Partial Identification with Auxiliary Moment Restrictions¶

作者: Behrooz Moosavi Ramezanzadeh, Arie Beresteanu
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2607.21807

一、领域脉络与小综述¶

这个方向是什么¶

本文所在的子方向是部分识别（partial identification） 中针对区间结果变量（interval-valued outcome） 的最佳线性预测（BLP）系数的识别问题。核心统计问题是：当真实结果 $y^*$ 仅被观测到落在区间 $[y_L, y_U]$ 内时，在不附加分布假设的前提下，BLP 系数 $\theta = Q^{-1} \mathbb{E}[\tilde{x} y^*]$ 能被识别到什么程度（即识别区域有多大）？该方向当前成熟度较高：已有完整的随机集刻画（Beresteanu & Molinari, 2008）和闭式方向边界（Stoye, 2007），但实践中常因识别区域过宽而被放弃。本文试图通过引入已知总体矩（数据发布者已公开的聚合信息）来收紧区域，且不增加任何识别假设。

发展脉络（history）¶

奠基工作：Manski & Tamer (2002) 推导了当结果或协变量仅以区间观测时回归函数的非参数边界，奠定了区间数据回归的识别框架。本文全程采用其“区间包含”设定（$P(y_L \le y^* \le y_U)=1$），但将目标从条件期望函数本身转为 BLP 系数。
随机集方法引入：Beresteanu & Molinari (2008) 首次将随机集（random set）的 Aumann 积分用于刻画区间结果 BLP 的sharp 识别区域，并给出支持函数的闭式表达式。本文直接以此作为起点（“Our analysis builds directly on Beresteanu and Molinari (2008)”），并称其贡献在于“show that a specific and commonly available kind of information … has exploitable identifying content”。
随机集理论深化：Molchanov (2005)、Beresteanu et al. (2011)、Molchanov & Molinari (2014) 系统发展了随机集在计量经济学中的应用，包括凸性、支持函数、sharpness 条件。本文使用这些工具（尤其是 Aumann 积分和 Lyapunov 凸性定理）来证明受限选择集的凸性。
数据隐私与聚合信息：Abowd et al. (2022) 描述了美国人口普查局 2020 年披露避免系统（DAS），该系统在差分隐私下发布精确聚合作为不变量。本文将此作为动机：数据发布者因隐私保护而粗化个体数据，但同时仍发布精确总体均值，后者正是本文利用的辅助信息。
其他相关路线：Cross & Manski (2002) 处理 $(y,x,z)$ 从未被联合观测、仅知边际分布时的数据组合问题；Chandrasekhar et al. (2019) 从估计的 outcome 带构造 BLP 区域并做推断；Magnac & Maurin (2008) 和 Beresteanu & Sasaki (2021) 限制未知有界函数或变换。本文明确区分：它不改变观测区间本身，而是限制区间内的选择集（selection set）。

子线索聚类¶

线索 A：区间数据回归的识别（Manski & Tamer, 2002; Beresteanu & Molinari, 2008; Stoye, 2007; Chandrasekhar et al., 2019）。核心是刻画 BLP 或条件期望的识别区域，通常通过不等式约束或支持函数。本文属于此线索，但增加了辅助矩。
线索 B：随机集与 Aumann 积分（Molchanov, 2005; Beresteanu et al., 2011; Molchanov & Molinari, 2014）。提供凸性、sharpness、支持函数等理论工具。本文大量使用这些工具（附录 A）。
线索 C：数据隐私与披露限制（Abowd et al., 2022; Ding & Ding, 2022）。动机来源：隐私保护导致区间数据，但聚合信息仍公开。本文的数值例子使用 Ding & Ding (2022) 的“区间隐私”机制构造区间。
线索 D：外部信息与形状约束（Cross & Manski, 2002; Manski & Pepper, 2000; Magnac & Maurin, 2008）。利用单调工具变量、数据组合、有界变换等外部信息收紧识别。本文的辅助矩约束在精神上接近，但形式不同：它不假设单调性或形状，而是直接使用已知矩。

这个方向在追问的核心问题¶

给定区间数据，BLP 系数的 sharp 识别区域是什么？ 已有闭式解（Beresteanu & Molinari, 2008; Stoye, 2007），但区域往往过大。
如何在不增加分布假设的前提下收紧该区域？ 现有方法包括形状约束、工具变量、数据组合。本文提出利用已知总体矩。
不同形式的辅助矩（均值、条件均值、变换矩）对识别区域的几何效应有何不同？ 本文系统刻画了降维 vs. 不降维、收缩量闭式公式。
这些矩的识别价值如何量化？ 本文给出方向性收缩的背包表示和局部二次近似。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者将缺口 frame 为：“A recurring complaint among practitioners is that the identified sets these methods deliver are large and, as a result, uninformative for policy.” 他们声称“a source of information already sitting in most interval-valued datasets can fix this without adding any assumption at all”——即数据发布者已公开的总体聚合信息。因此本文成为“显然的下一步”：在 Beresteanu & Molinari (2008) 的 sharp 区域基础上，加入这些现成信息并刻画其几何效应。

被淡化或回避的竞争路线： - 直接限制区间本身（如 Chandrasekhar et al. 2019 的估计带）或限制未知函数（Magnac & Maurin, 2008）——作者明确说“We instead hold the observed interval fixed … and restrict only the set of selections admissible within it”。 - 协变量也是区间的情形（Beresteanu et al., 2011）——作者在第 4 节承认“if the covariates are themselves interval-valued … the machinery here does not directly apply”。 - 样本推断——作者在第 4 节明确说“this paper does not establish how their sample analogs behave”。

什么明显该被引 / 该存在、却没出现在 intro 里？ 未见明显缺失。但可注意：作者未引用关于“部分识别下推断”的近期工作（如 Chernozhukov et al. 2007 的置信区域构造），尽管后者在数值例子中被提及。这可能是因为本文聚焦于识别而非推断。

张力¶

未见明显对立引用。各被引工作在各自设定下结论一致，无矛盾。

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： - $y^* \in \mathbb{R}$：潜在结果（latent outcome），不可观测。 - $Y = [y_L, y_U]$：观测到的随机区间，满足 $P(y_L \le y^* \le y_U) = 1$。 - $x \in \mathbb{R}^d$：观测协变量向量。 - $\tilde{x} = (1, x_1, \dots, x_d)' \in \mathbb{R}^{d+1}$：增广协变量（含截距）。 - $\theta \in \mathbb{R}^{d+1}$：BLP 系数，满足 $\theta = Q^{-1} \mathbb{E}[\tilde{x} y^*]$，其中 $Q = \mathbb{E}[\tilde{x} \tilde{x}']$ 是正定二阶矩矩阵。 - $\text{Sel}_1(Y) = \{ y \in L^1 : y_L \le y \le y_U \text{ a.s.} \}$：可积选择集，每个 $y$ 是 $y^*$ 的一个候选。 - $M = \{ \mathbb{E}[\tilde{x} y] : y \in \text{Sel}_1(Y) \}$：可达交叉矩集。 - $\Theta_I = Q^{-1} M$：无辅助信息时的 sharp 识别区域。 - $\kappa$：已知的 $\mathbb{E}[y^*]$。 - $\Theta_\kappa = \{ \theta \in \mathbb{R}^{d+1} : \mathbb{E}[\tilde{x}]' \theta = \kappa \}$：由已知均值定义的仿射超平面。 - $\Theta_I^\kappa = \Theta_I \cap \Theta_\kappa$：已知均值下的识别区域。

模型： - 数据生成机制：$(y^*, x, y_L, y_U)$ 服从某个联合分布，但 $y^*$ 不可观测。仅知 $y_L \le y^* \le y_U$ a.s.。协变量 $x$ 被精确观测。目标是识别 $\theta$。 - 无额外假设：除了矩存在性（Assumption 1）和区间包含条件外，不对 $y^*$ 的分布做任何假设。

可观测数据： - 研究者观测到 $(y_L, y_U, x)$ 的独立同分布样本。$y^*$ 不可观测。已知总体矩 $\kappa = \mathbb{E}[y^*]$（或其它辅助矩）来自外部（如数据发布者公布的聚合统计量）。

第二步：最小内核——最简单特例¶

取 $d=1$（一个协变量 $x$，加上截距，所以 $\theta = (\theta_0, \theta_1)'$）。已知 $\mathbb{E}[y^*] = \kappa$。此时：

无约束识别区域 $\Theta_I$ 是 $\mathbb{R}^2$ 中的一个紧凸集（Proposition 2.1）。
已知均值定义直线 $\Theta_\kappa = \{ (\theta_0, \theta_1) : \theta_0 + \mathbb{E}[x] \theta_1 = \kappa \}$。
Proposition 2.2 断言：$\Theta_I^\kappa = \Theta_I \cap \Theta_\kappa$。即识别区域被限制在该直线上。

为什么成立？ 任何 $\theta \in \Theta_I$ 对应某个选择 $y \in \text{Sel}_1(Y)$ 满足 $Q\theta = \mathbb{E}[\tilde{x} y]$。取第一个坐标（截距对应 $\tilde{x}$ 的第一分量为 1），得 $\mathbb{E}[y] = \mathbb{E}[\tilde{x}]' \theta$。若 $\theta \in \Theta_\kappa$，则 $\mathbb{E}[y] = \kappa$，故该选择属于 $\text{Sel}_1(Y|\kappa)$，从而 $\theta \in \Theta_I^\kappa$。反之亦然。

几何意义：无约束区域是二维的，已知均值将其与一条直线相交，结果通常是一条线段（一维）。这直接展示了辅助矩如何将识别区域的仿射维数降低一维。该特例是全文所有均值约束结果的基石：Proposition 2.2 的一般形式完全一样，只是维数更高。

三、这篇论文做了什么¶

三句话¶

研究问题：当结果变量仅以区间形式报告时，如何利用已知的总体矩（无条件均值、条件均值、变换矩）来收紧最佳线性预测（BLP）系数的 sharp 识别区域，且不增加任何分布假设。
核心工具：限制选择集（restricted selection set）——不改变观测区间本身，只限制区间内可容许的选择必须与已知矩一致；结合随机集的 Aumann 积分、连续分数背包问题、Frisch–Waugh–Lovell 分解和 Lyapunov 凸性定理。
主要结论：已知无条件均值将识别区域与一个仿射超平面相交，降维一维（Proposition 2.2）；已知条件均值（给定协变量子集）施加 $d_1+1$ 个线性约束，将区域降维到剩余系数块（Proposition 2.11）；已知外部变量条件均值通过限制区间宽度分配进一步收紧，但不降维（Proposition 2.13）；变换矩的效果取决于是否重定向目标——若目标为变换后的 BLP，则已知变换矩同样降维；若目标不变，则仅缩小区域而不降维（Proposition 2.9）。

关键设定与假设¶

Assumption 1（基线正则性）：$\mathbb{E}[\|\tilde{x}\|^2] < \infty$，$\mathbb{E}[\|\tilde{x}\|(|y_L|+|y_U|)] < \infty$，且 $Q = \mathbb{E}[\tilde{x}\tilde{x}']$ 正定。保证 Aumann 积分良定义且 $\Theta_I$ 紧凸。
Assumption 2（已知无条件均值）：$\mathbb{E}[y^*] = \kappa$，且 $\kappa \in [\mathbb{E}[y_L], \mathbb{E}[y_U]]$（兼容性）。这是最核心的辅助矩。
Assumption 3（变换的一致可积性）：存在 $F$ 使得 $|f(y)| \le F$ 对所有 $y \in \text{Sel}_1(Y)$ 成立，且 $\mathbb{E}[F^2] < \infty$。用于变换矩情形。
Assumption 4（无原子概率空间）：用于 Lyapunov 凸性定理，保证变换下识别区域的凸性（Proposition 2.8, 2.9）。
Assumption 5（已知条件均值给定协变量子集）：$\mathbb{E}[y^*|x_1] = \kappa(x_1)$ a.s.，且兼容。用于 Proposition 2.11。
Assumption 6（已知条件均值给定外部变量）：$\mathbb{E}[y^*|v] = \kappa(v)$ a.s.，且兼容。用于 Proposition 2.12–2.13。

相比 Beresteanu & Molinari (2008)，本文增加了 Assumption 2–6，但未增加任何关于 $y^*$ 分布或选择机制的假设。Assumption 4（无原子）是技术性的，用于凸性证明，在有限样本中不自动成立（论文在数值部分已指出）。

主要结果¶

Proposition 2.2（均值约束的超平面刻画）：$\Theta_I^\kappa = \Theta_I \cap \Theta_\kappa$。因此识别区域的仿射维数至多为 $d$（若 $\Theta_I$ 满维且相对内部与 $\Theta_\kappa$ 相交，则恰好 $d$）。这是全文最简洁的几何结果。
Proposition 2.5（坐标宽度的偏回归表示）：$\theta_j$ 的识别宽度为 $\mathbb{E}[|\tilde{x}_j^*| \Delta] / \mathbb{E}[(\tilde{x}_j^*)^2]$，其中 $\tilde{x}_j^*$ 是 $\tilde{x}_j$ 对其他协变量线性投影的残差，$\Delta = y_U - y_L$。这给出了坐标宽度的闭式，可直接用样本矩估计。
Proposition 2.6（均值约束的方向收缩）：方向 $r$ 的上支撑值收缩量为 $\delta_\kappa(r) = \Lambda \int_{\min\{1-p_\kappa,1-u_r\}}^{\max\{1-p_\kappa,1-u_r\}} |q_r(t)| dt$，其中 $\Lambda = \mathbb{E}[\Delta]$，$p_\kappa = (\kappa - \mathbb{E}[y_L])/\Lambda$，$u_r = \bar{\mu}(s_r > 0)$，$q_r$ 是 $s_r = r'Q^{-1}\tilde{x}$ 在宽度加权测度下的分位数函数。该公式将收缩量表示为分位数函数下的面积，可直接用样本计算。
Corollary 2.7（局部二次近似）：若 $s_r$ 在宽度加权测度下在 0 附近有连续密度 $f_r(0) > 0$，则 $\delta_\kappa(r) = \frac{\Lambda}{2 f_r(0)} (p_\kappa - u_r)^2 + o((p_\kappa - u_r)^2)$。说明小偏差仅产生二阶效应。
Proposition 2.8（变换下凸性保持）：在无原子概率空间下，即使目标变为 $f(y^*)$ 的 BLP 且仅知 $\mathbb{E}[y^*]=\kappa$，识别区域仍为凸集。证明使用 Lyapunov 定理拼接选择。
Proposition 2.9（辅助矩约束下凸性）：若目标仍是 $y^*$ 的 BLP，但已知 $\mathbb{E}[f(y^*)] = \kappa_f$，则识别区域凸且一般满维（不降维）。关键区别：非线性矩没有直接的代数对应物在 $\theta$ 空间。
Proposition 2.11（条件均值下 FWL 表示）：已知 $\mathbb{E}[y^*|x_1] = \kappa(x_1)$ 时，识别区域可表示为 $\theta_2 \in \Theta_2^I$ 的仿射像，其中 $\theta_2$ 是 $x_2$ 的系数，$\Theta_2^I$ 是 $x_2$ 的“部分”识别区域。因此施加了 $d_1+1$ 个线性约束，维数降至 $d_2$。
Proposition 2.13（外部条件均值的额外收缩）：已知 $\mathbb{E}[y^*|v] = \kappa(v)$（$v$ 离散）时，方向支撑值可分解为各细胞背包问题的和，而仅知无条件均值时允许跨细胞自由分配宽度。额外收缩量等于细胞最优截断与 pooled 截断的差异导致的面积。
Corollary 2.14（局部截断分散近似）：额外收缩量近似为 $\frac{1}{2} \sum_m \mu_m(\Omega) f_m(c^*) (c_m^* - c^*)^2$，其中 $c_m^*$ 是细胞 $m$ 的最优截断，$c^*$ 是 pooled 截断。

证明路线与技术技巧¶

整体路线（以均值约束为例）： 1. 将无约束识别区域 $\Theta_I$ 表示为 Aumann 积分 $Q^{-1} M$，其中 $M = \int \Gamma dP$，$\Gamma(\omega) = \{\tilde{x}(\omega) t : t \in [y_L(\omega), y_U(\omega)]\}$。利用随机集理论得 $\Theta_I$ 紧凸，且支持函数有闭式（附录 A.5）。 2. 已知均值 $\kappa$ 时，限制选择集为 $\text{Sel}_1(Y|\kappa) = \{ y \in \text{Sel}_1(Y) : \mathbb{E}[y] = \kappa \}$。识别区域 $\Theta_I^\kappa = Q^{-1} \{ \mathbb{E}[\tilde{x} y] : y \in \text{Sel}_1(Y|\kappa) \}$。 3. 关键跳跃：证明 $\Theta_I^\kappa = \Theta_I \cap \Theta_\kappa$（Proposition 2.2）。这依赖于 $\tilde{x}$ 的第一分量为 1，使得 $\mathbb{E}[y] = \mathbb{E}[\tilde{x}]' \theta$ 直接成立。因此均值约束等价于在 $\theta$ 空间加一个线性等式。 4. 为量化收缩，将方向支撑值问题转化为连续分数背包问题：写 $y = y_L + \tau \Delta$，则 $\mathbb{E}[s_r y] = \mathbb{E}[s_r y_L] + \mathbb{E}[s_r \tau \Delta]$，约束 $\mathbb{E}[\tau \Delta] = \alpha$。这是经典的“在总宽度预算下分配 $\tau$ 以最大化加权和”问题，最优解是阈值规则（Lemma A.6）。 5. 利用背包问题的对偶和分位数形式，得到 Proposition 2.6 的闭式。Corollary 2.7 通过泰勒展开得到局部二次近似。

技术技巧点名： - Aumann 积分：用于将识别区域表示为紧凸集，并导出支持函数（附录 A.1, A.5）。 - 连续分数背包（bathtub principle）：用于均值约束下的方向边界（Lemma A.6）。 - Frisch–Waugh–Lovell 分解：用于条件均值约束下的降维（Lemma A.7, Proposition 2.11）。 - Lyapunov 凸性定理：用于变换矩下凸性的证明（Lemma A.5, Proposition 2.8, 2.9）。 - 支持函数与对偶：用于变换矩的 Lagrangian 表示（Proposition B.2）。 - 排序特征：用于分位数信息（Proposition B.3）。

真实例子与应用¶

论文使用 2020 年 3 月当前人口调查（CPS）年度社会与经济补充（ASEC） 数据，构造区间工资并验证理论结果。

数据：限制为有正工资收入且受雇的受访者，收入单位 $1,000，剔除顶部 1%。协变量：教育年限（educ），种族（race），年龄（age）。样本量 $n=22,397$，平均收入 $63,990，平均教育 14.2 年。
区间构造：使用 Ding & Ding (2022) 的“区间隐私”机制：对每个个体独立抽取两个分位数索引，转换为收入锚点，将收入域分为三个区间，真实收入所在的区间即为观测区间。该机制不依赖个体真实值，因此区间中点不泄露信息。
结果：
图 1：无约束区域 $\Theta_I$ 是二维凸多边形，呈负斜率。
图 2：已知均值 $\kappa$ 后，$\Theta_I^\kappa$ 坍缩为一维线段（Proposition 2.2 验证）。
图 3：目标为 $y^2$ 的 BLP，已知 $\mathbb{E}[y^2] = \kappa_f$ 时，区域降维为一维线段；仅知 $\mathbb{E}[y]=\kappa$ 时仍为二维（Proposition 2.8）。
图 4：目标为原始 $y$ 的 BLP，已知 $\mathbb{E}[y^2] = \kappa_f$ 时，区域保持二维但面积缩小至 16.4%（Proposition 2.9）。
图 5：已知 $\mathbb{E}[y^*|\text{race}]$ 后，$\theta_{\text{educ}}$ 的区间从 $[-9.79, 32.89]$ 缩至 $[-8.52, 22.90]$，宽度减少约 26.4%（Proposition 2.11）。
图 6：已知 $\mathbb{E}[y^*|\text{age}]$（5 个年龄组）后，$\theta_{\text{educ}}$ 区间下界从 $-8.91$ 进一步缩至 $-8.53$，上界不变（Proposition 2.13 解释：上界方向各年龄组截断与 pooled 相同，故无额外收缩）。
例子目的：验证理论的几何预测，展示辅助矩的实际收缩效果，并说明不同矩的效应差异（降维 vs. 不降维，收缩量大小）。

🔎 结论是否比证明窄¶

明确声明：论文是纯识别分析，不涉及样本推断（第 4 节：“this paper does not establish how their sample analogs behave”）。因此 CPS 数值结果应视为几何说明而非统计估计。
凸性需要无原子空间：Proposition 2.8 和 2.9 的凸性证明依赖 Lyapunov 定理，要求概率空间无原子。论文在数值部分（脚注 2）指出有限样本不自动继承凸性，因此图 4 的区域是“outer bound”。
外部条件均值仅处理离散 $v$：Proposition 2.13 假设 $v$ 离散；连续情况仅给出积分形式（2.27），未给出类似闭式。
多个矩同时施加：论文未研究两个以上矩的联合效应，第 4 节明确说“it is not obvious … whether the contraction … is additive, larger, or smaller”。
协变量也是区间的情形：第 4 节承认“if the covariates are themselves interval-valued … the machinery here does not directly apply”。

四、开放问题（点到为止，扎根具体语句）¶

样本推断与有限样本性质：本文仅处理总体识别区域，未建立样本估计量的渐近分布或置信区域。扎根于第 4 节：“this paper does not establish how their sample analogs behave”。一个自然问题是：如何构造 $\Theta_I^\kappa$ 的样本估计并做推断？这需要处理支持函数估计的渐近理论（如 Beresteanu & Molinari, 2008 已部分处理无约束情形）。
协变量也是区间的情形：本文假设 $\tilde{x}$ 精确观测。若协变量也以区间报告（如 Beresteanu et al., 2011），则 Aumann 积分不再简单，需要新的几何刻画。扎根于第 4 节：“if the covariates are themselves interval-valued … the machinery here does not directly apply”。
多个辅助矩同时施加：本文只研究单个矩（均值、条件均值、变换矩）的效应。多个矩同时施加时，收缩量是否可加？是否存在交互效应？扎根于第 4 节：“it is not obvious from anything shown here whether the contraction from two simultaneously imposed restrictions is additive, larger, or smaller”。
隐私机制的设计：本文将辅助矩视为外生给定，未讨论数据发布者应如何选择披露哪些聚合以平衡隐私风险与下游识别力。扎根于第 4 节：“nothing here says whether it was chosen well, or what a custodian trying to balance disclosure risk against downstream identifying power should release instead”。这是一个跨学科问题，涉及统计与隐私的权衡。

Maintained by 陈星宇 · Homepage · Source on GitHub