跳转至

Linear Estimation of Structural and Causal Effects for Nonseparable Panel Data

作者: Victor Chernozhukov, Ben Deaner, Ying Gao, Jerry Hausman, Whitney K. Newey
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2607.28291

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：如何利用面板数据（个体i=1,...,n，时间t=1,...,T）来识别和估计非参数、不可分离模型中的结构参数或因果效应。模型形式为 \(Y_{it} = g(X_{it}, \eta_{it})\)，其中 \(\eta_{it}\) 是未观测的、时变的个体异质性，且可能与回归变量 \(X_{it}\) 相关。核心挑战在于，在不对函数 \(g\) 施加可加性假设（即不可分离）的情况下，如何从数据中提取出因果或结构参数。当前成熟度：这是一个在计量经济学中非常活跃的领域，已有大量理论工作，但将非参数模型与线性估计方法（如线性筛、岭回归）结合，并给出大T渐近理论，是本文的独特贡献。

发展脉络（history）

  • 奠基工作：
  • Manski (1987)：首次在二元选择面板模型中提出“时间同质性”（time-homogeneity）假设，用于识别线性指数模型。本文引用语境：“The same condition is employed in Manski (1987) for linear index binary choice models”。
  • Chamberlain (1982, 1992)：系统研究了线性随机系数（LRC）面板模型的识别与效率界。本文引用语境：“Chamberlain (1982), Chamberlain (1992), ... have previously considered estimation of LRC models”。Chamberlain (1992) 给出了半参数效率界，指出当T固定时，某些参数可能无法被正则估计。
  • 主要进展：
  • Chernozhukov et al. (2013)：将时间同质性假设推广到非参数不可分离模型，给出了平均效应和分位数效应的部分识别结果，并推导了识别集随T增长的收缩速率。本文引用语境：“This phenomenon is considered in Chernozhukov et al. (2013) and tied to the rate at which the identified set shrinks with T”。这是本文最直接的理论基础。
  • Graham & Powell (2012)：在“不规则”相关随机系数面板模型中，提出了平均偏效应的识别与估计方法。本文引用语境：“Graham & Powell (2012) have previously considered estimation of LRC models”。本文的估计量属于其一般类。
  • Altonji & Matzkin (2005)：通过控制函数方法进行识别。本文引用语境：“Altonji & Matzkin (2005) considers identification via control functions”。
  • Bonhomme & Manresa (2015) 和 Bonhomme et al. (2022)：将个体异质性建模为离散的组模式。本文引用语境：“Bonhomme & Manresa (2015) and Bonhomme et al. (2022) model individual heterogeneity as discrete”。
  • 当前frontier：
  • Fernández-Val et al. (2021)：使用低秩因子结构近似不可分离面板模型。本文引用语境：“Fernández-Val et al. (2021), and Pakes & Porter (2024), have all considered estimation of nonseparable panel models under time-homogeneity”。
  • Semenova et al. (2023)：在高维动态面板中，使用正交化和交叉拟合推断条件平均处理效应。本文引用语境：“Altonji & Matzkin (2005) considers identification via control functions, as does Semenova et al. (2023), while also allowing for sparse, additive individual-specific effects”。
  • Kwon & Sun (2025)：在异质性有界假设下，使用广义岭估计量进行偏差感知推断。本文引用语境：“Indeed, in recent work, Kwon & Sun (2025) use a priori bounds on the variance of heterogeneous coefficients to obtain bias-aware confidence intervals in a related setting”。
  • 本文的位置：本文在以上工作的基础上，创新性地使用线性筛（linear sieve）来近似非参数模型的条件平均潜在结果，并引入偏差校正的个体岭回归平均来估计平均效应。它填补了“用线性方法处理非参数不可分离面板模型”这一空白，并提供了大T渐近理论，可处理离散回归变量并绕过部分识别问题。

子线索聚类

这些被引文献大致落在以下3条子线索上： 1. 时间同质性下的非参数识别与估计：核心是假设未观测异质性的条件分布不随时间变化。代表工作：Manski (1987), Chernozhukov et al. (2013), Hoderlein & White (2012), Torgovitsky (2019), Fernández-Val et al. (2021), Pakes & Porter (2024)。这一簇主要关注识别条件、部分识别和估计方法。 2. 线性随机系数（LRC）模型：假设模型是已知函数的线性组合，系数是随机的。代表工作：Chamberlain (1982, 1992), Pesaran & Smith (1995), Wooldridge (2005), Arellano & Bonhomme (2012), Graham & Powell (2012)。这一簇主要关注参数估计、效率界和平均效应的识别。 3. 控制函数与离散异质性：通过控制函数或离散分组来处理异质性。代表工作：Altonji & Matzkin (2005), Bonhomme & Manresa (2015), Bonhomme et al. (2022), Semenova et al. (2023)。这一簇提供了处理内生性和异质性的替代框架。

这个方向在追问的核心问题

  1. 识别：在时间同质性假设下，哪些结构/因果参数是可识别的？当回归变量离散时，识别集如何随T收缩？
  2. 估计：如何构造一个既灵活（能近似非参数模型）又可行（计算简单、有良好渐近性质）的估计量？
  3. 推断：如何对平均效应进行有效的推断，尤其是在个体参数可能弱识别或未识别的情况下？
  4. 偏差处理：如何校正因正则化（如岭回归）或近似（如线性筛）引入的偏差？

当前主流方法包括：固定效应估计、个体OLS/岭回归、低秩近似、离散分组。已知瓶颈包括：当T较小或回归变量离散时，个体参数可能无法识别；非参数近似会引入偏差；正则化会引入偏差。

⚠️ 作者的 framing

这是作者的说法：作者将缺口 frame 成“在非参数、不可分离面板模型中，使用线性方法（线性筛 + 偏差校正岭回归）来估计平均结构/因果效应”。他们声称这是“显然的下一步”，因为： - 现有非参数方法（如Chernozhukov et al., 2013）主要关注识别和部分识别，而本文提供了具体的估计量和渐近理论。 - 现有LRC方法（如Chamberlain, 1992; Graham & Powell, 2012）假设模型是精确线性的，而本文通过线性筛近似将其推广到非参数模型。 - 现有正则化方法（如个体岭回归）存在偏差，而本文的偏差校正策略解决了这一问题。

被淡化或回避的竞争路线： - 控制函数方法（Altonji & Matzkin, 2005; Semenova et al., 2023）：作者仅在引言中提及，但未深入比较。这些方法需要额外的控制变量，而本文的时间同质性假设可能更弱。 - 低秩近似（Fernández-Val et al., 2021）：作者将其归为“考虑估计非参数面板模型”的文献，但未讨论其与线性筛近似的优劣。 - 离散分组（Bonhomme & Manresa, 2015）：作者仅提及，未进行比较。

什么明显该被引/该存在、却没出现在intro里？ - 关于高阶U统计量的计算复杂度：本文的估计量涉及个体回归的平均，其计算成本（尤其是当J很大时）可能很高。这与研究者（陈星宇）关于高阶U统计量树宽/张量收缩的工作有潜在联系，但本文未提及。 - 关于统计-计算权衡：本文的估计量在计算上是简单的（个体岭回归），但其渐近性质依赖于T的增长。当T固定时，是否存在计算上更高效或更鲁棒的方法？本文未讨论。

张力

未见明显对立引用。所有被引工作都认同时间同质性假设是识别非参数面板模型的关键，只是在具体方法上有所不同。

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：
  • \(i = 1, ..., n\)：个体索引。
  • \(t = 1, ..., T\)：时间索引。
  • \(Y_{it}\)：标量结果变量（可观测）。
  • \(X_{it}\)：\(d_x\) 维回归变量向量（可观测）。
  • \(\eta_{it}\)：未观测的、时变的个体异质性（潜在变量）。可以是无限维的。
  • \(g(\cdot, \cdot)\)：未知的结构/因果函数。
  • \(Y_{it}(x) = g(x, \eta_{it})\)：潜在结果（counterfactual）。
  • \(h(x, X_i) = E[g(x, \eta_{i1}) | X_i]\)：条件平均潜在结果（estimand）。
  • \(b(x)\)：\(J\) 维已知基函数向量（由研究者选择）。
  • \(\beta_i = E[\eta_{i1} | X_i]\)：个体特定的LRC系数向量（参数）。
  • \(\theta_0\)：目标参数（标量），定义为平均差异。
  • \(H_{it}^+, H_{it}^-\)：研究者指定的系数。
  • \(X_{it}^+, X_{it}^-\)：研究者指定的反事实回归变量值。
  • \(a_i = \frac{1}{T} \sum_{t=1}^T \{ H_{it}^+ b(X_{it}^+) - H_{it}^- b(X_{it}^-) \}\)：已知的个体特定向量。
  • \(\hat{\beta}_i\)：个体岭回归估计量。
  • \(\lambda\)：岭回归惩罚参数。
  • \(D_i\)：惩罚矩阵（对角线，第一个元素为0）。
  • \(Q_i = B_i' B_i / T\)：个体样本二阶矩矩阵。
  • \(W_i = (Q_i + \lambda D_i)^{-1} Q_i\)：岭回归的“收缩”矩阵。

  • \(\hat{\theta}\)：偏差校正的平均岭估计量。

  • 模型：

  • 数据生成机制：\(Y_{it} = g(X_{it}, \eta_{it})\)，其中 \(g\) 未知，\(\eta_{it}\) 与 \(X_{it}\) 可能相关。
  • 核心假设：时间同质性（Assumption 1）：\(\eta_{it}\) 的条件分布（给定 \(X_i\)）不依赖于 \(t\)。
  • 反事实独立性（Assumption 2）：研究者选择的 \((X_{it}^+, H_{it}^+, X_{it}^-, H_{it}^-)\) 与 \(\eta_{it}\) 条件独立于 \(X_i\)。

  • 近似模型：\(h(x, X_i) \approx b(x)' \beta_i\)，其中 \(\beta_i = E[\eta_{i1} | X_i]\)。

  • 可观测数据：

  • 研究者能观测到：\(\{ (Y_{it}, X_{it}) : i=1,...,n; t=1,...,T \}\)。
  • 研究者不能观测到：\(\eta_{it}\)，以及函数 \(g\)。
  • 研究者想要但观测不到：潜在结果 \(Y_{it}(x) = g(x, \eta_{it})\)，以及条件平均潜在结果 \(h(x, X_i)\)。

第二步：讲最小内核

最简特例：线性随机系数（LRC）模型，J=2，且 \(b(x) = (1, x)'\)

在这个特例下，模型退化为：

\[Y_{it} = \eta_{it1} + X_{it} \eta_{it2}\]
其中 \(\eta_{it} = (\eta_{it1}, \eta_{it2})'\)。时间同质性假设意味着 \(E[\eta_{it} | X_i] = \beta_i = (\beta_{i1}, \beta_{i2})'\) 不依赖于 \(t\)。因此：
\[E[Y_{it} | X_i] = \beta_{i1} + X_{it} \beta_{i2}\]
这是一个标准的随机系数模型，其中每个个体有自己的截距和斜率。

目标参数：假设我们想估计平均斜率效应 \(\theta_0 = E[\beta_{i2}]\)。这对应于 \(a_i = (0, 1)'\)。

估计： 1. 个体OLS：对每个个体 \(i\)，用 \(Y_{it}\) 对 \(X_{it}\) 做OLS回归（包含截距），得到 \(\tilde{\beta}_i = (\tilde{\beta}_{i1}, \tilde{\beta}_{i2})'\)。如果 \(X_{it}\) 在个体内随时间变化（即 \(Q_i\) 非奇异），则 \(\tilde{\beta}_{i2}\) 是 \(\beta_{i2}\) 的无偏估计。平均 \(\frac{1}{n} \sum_i \tilde{\beta}_{i2}\) 是 \(\theta_0\) 的无偏估计。问题：如果 \(X_{it}\) 对某些个体是常数（例如，一个二元变量在T期内不变），则 \(Q_i\) 奇异，OLS无法给出唯一估计。 2. 个体岭回归：对每个个体 \(i\)，用岭回归估计 \(\hat{\beta}_i = (Q_i + \lambda D_i)^{-1} B_i' Y_i / T\)。这里 \(D_i\) 是对角矩阵，第一个元素为0（不惩罚截距），第二个元素为1（惩罚斜率）。岭回归总是有唯一解，但 \(\hat{\beta}_{i2}\) 是有偏的（向0收缩）。 3. 偏差校正的平均岭估计：为了校正岭回归的偏差，本文提出：

\[\hat{\theta} = \frac{1}{n} \sum_{i=1}^n \frac{\hat{\beta}_{i2}}{w_i}\]
其中 \(w_i = \frac{\tilde{Q}_i}{\tilde{Q}_i + \lambda}\)，\(\tilde{Q}_i\) 是 \(X_{it}\) 的样本方差。这个估计量的直觉是：每个个体的岭估计 \(\hat{\beta}_{i2}\) 被其“收缩因子” \(w_i\) 除，从而“放大”回无偏水平。当 \(\tilde{Q}_i\) 很大（强识别）时，\(w_i \approx 1\)，校正很小；当 \(\tilde{Q}_i\) 很小（弱识别）时，\(w_i \approx 0\)，校正很大，但此时 \(\hat{\beta}_{i2}\) 本身也很小，所以校正后的估计可能不稳定。

核心思路：这个特例揭示了本文的核心思想：通过个体岭回归获得有偏但始终可计算的估计，然后通过一个依赖于个体识别强度的权重进行平均偏差校正。一般情形只是这个特例的“加壳”：用线性筛 \(b(x)\) 代替 \(x\)，用更一般的 \(a_i\) 代替 \((0,1)'\)，用更一般的偏差校正公式（3.5）代替简单的除法。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了在非参数、不可分离面板模型 \(Y_{it} = g(X_{it}, \eta_{it})\) 下，如何估计平均结构/因果效应 \(\theta_0 = E[\frac{1}{T} \sum_{t=1}^T \{ H_{it}^+ g(X_{it}^+, \eta_{it}) - H_{it}^- g(X_{it}^-, \eta_{it}) \}]\)。
  2. 核心工具/方法：核心工具是线性筛近似（用 \(b(x)' \beta_i\) 近似 \(h(x, X_i) = E[g(x, \eta_{i1}) | X_i]\)）和偏差校正的个体岭回归平均（估计量 \(\hat{\theta}\) 由公式 (3.5) 给出）。
  3. 主要结论：在大T渐近框架下（\(T \to \infty\)），\(\hat{\theta}\) 是 \(\theta_0\) 的 \(\sqrt{n}\)-一致估计且渐近正态，其渐近方差由公式 (6.6) 给出。该估计量具有经验贝叶斯解释，且在LRC模型下，当斜率系数不随个体变化时是无偏的。

关键设定与假设

  • 模型：\(Y_{it} = g(X_{it}, \eta_{it})\)，\(g\) 未知，\(\eta_{it}\) 是时变未观测异质性。
  • Assumption 1 (Time-Homogeneity)：\(\eta_{it}\) 的条件分布（给定 \(X_i\)）不依赖于 \(t\)。这是核心识别假设，允许 \(\eta_{it}\) 与 \(X_i\) 任意相关。
  • Assumption 2 (Counterfactuals)：研究者选择的 \((X_{it}^+, H_{it}^+, X_{it}^-, H_{it}^-)\) 与 \(\eta_{it}\) 条件独立于 \(X_i\)。这通常可通过构造满足。
  • 线性筛近似：\(h(x, X_i) \approx b(x)' \beta_i\)，其中 \(\beta_i = E[\eta_{i1} | X_i]\)。近似误差 \(r(x, X_i) = h(x, X_i) - b(x)' \beta_i\) 被假设为一致有界且随 \(J\) 增长而趋于0（Assumption 3.vi）。
  • Assumption 3 (Consistency)：包含对 \(a_i, A_i, B_i, \beta_i, u_i, H_t^\pm, r(x,X), T_i, D_i\) 的界和正则条件。例如，\(\| \beta_i \| \leq c\)，\(\sup_{x,X} |r(x,X)| \leq \ell \to 0\)。
  • Assumption 4 (Asymptotic Normality)：包含矩条件和Lyapunov型条件，确保中心极限定理成立。
  • Assumption 5 (Remainders)：确保近似误差和正则化偏差是二阶小量。

相比已有文献： - 放宽：相比Chamberlain (1992) 和 Graham & Powell (2012) 的精确LRC模型，本文允许模型是非参数的，通过线性筛近似。 - 强化：相比Chernozhukov et al. (2013) 的部分识别框架，本文通过假设近似误差足够小和T足够大，实现了点识别和 \(\sqrt{n}\)-一致估计。

主要结果

  • Theorem 1：在Assumptions 1和2下，目标参数 \(\theta_0\) 可以表示为条件平均潜在结果 \(h(x, X_i)\) 的函数（公式3.1）。这是后续近似和估计的基础。
  • Theorem 2 (Asymptotics)：在Assumptions 1-5下，估计量 \(\hat{\theta}\) 是 \(\theta_0\) 的 \(\sqrt{n}\)-一致估计，且 \(\sqrt{n} \sigma^{-1} (\hat{\theta} - \theta_0) \xrightarrow{d} N(0,1)\)，其中渐近方差 \(\sigma^2 = E[| \frac{1}{T_i} a_i' W_i Q_i^\dagger B_i' u_i |^2] + Var(a_i' \beta_i)\)。
  • 直觉：方差由两部分组成：第一部分来自估计 \(\beta_i\) 的噪声（通过 \(u_i\)），第二部分来自 \(\beta_i\) 本身的异质性。
  • 必要条件：\(\lambda \delta \to 0\)，其中 \(\delta = E[\| (Q_i + \lambda D_i)^{-1} \|]\)。这要求惩罚参数 \(\lambda\) 足够小，或者 \(T\) 足够大使得 \(Q_i\) 非奇异的概率趋于1。
  • 解决的技术难点：处理了因个体 \(Q_i\) 可能奇异而导致的识别问题，以及因岭回归和线性筛近似引入的偏差。
  • Corollary 1 (Continuous Case)：当所有回归变量连续且 \(E[\mu_{\min}(\tilde{Q}_i)^{-1}]\) 有界时，\(\hat{\theta}\) 是 \(\sqrt{n}\)-一致且渐近正态的，即使T固定。
  • Corollary 2 (Binary Case)：当回归变量是二元时，\(\hat{\theta}\) 的 \(\sqrt{n}\)-一致性要求 \(T\) 以足够快的速度增长（\(T^{-(1+\omega)} = o(1/\sqrt{n})\)），其中 \(\omega\) 控制 \(\pi_i\) 在0或1附近的密度衰减速度。这量化了离散回归变量带来的部分识别问题。

证明路线与技术技巧

  • 整体路线：
  • 偏差分解：将估计误差 \(\hat{\theta} - \theta_0\) 分解为：一个零均值项 \(\frac{1}{n} \sum_i \epsilon_i\)（包含估计噪声和 \(\beta_i\) 的异质性）和几个余项（包含近似误差、正则化偏差等）。
  • 控制余项：在Assumptions 3-5下，证明所有余项都是 \(o_p(1/\sqrt{n})\)。这依赖于对 \(\|W_i - I\|\) 和 \(\|W_i (Q_i^\dagger)^{1/2}\|\) 的矩估计，以及近似误差 \(\ell\) 的衰减速度。
  • 对零均值项应用CLT：证明 \(\frac{1}{\sqrt{n}} \sum_i \epsilon_i\) 满足Lyapunov条件，从而渐近正态。这需要控制 \(\epsilon_i\) 的高阶矩，并利用Assumption 4中的条件。
  • 关键跳跃点：
  • Lemma 1 (General Asymptotics)：这是一个关键引理，它为任何满足 \(W_i Q_i^\dagger Q_i = W_i\) 的估计量提供了通用渐近理论。本文的估计量是其特例。这个引理将复杂的渐近分析简化为对 \(\kappa_n = E[\|W_i - I\|]\) 和 \(\gamma_n = E[\|W_i (Q_i^\dagger)^{1/2}\|^2]\) 的率分析。
  • 从Lemma 1到Theorem 2：证明对于本文特定的 \(W_i\)，有 \(\kappa_n = O(\lambda \delta)\) 和 \(\gamma_n = O(\delta)\)。然后代入Lemma 1，并利用Assumption 5中的条件，得到Theorem 2。
  • 技术技巧点名：
  • 矩阵范数不等式：广泛用于控制 \(\|W_i - I\|\) 和 \(\|W_i (Q_i^\dagger)^{1/2}\|\)。
  • 分块矩阵求逆：用于显式表达 \((Q_i + \lambda D_i)^{-1}\) 和 \(W_i\)，从而分析其范数。
  • Lyapunov中心极限定理：用于证明 \(\frac{1}{\sqrt{n}} \sum_i \epsilon_i\) 的渐近正态性。证明中使用了Hölder不等式和矩条件来验证Lyapunov条件。
  • Chernoff界：在Corollary 2（二元回归变量）的证明中，用于控制 \(\mu_{\min}(\tilde{Q}_i)\) 很小的概率。

真实例子与应用

  • 数据：NielsenIQ零售扫描仪数据和Homescan面板数据，包含2010-2014年休斯顿地区的2585个家庭，共86,122个观测。商品分为15类，重点分析苏打水和牛奶。
  • 方法应用：
  • 使用对数线性AIDS型规范（公式5.1）和三次规范（包含对数自有价格和总支出的幂次和交互项）。
  • 对每个家庭估计个体特定的岭回归，然后使用偏差校正平均岭估计量（DBR）估计平均自有价格弹性。
  • 使用Hausman & Newey (2016) 的公式，估计10%价格上涨的平均等价变化（equivalent variation）和无谓损失（deadweight loss）的上界。
  • 结果：
  • 弹性估计（Table 1）：DBR估计的苏打水自有价格弹性约为-0.77至-0.78，牛奶约为-0.35至-0.45。这些估计对惩罚参数 \(\lambda\) 的选择比未校正的岭回归更不敏感。与OLS和固定效应估计相比，DBR允许系数异质性。
  • 福利估计（Tables 2 & 3）：苏打水的无谓损失估计高于牛奶，这与苏打水需求更具弹性一致。福利估计在两种规范和不同 \(\lambda\) 下非常稳定。低收入和高收入家庭的福利损失差异不大。
  • 这个例子想说明什么：
  • 验证理论：展示了DBR估计量在实际数据中的可行性，并验证了其对惩罚参数不敏感的理论性质。
  • 展示相对baseline的优势：与未校正的岭回归相比，DBR显著降低了对 \(\lambda\) 的敏感性。与OLS和固定效应相比，DBR允许更灵活的异质性。
  • 实际应用：展示了该方法如何用于回答具体的政策问题（如含糖饮料税对消费者福利的影响）。

🔎 结论是否比证明窄

  • Theorem 2 的渐近正态性是在Assumptions 4和5下严格证明的。这些假设包含了对矩、近似误差和正则化参数的复杂率条件。在实际应用中，这些条件是否满足可能难以验证。
  • Property A (Empirical Bayes Interpretation) 是在LRC模型且残差为iid高斯分布的假设下成立的。在非参数模型下，这只是一个启发式解释，并非严格证明。
  • Property C (Unbiased When Slope Coefficients Do Not Vary) 是在LRC模型且 \(r_{it}=0\) 下证明的。在非参数模型下，由于近似误差的存在，该性质不成立。
  • 关于“bypass partial identification”：作者声称大T渐近理论可以“绕过部分识别问题”。严格来说，这是通过让T增长，使得识别集收缩到点，从而在极限下实现点识别。对于任何固定的T，部分识别问题仍然存在。Corollary 2 量化了这种收缩速率。

四、开放问题

  1. 数据驱动的 \(\lambda\) 选择：作者建议使用Lepski方法选择 \(\lambda\)，但未给出理论保证。扎根于：Section 3.4 “The problem of developing a data-driven method for selecting \(\lambda\) is a problem for future research”。
  2. 更紧的近似误差界：Theorem 2 要求 \(\ell = o(1/\sqrt{n})\)。对于给定的基函数 \(b(x)\) 和光滑度条件，这个速率是否最优？能否给出更具体的、依赖于 \(J\) 和 \(T\) 的近似误差界？扎根于：Assumption 3.vi “\(\sup_{x,X} |r(x,X)| \leq \ell\) with \(\ell \to 0\)”。
  3. 允许T固定：本文的大T渐近理论要求 \(T \to \infty\)。能否发展出适用于固定T的推断方法？这可能需要对个体参数的识别结构施加更强的假设，或使用部分识别方法。扎根于：Section 6 的标题 “Large-T asymptotics” 和 Corollary 1 中 “root-n consistency and asymptotic normality do not require that T grows with the sample size” 仅在 \(E[\mu_{\min}(\tilde{Q}_i)^{-1}]\) 有界时成立，这本质上要求T足够大。
  4. 平均偏效应（APE）的正式理论：作者在Appendix B中讨论了APE的估计，但未给出正式的渐近理论。扎根于：Appendix B “We leave the formal extension of our asymptotic results to APE estimates as a problem for future work”。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论