Double Robustness of Local Projections and Some Unpleasant VARithmetic¶

作者: José Luis Montiel Olea, Mikkel Plagborg-Møller, Eric Qian, Christian K. Wolf
来源: Econometrica
主题: 经济理论 / 应用
相关性: 8/10
机构绿灯: Cornell University（US News 前 50，免分进入精读）
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向要解决的根本问题是：在宏观经济学中，如何从时间序列数据中可靠地推断一个结构性冲击（如货币政策、财政政策）对经济变量（如产出、通胀）的动态因果效应（即脉冲响应函数，Impulse Response Function, IRF），当研究者对数据生成过程（DGP）的真实滞后结构（lag length）不确定时。核心矛盾在于：常用的向量自回归（VAR）模型假设已知正确的滞后阶数，但实际中这一假设几乎必然被违反（misspecification）；而局部投影（LP）方法则通过直接对未来结果进行回归来估计IRF，被认为对误设定更稳健，但其理论性质此前未被充分理解。当前该方向的成熟度处于从经验直觉走向严格理论证明的阶段，本文是这一进程中的关键一步。

发展脉络（history）¶

奠基工作： - Sims (1980) 引入VAR作为宏观经济因果推断的标准工具。VAR通过拟合一个有限阶的线性自回归模型来近似DGP，然后通过冲击识别（如Cholesky分解）得到IRF。其核心假设是：选择的滞后阶数 p 足以捕捉DGP的全部动态依赖。 - Jordà (2005) 提出局部投影（LP）方法：直接对每个未来时期 h 分别回归 y_{t+h} 对当前冲击 x_t 和一组控制变量（通常是 y_t 的滞后项）。LP的直觉是：它不对DGP的全局结构做强假设，因此对误设定更稳健。但早期文献主要依赖模拟和直觉来支持这一观点。

主要进展： - Montiel Olea & Plagborg-Møller (2021) 首次严格证明了LP推断的一个关键稳健性：在高度持久（persistent）数据（包括单位根）和长响应视界下，滞后增广（lag-augmented）的LP 使用正态临界值即可获得渐近有效的置信区间。这为LP的稳健性提供了第一个正式的理论基础。 - Li, Plagborg-Møller, & Wolf (2024) 通过一个覆盖数千个DGP的大规模模拟研究，系统刻画了LP与VAR之间的偏差-方差权衡：LP偏差更低，但方差显著更大（尤其是在中长视界）。他们发现，如果研究者压倒性地优先考虑偏差（即覆盖的准确性），LP是首选；如果也关心精度，VAR（尤其是贝叶斯VAR）更优。 - Inoue & Kilian (2019) 建立了VAR推断的均匀渐近有效性（uniform validity），但他们的结果依赖于一个关键条件：VAR的滞后阶数必须足够大（通过滞后增广）以保证秩条件成立。这暗示了VAR的稳健性依赖于足够长的滞后。

当前Frontier与本文位置： - 当前frontier的核心问题是：LP的“稳健性”到底有多强？它是否具有类似于半参数估计中“双稳健性”（double robustness）的性质？ 以及，VAR的误设定问题在什么条件下是致命的？ - 本文（Montiel Olea, Plagborg-Møller, Qian, & Wolf, 2024） 直接回答了这两个问题。它在一个局部误设定（locally misspecified） 的VAR框架下，证明了LP置信区间具有双稳健性：即使误设定大到可以被统计检验以概率1检测到，LP的覆盖仍然正确。相反，VAR置信区间在误设定很小、统计上难以检测、且经济理论无法排除时，覆盖严重不足。本文的核心贡献是将LP的稳健性从“经验直觉”提升到了“严格的双稳健性理论”，并揭示了VAR误设定问题的严重性。

子线索聚类¶

这些被引文献大致落在以下三条子线索上：

LP与VAR的偏差-方差权衡与模拟比较：核心是量化两种方法在有限样本下的表现。
- Li, Plagborg-Møller, & Wolf (2024)：大规模模拟，发现LP低偏差、高方差。
- Herbst & Johannsen (2024)：指出LP在小样本下存在严重偏差，并提出了偏差校正方法。
- González-Casasús & Schorfheide (2025)：提出在误设定下选择VAR收缩参数和滞后阶数的风险准则，并允许在VAR和LP之间进行选择。
LP推断的稳健性理论：为LP的稳健性提供严格的渐近理论基础。
- Montiel Olea & Plagborg-Møller (2021)：证明滞后增广LP在持久数据和长视界下的均匀有效性。
- 本文 (Montiel Olea et al., 2024)：证明LP的双稳健性，并揭示VAR在局部误设定下的覆盖缺陷。
VAR推断的稳健性与误设定问题：研究VAR方法在模型误设定下的表现和补救措施。
- Inoue & Kilian (2019)：建立VAR推断的均匀有效性，但依赖于足够长的滞后。
- Armstrong & Kolesár (2021)：提出在近似矩条件下通过调整临界值来补偿偏差的通用方法，可作为VAR覆盖不足的补救措施。
- Nakamura & Steinsson (2018) 和 Ramey (2016)：作为综述性文献，强调了LP相对于VAR的稳健性，但缺乏理论证明。

这个方向在追问的核心问题¶

LP的“稳健性”究竟指什么？ 是偏差更小、覆盖更准确，还是对特定类型的误设定不敏感？本文将其形式化为“双稳健性”。
VAR的误设定问题有多严重？ 在什么条件下（滞后阶数、误设定大小、样本量）VAR的推断会失效？本文指出，即使误设定很小，只要VAR的滞后阶数不够长，覆盖就可能严重不足。
如何在实际应用中选择LP和VAR？ 是否存在一个统一的框架来指导选择？Li et al. (2024) 的模拟和本文的理论都指向一个结论：如果目标是稳健的推断（而非最小化MSE），LP是更安全的选择，而VAR只有在使用足够长的滞后（以至于等价于LP）时才可靠。

⚠️ 作者的framing¶

作者将缺口frame成：“尽管LP的稳健性被广泛认可，但缺乏严格的理论证明。本文首次证明了LP的‘双稳健性’，并揭示了VAR在局部误设定下的‘不稳健性’。” 作者通过引入“局部误设定”框架（即真实DGP与VAR模型之间的偏差以 1/√T 的速度收缩），使得渐近分析可以同时捕捉到“误设定存在”和“误设定难以检测”这两种情况。这让他们能够证明LP的覆盖在误设定大到可被检测时仍然正确（双稳健性），而VAR的覆盖则在误设定小到难以检测时失效。

被淡化或回避的竞争路线： - 贝叶斯VAR（BVAR）：作者在引言中承认BVAR在模拟中表现良好（Li et al., 2024），但本文的理论分析主要针对最小二乘VAR（LS-VAR）。作者将BVAR的优越性归因于其收缩性质，但并未在理论框架中处理BVAR。这意味着，对于使用BVAR的应用者，本文的警告可能不那么直接。 - 偏差校正方法：作者提到了Herbst & Johannsen (2024) 对LP的偏差校正，以及Armstrong & Kolesár (2021) 对VAR的临界值调整，但并未将这些方法纳入其核心理论比较。本文的核心是比较“未经校正的”LP和VAR的置信区间。

什么明显该被引/该存在、却没出现在intro里？ - 关于“双稳健性”的更一般半参数理论：作者将LP的双稳健性与Belloni & Chernozhukov (2013) 和 Chernozhukov et al. (2018) 的post-Lasso / DML文献联系起来。但更直接相关的可能是Ichimura & Newey (2022) 关于“局部稳健半参数估计”的综述，该文系统讨论了正交矩（orthogonal moment）和双稳健性的构造。本文的LP双稳健性可以看作是该一般理论的一个特例。作者没有引用这篇综述，可能是因为它更偏重横截面/面板数据，而非时间序列。 - 关于“局部误设定”框架的更早应用：作者引用了Armstrong & Kolesár (2021) 在近似矩条件下的工作。但“局部误设定”框架在时间序列计量经济学中也有应用，例如Andrews & Guggenberger (2009) 关于“局部误设定”下检验的稳健性。作者没有引用这类文献，可能是因为他们的框架更直接地借鉴了半参数文献。

张力： 未见明显对立引用。所有被引工作基本都承认LP更稳健、VAR偏差更小但方差更小，只是对“哪个更好”的结论取决于研究者的目标（最小化偏差 vs. 最小化MSE）。本文的贡献在于为这种权衡提供了一个严格的理论基础，并强调了在“稳健推断”这一目标下LP的压倒性优势。

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：
- y_t：n × 1 向量，在时间 t 观测到的宏观经济变量（如产出、通胀、利率）。这是可观测的。
- ε_t：n × 1 向量，结构性冲击（structural shocks），如货币政策冲击。这是潜在（不可观测）的，需要通过识别假设（如Cholesky分解）从 y_t 中恢复。
- h：响应视界（horizon），即冲击发生后第 h 期。
- p：VAR模型的滞后阶数。
- T：样本量（时间序列长度）。
- θ_h：n × n 矩阵，表示在视界 h 的脉冲响应函数（IRF），即 ∂E[y_{t+h} | 过去信息] / ∂ε_t。这是要估计的因果参数（estimand）。
- β_h：LP回归系数，即 y_{t+h} 对 ε_t（或其代理变量，如 y_t 的某个特定元素）的回归系数。在正确设定下，β_h = θ_h。
- Φ(L)：n × n 的滞后多项式矩阵，表示VAR的系数。
模型：
- 真实DGP：假设真实数据由一个无限阶的VAR（VAR(∞)）生成：y_t = Σ_{j=1}^{∞} A_j y_{t-j} + ε_t。这是最一般的线性表示。
- 研究者使用的模型：研究者估计一个有限阶的VAR(p)：y_t = Σ_{j=1}^{p} Φ_j y_{t-j} + u_t。这里 u_t 是VAR的残差，包含了被截断的滞后项的影响。
- 局部误设定：核心假设是，真实DGP与VAR(p)模型之间的偏差是“局部的”，即 Σ_{j=p+1}^{∞} A_j = O(1/√T)。这意味着误设定的大小随着样本量增加而缩小，但在任何有限样本中都是非零的。这个框架允许渐近分析同时涵盖“误设定存在”和“误设定难以检测”的情况。
可观测数据：
- 可观测的：时间序列 {y_1, ..., y_T}。研究者可以计算其滞后项 y_{t-1}, ..., y_{t-p}。
- 想要但观测不到的：结构性冲击 ε_t。研究者必须通过识别假设（如递归识别，即Cholesky分解）从VAR残差 u_t 中恢复出 ε_t 的一个特定元素（例如，货币政策冲击）。本文的讨论假设识别方案已给定，重点在于估计IRF时的误设定问题。

第二步：讲最小内核¶

本文的核心思想可以用一个单变量、AR(1)误设定的最简例子来理解。

最简特例： - 假设真实DGP是一个AR(2)过程：y_t = 0.5 y_{t-1} + 0.3 y_{t-2} + ε_t。 - 但研究者错误地假设了一个AR(1)模型：y_t = φ y_{t-1} + u_t。 - 研究者关心的是冲击 ε_t 对 y_{t+1} 的脉冲响应，即 θ_1 = ∂E[y_{t+1} | ε_t] / ∂ε_t。在真实AR(2)下，θ_1 = 0.5。

LP方法：直接回归 y_{t+1} = β_1 y_t + error。由于 y_t 与 y_{t-1} 相关，而 y_{t-1} 被遗漏在回归中，这个回归存在遗漏变量偏差（OVB）。OVB的大小取决于 y_t 与 y_{t-1} 的相关性以及 y_{t-1} 对 y_{t+1} 的真实影响（即0.3）。在局部误设定框架下，这个OVB是 O(1/√T) 量级的。

VAR方法：估计AR(1)模型得到 φ̂，然后计算脉冲响应为 φ̂。由于AR(1)是误设定的，φ̂ 是真实AR(2)参数的一个有偏估计。这个偏差也是 O(1/√T) 量级的。

核心对比（本文的关键洞察）： - LP的“双稳健性”：LP的置信区间基于 β̂_1 和其标准误。即使存在OVB（即误设定），只要LP回归中控制了 y_t（即最重要的滞后），那么OVB对 β̂_1 的影响是“二阶的”。更精确地说，β̂_1 的偏差是 O(1/T)，而它的方差是 O(1/T)。因此，偏差相对于标准差是 O(1/√T) 的，在渐近上可以忽略。所以，即使误设定大到可以被一个 √T 一致性的检验检测到，LP的置信区间仍然有正确的渐近覆盖。这就是“双稳健性”：只要控制了正确的变量（这里是 y_t），对额外滞后项的误设定是“稳健”的。 - VAR的“不稳健性”：VAR的脉冲响应估计 φ̂ 的偏差也是 O(1/T)，但它的方差也是 O(1/T)。然而，关键区别在于，VAR的偏差会通过非线性变换（从 φ̂ 到 φ̂^h）被放大。对于 h>1，φ̂^h 的偏差是 O(h/T)，而方差是 O(h^2/T)。因此，偏差相对于标准差是 O(1/√T) 的，在渐近上同样可以忽略。但是，本文证明，对于VAR置信区间，偏差对覆盖的影响是“一阶”的。即使偏差在量级上小于标准差，它也会导致置信区间的覆盖概率系统地偏离名义水平。这是因为VAR置信区间的构造依赖于 φ̂ 的渐近正态性，而偏差会扭曲其中心位置。在局部误设定下，这个扭曲足以导致覆盖不足。

一句话总结这个最小内核：在局部误设定下，LP的偏差是“二阶”的（相对于其标准差），因此不影响渐近覆盖；而VAR的偏差虽然也是“二阶”的，但它对覆盖的影响是“一阶”的，导致覆盖不足。这个差异源于两种方法对参数的非线性依赖程度不同：LP是线性回归，而VAR的IRF是估计系数的非线性函数。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在局部误设定的VAR模型下，比较LP和VAR两种方法对脉冲响应函数进行推断的稳健性。
核心工具/方法：使用“局部误设定”渐近框架（真实DGP与VAR(p)模型的偏差以 1/√T 的速度收缩），并借鉴半参数估计中的“双稳健性”概念来分析LP和VAR置信区间的渐近覆盖概率。
主要结论：LP置信区间具有双稳健性——即使误设定大到可被检测，其覆盖仍然正确；而VAR置信区间在误设定很小、统计上难以检测时，覆盖严重不足。VAR只有在滞后阶数大到使其区间宽度与LP相当时，才能获得稳健覆盖。

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：考虑一个 n 维平稳时间序列 y_t。真实DGP是一个VAR(∞)过程。研究者估计一个VAR(p)模型，其中 p 是固定的（不随 T 增长）。脉冲响应 θ_h 是研究者感兴趣的参数，通过递归识别（如Cholesky分解）从VAR的残差中识别。
假设1（局部误设定）：真实DGP的系数 A_j 与VAR(p)模型的系数 Φ_j 之间的差异，在滞后 j > p 上以 O(1/√T) 的速度衰减。形式化地，Σ_{j=p+1}^{∞} A_j = C / √T + o(1/√T)，其中 C 是一个常数矩阵。这个假设是本文理论的核心，它允许误设定在渐近上既不消失（否则VAR是正确设定的），也不太大（否则任何方法都会失败）。
假设2（平稳性）：真实DGP和VAR(p)模型都生成平稳过程。这保证了中心极限定理和一致大数定律的适用。
假设3（识别）：冲击的识别方案（如Cholesky分解）是正确指定的。这意味着，即使VAR模型是误设定的，研究者用来恢复结构性冲击的短期限制（如货币政策冲击对产出没有即时影响）在真实DGP下也成立。这个假设将焦点完全集中在“滞后结构误设定”对IRF估计的影响上，排除了识别错误带来的混淆。

与已有文献的对比： - 相比Montiel Olea & Plagborg-Møller (2021)：本文的框架更一般，允许误设定是“局部的”而非完全不存在。Montiel Olea & Plagborg-Møller (2021) 证明的是在正确设定或特定持久性下的稳健性，而本文证明了在任何局部误设定下的稳健性。 - 相比Li, Plagborg-Møller, & Wolf (2024)：本文提供了模拟结果背后的理论解释。Li et al. (2024) 的模拟发现LP偏差更小，本文的理论则解释了为什么这个更小的偏差对推断的覆盖如此重要。

主要结果¶

定理1（LP的双稳健性）：在局部误设定假设下，基于LP估计量 β̂_h 构建的 (1-α) 置信区间 [β̂_h ± z_{α/2} * SE(β̂_h)] 具有渐近正确的覆盖概率，即 lim_{T→∞} P(θ_h ∈ [β̂_h ± z_{α/2} * SE(β̂_h)]) = 1-α。 - 直觉：LP估计量的偏差是 O(1/T)，而标准差是 O(1/√T)。因此，偏差相对于标准差是 o(1)，在构造置信区间时可以忽略。这个性质类似于部分线性回归中，对非参数部分的误设定不会影响参数部分的估计。 - 必要条件：LP回归必须包含 y_t 的至少一阶滞后作为控制变量（即“滞后增广”）。这确保了遗漏变量偏差是二阶的。 - 解决的技术难点：证明的关键在于，在局部误设定下，LP回归的误差项是序列相关的（因为遗漏了高阶滞后项）。作者需要证明，即使使用异方差和自相关一致（HAC）标准误，置信区间的覆盖仍然是正确的。这需要仔细控制HAC估计量的渐近偏差。

定理2（VAR的不稳健性）：在局部误设定假设下，基于VAR(p)估计量构建的 (1-α) 置信区间，其渐近覆盖概率严格小于 1-α，除非 p 足够大（以至于VAR模型近似正确）。 - 直觉：VAR估计量 φ̂ 的偏差是 O(1/T)，但脉冲响应 θ̂_h = f(φ̂) 的偏差通过非线性函数 f 被放大。更重要的是，这个偏差会导致置信区间中心位置的系统性偏移，而标准误无法捕捉到这个偏移。因此，覆盖概率下降。 - 必要条件：VAR的滞后阶数 p 必须足够大，使得 Σ_{j=p+1}^{∞} A_j = o(1/√T)（即误设定是渐近可忽略的），VAR的覆盖才能恢复。这等价于要求VAR的滞后阶数大到使其区间宽度与LP区间相当。 - 解决的技术难点：证明VAR覆盖不足需要推导出覆盖概率的精确渐近表达式，并证明它小于名义水平。这涉及到对VAR估计量的偏差进行高阶展开，并分析其对IRF非线性变换的影响。

推论（VAR与LP的等价性）：当VAR的滞后阶数 p 随着样本量 T 增长到无穷（例如，p → ∞ 且 p/T → 0）时，VAR的置信区间与LP的置信区间渐近等价，并且都具有正确的覆盖。这为“使用长滞后VAR”的建议提供了理论基础。

证明路线与技术技巧¶

整体路线： 1. 建立局部误设定框架：将真实DGP表示为VAR(p)模型加上一个 O(1/√T) 的偏差项。这允许对LP和VAR估计量的偏差进行精确的渐近分析。 2. 分析LP估计量的渐近分布： - 将LP回归的误差项分解为两部分：VAR(p)模型的残差和由遗漏高阶滞后项引起的偏差项。 - 证明偏差项是 O_p(1/T)，而方差项是 O_p(1/T)。因此，偏差相对于标准差是 o_p(1)。 - 应用中心极限定理，得到LP估计量的渐近正态性，其均值就是真实脉冲响应 θ_h。 - 证明HAC标准误是一致估计，从而置信区间具有正确覆盖。 3. 分析VAR估计量的渐近分布： - 证明VAR(p)的系数估计 φ̂ 具有 O(1/T) 的偏差。 - 通过Delta方法，推导出脉冲响应估计 θ̂_h = f(φ̂) 的渐近分布。关键步骤是计算 f 的雅可比矩阵，并证明偏差项通过这个雅可比矩阵传播。 - 证明 θ̂_h 的渐近均值不是 θ_h，而是 θ_h + b_h / T，其中 b_h 是一个非零的偏差项。 - 因此，基于 θ̂_h 和其标准误构建的置信区间会围绕一个错误中心，导致覆盖不足。 4. 比较与结论：通过对比LP和VAR的渐近覆盖概率，得出LP具有双稳健性而VAR不稳健的结论。

关键跳跃点： - 从“偏差是 O(1/T)”到“偏差不影响LP覆盖”：这个跳跃依赖于一个关键观察：LP的置信区间是中心化的（centered at β̂_h），而 β̂_h 的偏差是 O(1/T)，小于其标准差 O(1/√T)。因此，偏差在构造区间时被“淹没”了。对于VAR，虽然偏差也是 O(1/T)，但置信区间的中心 θ̂_h 的偏差通过非线性变换被放大，并且这个偏差与标准误是同阶的（都是 O(1/√T)），因此不能被忽略。 - 处理HAC标准误：在局部误设定下，LP回归的误差项是序列相关的。作者需要证明，即使使用HAC标准误，其估计误差也不会破坏LP置信区间的覆盖性质。这需要用到HAC估计量在局部误设定下的一致性理论。

技术技巧点名： - 局部误设定框架：借鉴了半参数文献中“局部 misspecification”的思想（如Andrews & Guggenberger, 2009; Armstrong & Kolesár, 2021），将误设定参数化为 O(1/√T)，使得渐近分析可以同时处理“误设定存在”和“误设定难以检测”的情况。 - 高阶渐近展开（Higher-order asymptotics）：为了精确刻画VAR覆盖的不足，作者使用了高阶Edgeworth展开，推导出覆盖概率的 O(1/√T) 修正项。这比标准的一阶渐近理论更精细。 - Delta方法：用于将VAR系数估计的渐近分布转化为脉冲响应估计的渐近分布，并计算偏差的传播。 - HAC估计：用于处理LP回归中序列相关的误差项，构造稳健的标准误。

真实例子与应用¶

本文包含一个模拟研究和一个实证应用。

模拟研究：作者校准了一个四变量的VAR模型，使其参数接近美国宏观经济数据（产出、通胀、利率、货币供给）。然后，他们通过故意省略一个重要的滞后项来引入局部误设定。他们比较了LP和VAR（使用不同滞后阶数）的置信区间覆盖概率。
- 结果：模拟结果与理论预测高度一致。LP置信区间（使用HAC标准误）的覆盖概率始终接近名义水平（95%），无论误设定的大小如何。而VAR置信区间（使用标准渐近标准误）在误设定存在时，覆盖概率显著下降（例如，降至80%以下）。只有当VAR的滞后阶数增加到与LP的滞后阶数相当时，其覆盖才恢复。
- 这个例子想说明：理论结果在有限样本中也是成立的，并且误设定对VAR覆盖的破坏是严重且普遍的。
实证应用：作者复现了Känzig (2021) 关于OPEC石油供应新闻对宏观经济影响的研究。Känzig (2021) 使用LP方法估计脉冲响应。作者展示了，如果使用VAR方法（使用Känzig原文中类似的滞后阶数），得到的置信区间会窄得多，但根据本文的理论，这些窄区间很可能是不可靠的（覆盖不足）。作者通过一个“安慰剂检验”（placebo test）来支持这一观点：他们发现，VAR方法有时会错误地检测到“显著”的脉冲响应，即使是在冲击不应该有影响的时期（如冲击发生之前）。
- 这个例子想说明：本文的理论警告在实际应用中并非杞人忧天。在真实的宏观经济研究中，使用VAR可能产生虚假的显著性，而LP则提供了更可靠的推断。

🔎 结论是否比证明窄¶

结论：本文的结论是“LP置信区间具有双稳健性，而VAR置信区间在局部误设定下覆盖不足”。
证明范围：证明严格依赖于局部误设定框架（偏差为 O(1/√T)）和线性DGP假设。对于全局误设定（偏差不随 T 缩小）或非线性DGP，本文的结论是否成立是未证明的。作者在结论部分明确提到了这一点，将其作为未来工作。
泛化claim：作者在引言和结论中有时会使用更宽泛的语言，如“LP推断更可靠”。这可以被视为对证明结论的合理外推，但严格来说，其证明只覆盖了局部线性误设定的情况。对于非线性或全局误设定，LP的稳健性可能不如本文所述的那样强。

四、开放问题¶

非线性DGP下的双稳健性：本文的证明严格依赖于线性VAR框架。对于非线性DGP（如平滑转换VAR、门限VAR），LP是否仍然具有双稳健性？VAR的覆盖不足问题是否更严重？扎根点：本文结论部分提到“我们的分析局限于线性模型”。
全局误设定下的推断：当误设定是“全局”的（即偏差不随 T 缩小，例如真实DGP是一个MA过程，而研究者使用VAR），LP和VAR的表现如何？是否存在一个统一的框架来刻画这种更严重的误设定？扎根点：本文的局部误设定假设是核心，它排除了全局误设定的情况。
与DML/双稳健性文献的更深层联系：本文将LP的双稳健性与Belloni & Chernozhukov (2013) 的post-Lasso联系起来。一个自然的开放问题是：能否将LP嵌入到去偏置机器学习（DML） 框架中，从而允许使用更灵活的非参数方法（如随机森林、神经网络）来控制混淆变量，同时保持双稳健性？扎根点：本文引言中提到了与DML文献的联系，但并未深入探讨。
最优滞后阶数选择：本文建议VAR使用长滞后以达到与LP相当的稳健性。但“多长才算长”是一个依赖于未知DGP的问题。是否存在一个数据驱动的方法来选择VAR的滞后阶数，使其在保持稳健性的同时，尽可能缩小置信区间？扎根点：本文的推论指出VAR与LP在长滞后下等价，但未提供选择滞后阶数的具体准则。

Maintained by 陈星宇 · Homepage · Source on GitHub