排除局部备择假设 ξ 的最坏情况功效不超过 π_α(ξ) = Φ((|ξ| - 2b̄)+/σ - z{1-α})。特别地，当 |ξ| ≤ 2b̄ 时，π_α(ξ) = α。

Corollary 2（偏倚感知区间的率最优性）：标准偏倚感知区间达到了 Theorem 5 所给出的过渡速率，因此是率最优的。

证明路线与技术技巧

整体路线（以 Theorem 5 为例）：

  1. 步骤1：对偶性。将置信区间的覆盖问题转化为假设检验的尺寸控制问题。一个区间 B_n 是诚实的，当且仅当它的对偶检验 ϕ_n(b) = 1{b ∉ B_n} 在每一个可能的参数值 b 处都控制尺寸。

  2. 步骤2：构造最不利混淆对。利用 Assumption 3，对于给定的偏移 Δ_n = |ξ|·n^{-ρ}，构造一对 DGP：P₀ = P^{(n)}{β₀,θ₀}（真实世界，β = β₀）和 P₁ = P^{(n)}{β₀+Δ_n,θ₁}（混淆世界，β = β₀ + Δ_n）。这两个 DGP 在总变差距离下难以区分。

  3. 步骤3：应用检验的尺寸控制。由于区间是诚实的，它在混淆世界 P₁ 中必须覆盖其自身的参数值 β₀ + Δ_n。因此，对偶检验 ϕ_n(β₀ + Δ_n) 在 P₁ 下的期望（即拒绝概率）不超过 α + o(1)。

  4. 步骤4：转换到真实世界。利用总变差距离的性质：对于任何检验 ϕ，|E_{P₁}[ϕ] - E_{P₀}[ϕ]| ≤ TV(P₀, P₁)。因此，E_{P₀}[ϕ_n(β₀ + Δ_n)] ≤ α + TV(P₀, P₁) + o(1)。

  5. 步骤5：代入 TV 界。由 Assumption 3，TV(P₀, P₁) ≤ τ(Δ_n/2B̄) + o(1)。当 δ < ρ 时，Δ_n/2B̄ → 0，由 τ(0)=0 得 TV → 0，因此上界为 α。当 δ = ρ 时，Δ_n/2B̄ → |ξ|/2b̄，上界为 α + τ(|ξ|/2b̄)。

关键跳跃点：

  • 跳跃点1：从“区间覆盖”到“检验尺寸控制”的转换（步骤1-2）。这个转换的关键在于，诚实区间要求在所有可能的参数值处都覆盖，而不仅仅是真实值。这使得我们可以利用混淆世界的尺寸控制来约束真实世界的功效。

  • 跳跃点2：Assumption 3 的构造（步骤2）。这个假设是本文理论的核心创新。它要求对于任何可能的偏移 Δ，都存在一对 DGP 使得它们难以区分。在精确混淆的情形下（如DiD、IV），这个构造是直接的（Lemma 2）；在近似混淆的情形下（如RD），它需要更精细的模量连续性分析（Section 2.3）。

  • 跳跃点3：从总变差距离到 Neyman-Pearson 界的改进（Proposition 3）。在正则情形下，总变差距离给出的界可能不是最紧的。通过引入“混淆分离度” s(u) 并应用 Neyman-Pearson 引理，可以得到更尖锐的界 Φ(s(u) - z_{1-α}) - α。

技术技巧点名：

  • Le Cam 的两点方法（two-point method）：Theorem 5 的证明本质上是 Le Cam 两点方法在假设检验中的应用。通过构造两个难以区分的 DGP，来证明任何检验都无法区分它们。
  • 总变差距离：用于量化两个 DGP 之间的可区分性。
  • Neyman-Pearson 引理：用于在正则情形下得到最紧的界（Proposition 3）。
  • 模量连续性（modulus of continuity）：Donoho (1994) 的工具，用于刻画凸参数空间上线性泛函的可估计性。本文将其用于刻画“混淆分离度” s(u)。
  • 宽度-功效对偶（Lemma 1）：将功效分析转化为区间宽度的极限分析，是本文的组织性工具。

真实例子与应用

本文包含两个实证应用（Section 4）和五个模拟实验（Section 3）。

实证应用1：回归断点设计中的在位者优势（Lee, 2008） - 数据/场景：美国众议院选举的在位者优势，使用 Lee (2008) 的数据。 - 方法应用：使用 Armstrong and Kolesár (2018, 2020) 的偏倚感知程序，数据驱动的光滑性常数。 - 结果：点估计为 5.85 个百分点。传统区间为 (3.17, 8.53)，诚实区间为 (2.69, 9.01)，仅宽 18%。死区半宽度为 2B̄ = 1.78 个百分点。 - 说明什么：这是匹配速率（δ = ρ = 2/5）的情形，保守性成本有限。点估计远大于死区半宽度，因此结论是稳健的。

实证应用2：双重差分中的增值税转嫁（Benzarti and Carloni, 2019） - 数据/场景：法国大型增值税削减对企业利润的影响，使用 Benzarti and Carloni (2019) 的事件研究。 - 方法应用：使用 Rambachan and Roth (2023) 的诚实 DiD 程序，相对幅度约束 Δ^RM(M̄)。 - 结果：在精确平行趋势下（M̄ = 0），利润效应显著（0.196，t ≈ 10）。但随着 M̄ 增加，诚实区间迅速变宽，在 M̄ ≈ 1.75 时下界触及零。 - 说明什么：这是偏倚界主导（δ = 0 < ρ = 1/2）的情形。即使 t 统计量很大，一旦允许合理的平行趋势违背，显著性就会消失。死区完全由用户指定的偏倚界决定，而非样本量。

模拟实验：五个设计覆盖了所有三个 regime： 1. 交互固定效应（弱因子 vs. 强因子）：展示偏倚界主导时的零功效（Figure 4-5）。 2. 诚实 DiD：展示偏倚界主导时的零功效，以及“趋势调整”程序（断言 w=0）的风险（Figure 6）。 3. 诚实 RD：展示匹配速率下的有界功效损失（Figure 7）。 4. 线性泛函估计：展示当诚实程序收敛速率慢于参数速率时，对参数速率备择假设的零功效（Figure 8）。 5. 近似外生 IV：展示偏倚界主导时的零功效（Figure 9）。

🔎 结论是否比证明窄

  • Theorem 5 的结论依赖于 Assumption 3。Assumption 3 是一个很强的“存在性”假设，它要求对于任何可能的偏移 Δ，都存在一对 DGP 使得它们难以区分。在精确混淆的情形下（如DiD、IV），这个假设自动满足；但在近似混淆的情形下（如RD），它需要验证。作者在 Section 2.3 中讨论了 RD 的情形，指出 s(u) 是严格递增的，因此 τ(u) < 1 - α，但并未证明 Assumption 3 在 RD 中是否严格成立。因此，Theorem 5 在 RD 中的适用性可能依赖于额外的正则性条件。

  • Proposition 1 的“尖锐诚实功效前沿”依赖于 Assumption 4（高斯最不利极限）。Assumption 4 假设局部实验收敛到有界正态均值实验，且 β̂ 是渐近充分的。在精确混淆的情形下（如DiD、IV），这个假设自然成立；但在非参数情形下（如RD），β̂ 可能不是渐近充分的，因此 Proposition 1 给出的前沿可能不是所有诚实程序都能达到的。作者在 Section 2.3 中承认了这一点，并指出在 RD 中，全类的前沿是 Φ(s(ξ) - z_{1-α})，而非 Proposition 1 中的阶梯函数。

  • Corollary 2 的“率最优性”是就过渡速率而言的。它声称没有诚实程序能比偏倚感知区间更早地过渡到非零功效。但作者并未证明偏倚感知区间在匹配速率下的功效损失（Theorem 4）是否是最小的。Proposition 1 表明，在 Assumption 4 下，偏倚感知区间与前沿之间存在一个固定的临界值差距（z_{1-α/2} - z_{1-α}），这个差距可以通过方向性临界值（directional critical value）来消除。因此，偏倚感知区间在匹配速率下并非“常数最优”，而是“率最优”。

四、开放问题

  1. 最优欠尺寸检验的设计：作者在结论中提到，当偏倚界主导时，恢复功效的唯一途径是放松严格诚实性，例如接受一个欠尺寸检验（undersized test）。但如何设计这样的检验？最优的欠尺寸检验应该是什么形式？其功效与覆盖率的权衡如何刻画？扎根点：Section 5 最后一句：“Quantifying when the bound can be credibly tightened, and characterising the optimal undersized test are natural next steps for research.”

  2. 近似混淆情形下的全类前沿：在 RD 等近似混淆设定中，作者给出了偏倚感知区间（属于仿射类）的功效，以及全类的前沿 Φ(s(ξ) - z_{1-α})（Proposition 3）。但全类前沿是否可被某个具体的诚实程序达到？如果不可达到，那么可达到的最优程序是什么？扎根点：Section 2.3 中关于 RD 的讨论，以及 Proposition 3 的“attained”声明（“over convex classes and linear functionals the bound is attained”），但 RD 中的函数类是否凸？线性泛函是否满足？

  3. 弱因子模型中的 s(u) 显式形式：作者指出，在弱因子模型中，s(0) = 0（因子在检测边界处不可检测），但未给出 s(u) 的显式形式或领先项。这限制了 Theorem 5 在弱因子模型中的定量应用。能否推导出 s(u) 的显式形式（或至少其领先阶）？扎根点：Section 2.3 中关于弱因子的讨论：“The factor model is the one non-convex instance, where the modulus machinery does not apply. ... not a closed-form leading term, which is not claimed here.”

  4. 将框架推广到更复杂的因果推断设定：本文的框架假设了一个标量参数 β 和一个标量偏倚界 B̄。在更复杂的设定中（如多个处理、多个工具变量、动态处理效应），偏倚可能是多维的，死区的概念如何推广？扎根点：本文的四个例子（DiD、IV、RD、因子模型）都是标量设定，但作者在引言中提到了“proximal causal inference”等更复杂的设定。这是一个自然的推广方向，但需要先在 identification theory 上巩固（如研究者 moderately_familiar 的领域）。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论