Counterfactual Sensitivity and Robustness¶

作者: Timothy Christensen, Benjamin Connault
来源: Econometrica
主题: 因果推断
相关性: 8/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向关注的是结构模型（structural models）中反事实预测（counterfactual predictions）对潜变量分布参数假设的敏感性分析。核心问题是：当研究者对潜变量分布施加了一个参数化假设（例如，假设误差项服从正态分布）时，由此得到的反事实预测（如政策变化后的市场均衡结果）对这个假设的偏离有多敏感？更具体地说，如果允许潜变量分布在一个“非参数邻域”内变化（即，不局限于参数形式，但又不完全自由），反事实量的识别区间（identified set）会如何变化？这个方向处于参数结构估计与非参数部分识别的交汇处，其成熟度属于方法论正在快速发展的阶段，但尚未形成统一框架。

发展脉络（history）¶

奠基工作：非参数部分识别与边界方法
- Manski (2007, 2014)：开创性地使用单调性、形状约束等弱假设来推导反事实量的非参数边界，而不对潜变量分布做参数假设。这为“不依赖参数假设”的稳健推断奠定了基础，但其边界往往很宽，信息量有限。
- Torgovitsky (2019b)：提出了“子分布扩展”（extending subdistributions）的通用方法，将一大类部分识别模型的sharp identified set刻画为线性系统。这为计算非参数边界提供了强大的工具，但计算复杂度可能很高。
主要进展：局部误设定与稳健推断
- Andrews, Gentzkow, and Shapiro (2017, 2020)：开创性地研究了参数估计对矩条件（moment conditions）局部误设定的敏感性。他们提出的“informativeness”度量，试图量化模型假设对估计量的影响。本文引用语境指出，他们的工作与本文的设定不同（关注矩条件而非潜变量分布）。
- Armstrong and Kolesár (2021)：在局部误设定的矩条件模型下，推导了近最优的置信区间，并给出了渐近效率界。这为“在模型可能错误的情况下如何做推断”提供了理论基准。
- Bonhomme and Weidner (2021)：提出了一个框架，在局部误设定下构造最小化均方误差的minimax估计量，并提供了对误设定稳健的置信区间。他们的方法基于一步调整（one-step adjustments），与本文的优化思路不同。
当前 Frontier：分布鲁棒优化与全局敏感性分析
- Duchi and Namkoong (2021), Shapiro (2017)：将分布鲁棒优化（DRO）引入统计学习，通过在一个以参考分布为中心的“不确定性集”（通常由f-散度定义）内优化最坏情况下的性能，来学习对分布偏移稳健的模型。本文的方法在精神上与DRO相似，但关键区别在于：DRO通常优化一个目标函数（如期望损失），而本文优化的是由结构模型（如均衡条件）隐式定义的反事实量。
- Ho (2018)：在贝叶斯框架下，使用相对熵（KL散度）定义先验的邻域，进行全局先验敏感性分析。这与本文的“非参数邻域”思路类似，但本文是频率学派框架，且处理的是由模型约束定义的更复杂的目标函数。
本文的位置：本文提出一个通用框架，将“在潜变量分布的非参数邻域内优化反事实量”这个无穷维问题，转化为一个有限维凸规划。这使得计算变得可行。它填补了“参数假设下的点估计”与“完全非参数的部分识别”之间的空白：当邻域尺寸为0时，退化为参数点估计；当邻域尺寸趋于无穷时，收敛到非参数sharp边界。本文的贡献在于提供了一个可计算的、连续的敏感性分析工具，而不是一个二元的“假设成立/不成立”检验。

子线索聚类¶

局部误设定与敏感性度量：关注参数模型（尤其是矩条件模型）对微小偏离的敏感性。代表工作：Andrews et al. (2017, 2020), Armstrong and Kolesár (2021), Bonhomme and Weidner (2021)。核心工具：渐近理论、效率界、minimax估计。
非参数部分识别与边界计算：在弱假设下推导反事实量的sharp identified set。代表工作：Manski (2007, 2014), Torgovitsky (2019b), Allen and Rehbeck (2019), Galichon and Henry (2011)。核心工具：线性规划、最优传输理论、子分布扩展。
分布鲁棒优化（DRO）：在由散度定义的不确定性集内优化最坏情况下的性能。代表工作：Duchi and Namkoong (2021), Shapiro (2017)。核心工具：凸分析、对偶理论、经验过程理论。
结构模型中的反事实推断：专门针对动态离散选择（DDC）模型、匹配模型等复杂结构模型的反事实预测。代表工作：Aguirregabiria (2005), Norets and Tang (2014), Galichon and Salanié (2015)。核心工具：动态规划、均衡条件、MPEC。

这个方向在追问的核心问题¶

如何量化反事实预测对潜变量分布假设的敏感性？ 当前主流方法是进行局部敏感性分析（如Andrews et al.）或计算完全非参数边界（如Manski）。前者信息量有限，后者边界可能过宽。本文试图提供一个中间地带。
如何将无穷维的优化问题转化为可计算的有限维问题？ 这是计算上的核心瓶颈。Torgovitsky (2019b) 的线性规划方法在模型复杂时可能失效。本文的凸规划转化是一个关键突破。
如何在敏感性分析中进行有效的统计推断？ 当目标是一个区间（bounds）而非一个点时，如何构造置信区间？Armstrong and Kolesár (2021) 和本文都提出了各自的推断方法。
如何将敏感性分析扩展到由均衡条件定义的模型（如匹配模型、DDC模型）？ 这些模型的反事实量是内生决定的，计算更为复杂。本文的MPEC版本正是为了解决这个问题。

⚠️ 作者的 framing¶

作者的缺口：作者将缺口frame为“现有敏感性分析方法要么局限于局部误设定（如Andrews et al.），要么针对特定模型（如Norets and Tang），缺乏一个通用的、可计算的框架来处理结构模型中潜变量分布的全局非参数扰动”。他们将自己定位为填补这个空白。
被淡化/回避的竞争路线：
- 贝叶斯方法：如Kline and Tamer (2016) 和 Ho (2018) 的贝叶斯敏感性分析。作者在引言中提到了Ho (2018)，但将其归为“贝叶斯”路线，并暗示其计算依赖于MCMC，可能不如本文的凸规划高效。作者没有深入讨论贝叶斯方法在处理模型不确定性上的哲学优势。
- 完全非参数方法：如Torgovitsky (2019b) 的线性规划。作者承认其边界是“sharp”，但指出其计算可能“prohibitive”，且无法自然地引入参数假设作为“锚点”。本文的框架可以看作是参数假设与非参数边界的“插值”。
什么明显该被引/该存在、却没出现在intro里？
- 关于计算复杂度的讨论：本文的核心贡献是计算可行性，但引言中没有引用任何关于凸规划计算复杂度（如内点法的复杂度界）或大规模优化的文献。对于一个声称“可计算”的框架，这有点奇怪。
- 关于“非参数邻域”的几何性质：本文使用f-散度（如KL散度、Hellinger距离）定义邻域。但引言中没有引用关于不同f-散度在敏感性分析中的性质比较的文献（例如，KL散度对分布尾部不敏感，而Wasserstein距离则更敏感）。这可能是作者有意简化，但值得研究者去查。

张力¶

未见明显对立引用。所有被引工作都在不同维度上推进了“如何应对模型不确定性”这个总问题，彼此之间是互补关系而非矛盾关系。

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：结构参数（structural parameter），是研究者感兴趣的、需要估计或推断的有限维参数。例如，效用函数中的系数。
- F：潜变量的联合分布（joint distribution of latent variables），是一个无穷维参数。例如，消费者异质性（如对价格的敏感度）的分布。
- G：可观测数据的分布（distribution of observable data），由θ和F通过一个已知的结构模型（structural model）映射得到。即 G = M(θ, F)。
- Ψ(θ, F)：反事实量（counterfactual），是研究者最终关心的标量或向量。它是θ和F的一个已知函数。例如，实施某项政策后的市场总剩余。
- F₀：参考分布（reference distribution），是研究者最初假设的潜变量分布（通常是参数化的，如标准正态分布）。
- d(F, F₀) ≤ δ：非参数邻域（nonparametric neighborhood），由某个散度（如KL散度）d定义，所有与F₀的距离不超过δ的分布F的集合。δ是邻域尺寸（neighborhood size），控制偏离程度。
- P₀：真实的数据生成分布（true data generating distribution），是未知的。
模型：
- 数据生成机制：可观测数据X由结构模型M生成：X ~ M(θ*, F*)，其中(θ*, F*)是真实但未知的结构参数和潜变量分布。
- 识别假设：研究者假设结构模型M是正确的，即存在某个(θ, F)使得M(θ, F)与观测数据的分布P₀匹配。但研究者对F的形式（如参数族）不确定。
- 目标：在保持模型M的结构不变的前提下，对于给定的θ，计算当F在邻域d(F, F₀) ≤ δ内变化时，反事实量Ψ(θ, F)的可能取值范围（即下界和上界）。
可观测数据：
- 可观测：研究者有一个来自P₀的独立同分布样本{X₁, ..., Xₙ}。例如，在匹配模型中，可观测到的是配对结果和参与者的可观测特征。
- 想要但观测不到：潜变量F（如参与者的不可观测偏好）和真实的结构参数θ。反事实量Ψ(θ, F)本身也是不可观测的，因为它对应的是一个未发生的政策情景。

第二步：讲最小内核¶

最简特例：线性工具变量（IV）模型中的单个参数

考虑最简单的线性IV模型： Y = θD + U Z 是工具变量，满足 E[U|Z] = 0。这里： * θ 是标量结构参数（处理效应）。 * F 是 (U, D, Z) 的联合分布。参考分布 F₀ 假设 U 服从均值为0、方差为 σ² 的正态分布，且与 (D, Z) 独立。 * 可观测数据：(Y, D, Z) 的样本。 * 反事实量 Ψ(θ, F)：就是 θ 本身（我们关心的是这个参数对误差分布假设的敏感性）。

核心问题：如果真实误差 U 的分布不是正态的，而是与 F₀ 在KL散度上相差 δ，那么 θ 的识别区间是什么？

传统方法： 1. 参数方法：假设 F = F₀，则 θ 由矩条件 E[Z(Y - θD)] = 0 唯一识别，得到点估计 θ̂_IV。 2. 非参数方法：不假设 F 的任何形式，只利用 E[U|Z]=0。此时 θ 的识别区间是 (-∞, +∞)，因为对于任何 θ，我们都可以构造一个 U = Y - θD 使得 E[U|Z]=0 成立（只要 D 和 Z 相关）。这个边界是“sharp”但毫无信息量。

本文的方法：在两者之间取一个中间地带。我们允许 F 在 F₀ 的KL散度邻域内变化，即 KL(F || F₀) ≤ δ。

数学转化：对于给定的 θ，我们要问：是否存在一个分布 F（即 (U, D, Z) 的联合分布），使得： 1. 模型约束：E_F[Z(Y - θD)] = 0 （即 E_F[U|Z]=0 的矩条件形式）。 2. 邻域约束：KL(F || F₀) ≤ δ。如果存在，那么 θ 就是“可行”的。所有可行 θ 的集合就是 θ 的识别区间。

关键洞察：这个问题可以转化为一个有限维凸规划。 * 首先，固定 θ，我们只需要关心矩条件 E_F[Z(Y - θD)] = 0。这是一个线性约束。 * 在给定矩约束下，最小化/最大化 KL(F || F₀) 是一个经典的最大熵或最小化交叉熵问题。它的对偶问题是一个有限维的无约束凸优化问题（对偶变量是矩条件的拉格朗日乘子）。 * 具体来说，对于给定的 θ，最小可能的KL散度 KL_min(θ) 可以通过求解一个关于标量（或低维向量）λ的凸函数得到： KL_min(θ) = min_λ log E_{F₀}[exp(λ' * Z(Y - θD))] 这个期望是在参考分布 F₀ 下计算的，可以用样本均值近似。 * 然后，θ 是可行的当且仅当 KL_min(θ) ≤ δ。

结论： * 整个问题从“在无穷维分布空间上搜索”变成了“求解一个关于有限维对偶变量λ的凸优化问题”。 * 当 δ=0 时，只有 F=F₀ 可行，得到参数点估计。 * 当 δ→∞ 时，KL_min(θ) 对所有 θ 都为0（因为总可以构造一个分布精确满足矩条件），识别区间退化为 (-∞, +∞)，即非参数边界。 * 对于中间的 δ，我们得到一个连续的、信息量介于参数和非参数之间的识别区间。

这个最小内核清晰地展示了本文的核心思想：通过凸对偶，将关于潜变量分布的无穷维优化问题，转化为一个关于有限维对偶变量的有限维凸规划。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文提出了一个通用框架，用于分析结构模型中反事实预测对潜变量分布参数假设的敏感性。该框架通过允许潜变量分布在一个由f-散度定义的非参数邻域内变化，来推导反事实量的边界。
核心工具/方法：核心工具是凸对偶（convex duality）。作者将关于潜变量分布的无穷维优化问题（受模型约束和邻域约束）转化为一个有限维凸规划。对于由均衡条件定义的模型，还开发了一个MPEC（Mathematical Programming with Equilibrium Constraints）版本以简化计算。
主要结论：作者证明了该转化是精确的，并提出了边界的plug-in估计量和两种推断方法（基于Delta方法和基于bootstrap）。他们还证明，当邻域尺寸趋于无穷时，该边界收敛到反事实量的sharp非参数边界。通过匹配模型和动态离散选择模型两个实证应用展示了方法的适用性。

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： * 结构模型：假设存在一个已知的、将结构参数θ和潜变量分布F映射到可观测数据分布G的模型G = M(θ, F)。这个模型可以是静态的（如匹配模型），也可以是动态的（如DDC模型，其中F包含未来 shocks 的分布）。 * 识别条件：假设模型M是“结构上正确的”，即存在某个(θ*, F*)使得M(θ*, F*)等于真实的数据生成分布P₀。但F*的具体形式未知。 * 参考分布：研究者指定一个参考分布F₀（通常是参数化的，如正态分布），作为敏感性分析的“锚点”。 * 邻域定义：使用f-散度（如KL散度、Hellinger距离、χ²距离）来定义F₀的非参数邻域B(F₀, δ) = {F : D_f(F || F₀) ≤ δ}。δ是研究者选择的标量，控制偏离程度。相比已有文献，本文的邻域是“全局”的（允许分布整体偏离），而非“局部”的（如Andrews et al. 的局部误设定）。 * 目标函数：反事实量Ψ(θ, F)是θ和F的已知函数。本文主要考虑Ψ是F的线性泛函（如期望）的情况，但框架也适用于非线性情况。 * 关键假设： * 凸性：模型约束（如矩条件）和邻域约束（f-散度）需要是凸的，以保证对偶间隙为0。这是该方法可行的核心条件。 * Slater条件：存在一个分布F严格满足模型约束和邻域约束（即存在内点），以保证强对偶成立。 * 正则性：对参考分布F₀和模型M施加一些技术性正则条件，以保证对偶问题的解存在且良好定义。

主要结果¶

本文的理论结果围绕两个核心问题展开：边界的计算和边界的推断。

结果1：边界的凸规划刻画（Theorem 1） * 陈述：对于给定的θ，反事实量Ψ(θ, F)在邻域B(F₀, δ)内的下界L(θ, δ)和上界U(θ, δ)可以通过求解一个有限维凸规划得到。具体地，L(θ, δ) = min_{λ} [λ' * m(θ) + δ * φ(λ)]，其中m(θ)是模型约束（如矩条件）在样本下的取值，φ(λ)是一个与f-散度相关的凸函数（如KL散度下的log E_{F₀}[exp(λ' * g)]）。 * 直觉：这个定理是第二节最小内核的正式版本。它将对F的搜索转化为对偶变量λ的搜索，λ的维度等于模型约束的个数（通常是有限的），从而实现了降维。 * 必要条件：模型约束必须是F的线性泛函（如矩条件），且f-散度是凸的。 * 解决的技术难点：如何将无穷维优化问题转化为有限维问题。作者通过凸对偶和Fenchel-Legendre变换解决了这个问题。

结果2：边界的渐近性质（Theorem 2 & 3） * 陈述：当样本量n → ∞时，基于plug-in估计量L̂(θ, δ)和Û(θ, δ)是L(θ, δ)和U(θ, δ)的一致估计，并且渐近正态。作者给出了渐近方差的表达式。 * 直觉：这为构造置信区间提供了理论基础。由于边界本身是估计出来的，其不确定性来自两部分：一是对θ的估计误差，二是对F₀的估计误差（如果F₀本身也包含未知参数）。 * 必要条件：需要估计量θ̂和F̂₀是√n-一致且渐近正态的。此外，对偶问题的解λ̂也需要是√n-一致的。 * 解决的技术难点：如何处理边界估计量的非标准渐近分布（因为边界是“拐点”）。作者使用了Delta方法（针对方向可微函数，引用Fang and Santos (2014)）和bootstrap两种方法进行推断。

结果3：与非参数边界的联系（Proposition 1） * 陈述：当邻域尺寸δ → ∞时，本文的边界[L(θ, δ), U(θ, δ)]收敛到反事实量Ψ(θ, F)的sharp非参数边界（即在不假设F任何形式下，仅由模型约束决定的最紧边界）。 * 直觉：这保证了本文的框架是“连贯的”，它包含了参数点估计（δ=0）和完全非参数部分识别（δ=∞）作为两个极端情况。δ提供了一个连续的“稳健性-信息量”权衡。 * 必要条件：非参数边界本身是sharp的（即由Torgovitsky (2019b) 的方法刻画）。 * 解决的技术难点：证明当δ很大时，对偶问题的最优解λ会趋于某个极限，使得邻域约束不再起作用。

证明路线与技术技巧¶

整体路线（以Theorem 1为例）： 1. 步骤1：定义原始问题。写出关于F的无穷维优化问题：min_{F} ∫ Ψ(θ, F) dF，约束条件为∫ h(θ, x) dF = 0（模型约束）和D_f(F || F₀) ≤ δ（邻域约束）。 2. 步骤2：引入拉格朗日函数。将模型约束和邻域约束通过拉格朗日乘子λ和μ引入目标函数，形成拉格朗日函数L(F, λ, μ)。 3. 步骤3：求解对偶函数。对于固定的λ和μ，最小化L(F, λ, μ)关于F。由于F是概率分布，这个子问题是一个最小化f-散度下的期望的问题，其解可以通过Gibbs分布或指数倾斜（exponential tilting）显式给出。这一步是核心，它利用了f-散度的凸性和变分表示。 4. 步骤4：得到对偶问题。将步骤3的解代入拉格朗日函数，得到对偶函数g(λ, μ)。然后，原始问题的下界等于对偶问题的最大值：max_{λ, μ} g(λ, μ)。由于强对偶成立（由凸性和Slater条件保证），这个最大值就等于原始问题的最小值。 5. 步骤5：简化对偶问题。通过分析，可以证明最优的μ与δ和λ有简单关系，从而将对偶问题简化为一个关于λ的无约束凸优化问题：min_{λ} [λ' * m(θ) + δ * φ(λ)]。这就是最终的有限维凸规划。

关键跳跃点： * 从无穷维到有限维的跳跃：发生在步骤3。关键在于，对于给定的线性约束，最小化f-散度的最优分布是一个指数族分布，其参数（自然参数）由拉格朗日乘子λ决定。这使得对F的优化被“吸收”进了λ。 * 强对偶的成立：需要验证原始问题是凸的，并且满足Slater条件。作者在附录中给出了详细的正则条件。

技术技巧点名： * 凸对偶（Convex Duality）：整个证明的骨架。使用了Fenchel对偶和Lagrange对偶。 * f-散度的变分表示（Variational Representation of f-divergence）：用于将邻域约束转化为一个可处理的形式，并推导出最优分布的形式。 * 指数倾斜（Exponential Tilting）：在KL散度下，最优分布是参考分布F₀的指数倾斜版本。这是连接对偶变量和原始分布的关键。 * Delta方法（针对方向可微函数）：用于推导边界估计量的渐近分布，因为边界函数在拐点处不可微。引用了Fang and Santos (2014)。 * MPEC（Mathematical Programming with Equilibrium Constraints）：对于DDC模型，反事实量Ψ本身依赖于均衡条件（如值函数），这导致Ψ是F的隐函数。作者将均衡条件也作为约束加入优化问题，形成一个MPEC，然后同样使用对偶技巧处理。

真实例子与应用¶

本文包含两个实证应用，展示了方法的广泛适用性。

应用1：可转移效用匹配模型（Transferable Utility Matching Model） * 数据/场景：使用Galichon and Salanié (2015) 的框架，分析美国婚姻市场的匹配模式。数据来自美国社区调查（ACS），包含夫妻的教育水平、年龄等可观测特征。潜变量是匹配的不可观测“愉悦度”（idiosyncratic utility）。 * 方法应用：作者假设潜变量服从一个参数化的分布（如极值分布，对应Choo and Siow (2006) 的logit模型），然后让这个分布在一个KL散度邻域内变化。他们计算了反事实量——婚姻教育溢价（marital education premium，即高学历者从婚姻中获得的额外效用）——的边界。 * 结果：当允许潜变量分布有微小偏离时，婚姻教育溢价的识别区间迅速变宽。例如，在参数假设下，该溢价被点识别；但当KL散度邻域尺寸δ仅为0.01时，识别区间已经变得很宽，以至于无法得出“教育溢价在上升”的结论。这与Gualdani and Sinha (2020) 的非参数分析结果一致。 * 想说明什么：这个例子展示了参数假设的敏感性。即使是一个看似合理的参数假设（极值分布），其微小偏离也会导致反事实推断的结论发生根本性变化。本文的框架量化了这种敏感性。

应用2：动态离散选择（DDC）模型 * 数据/场景：使用Aguirregabiria and Mira (2010) 的框架，分析一个经典的公交车发动机更换问题（bus engine replacement problem）。管理者决定是否更换老旧的发动机，以最小化运营成本。潜变量是未来成本和收益的随机冲击。 * 方法应用：这是一个更复杂的模型，因为反事实量（如最优更换策略下的期望成本）是通过求解一个动态规划问题（均衡条件）得到的。作者使用了本文的MPEC版本来处理这个内生性。他们假设潜变量（成本冲击）服从正态分布，然后允许其在Hellinger距离邻域内变化。 * 结果：他们计算了反事实量——将更换成本提高20%后，期望成本的百分比变化——的边界。结果显示，即使是很小的分布偏离，也会导致这个反事实量的识别区间显著扩大，从参数假设下的一个点变成一个区间。 * 想说明什么：这个例子展示了本文方法在复杂结构模型（涉及均衡条件）中的适用性。MPEC版本使得计算变得可行。它也再次强调了参数假设在动态模型中的敏感性。

🔎 结论是否比证明窄¶

窄结论1：Theorem 1 的凸规划转化严格依赖于模型约束是线性泛函（如矩条件）。作者在文中提到，对于非线性约束（如分位数约束），对偶转化可能不再精确，需要近似方法。但论文的标题和摘要给人一种“通用框架”的印象，可能会让读者高估其适用范围。
窄结论2：Theorem 2 的渐近正态性依赖于对偶问题解λ̂的√n-一致性。作者在附录中给出了保证这一点的正则条件，但这些条件在实际应用中可能难以验证。特别是当θ接近识别区域的边界时，λ̂的分布可能变得非标准。
窄结论3：Proposition 1 关于收敛到非参数边界的结论，依赖于非参数边界本身是sharp的。对于某些复杂模型，sharp非参数边界可能难以刻画，甚至不存在。因此，这个收敛性结论的实用性可能受到限制。
泛泛claim：作者在引言中声称该方法“broadly applicable”。虽然两个实证例子确实覆盖了不同模型，但这两个模型都属于微观计量经济学中的结构模型。该方法是否适用于其他领域（如宏观经济学中的DSGE模型、流行病学中的传播模型）的敏感性分析，文中没有讨论，这更像是一个conjecture。

四、开放问题¶

非线性模型约束的扩展：本文的核心转化依赖于模型约束是线性的（矩条件）。对于非线性约束（如分位数约束、条件矩约束），如何设计可计算的近似方法？这扎根于Theorem 1的证明中对线性泛函的依赖。
高维θ下的计算与推断：当结构参数θ的维度很高时，对偶问题中的λ维度也会很高，凸规划的计算可能变得困难。此外，对θ进行推断（如构造置信区域）时，如何处理“对θ的搜索”与“对每个θ求解凸规划”之间的嵌套计算？这扎根于论文的实证应用中θ都是低维的。
邻域尺寸δ的选择：本文将δ视为研究者给定的超参数。如何基于数据或领域知识来选择一个有意义的δ？是否存在一个类似于“临界值”的δ，使得反事实量的识别区间从一个点突然变宽？这扎根于论文没有讨论δ的选择标准。
与其他敏感性分析框架的统一：本文的框架与Andrews et al. (2017) 的局部敏感性分析、以及Duchi and Namkoong (2021) 的DRO框架之间，是否存在更深层的理论联系？能否在一个统一的框架下比较它们的优缺点？这扎根于引言中对这些竞争路线的简要提及，但没有深入比较。

Maintained by 陈星宇 · Homepage · Source on GitHub