Debiased inference for proximal dose-response function¶

作者: Daeyoung Ham, Sihan Wu, Yifan Cui
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2608.00404

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是 “存在未测量混杂（unmeasured confounding）时，对连续处理变量（continuous treatment）的因果剂量-反应函数（dose-response function）进行非参数推断”。其根本的科学问题是：当处理变量是连续的（如药物剂量、污染物浓度、政策强度），且存在无法观测的混杂因素U时，如何从观测数据中识别并估计平均潜在结果E{Y(a)}作为a的函数θ(a)，并为其提供有效的统计推断（置信区间、置信带）。该方向当前处于“方法快速推进但关键缺口尚存”的阶段：已有工作解决了识别和估计问题，但尚未建立完整的、可操作的推断理论（尤其是无需欠平滑、无需复杂熵条件的推断）。

发展脉络¶

奠基工作：无混杂假设下的连续处理推断
- Hirano & Imbens (2004); Imai & Van Dyk (2004)：将倾向得分（propensity score）推广到连续处理设定，为后续工作奠定了基础。这些工作依赖于“无未测量混杂”（no unmeasured confounding）这一强假设。
- Kennedy et al. (2017)：提出了连续处理下剂量-反应函数的双重稳健（doubly robust）非参数估计量，并建立了渐近性质。这是该子领域的一个里程碑，但其因果有效性仍依赖于无未测量混杂。
- Calonico et al. (2018); Takatsu & Westling (2025)：在无混杂假设下，发展了基于局部多项式回归的去偏推断（debiased inference） 方法。Takatsu & Westling (2025) 的工作是本文最直接的方法论前身，他们为协变量调整后的回归函数建立了完整的推断理论，包括点态和均匀高斯近似，且允许带宽取MSE最优阶。本文的核心技术路线（局部线性+局部二次偏差校正+交叉拟合）直接继承自该工作，但将其从“无混杂的回归函数”推广到了“存在未测量混杂的因果剂量-反应函数”。
主要进展：Proximal Causal Inference (PCI) 框架的建立
- Miao et al. (2018); Cui et al. (2024); Tchetgen Tchetgen et al. (2024)：开创并系统化了Proximal Causal Inference (PCI) 框架。该框架的核心思想是：不要求观测到U，而是利用处理诱导代理变量（treatment-inducing proxy, Z） 和结局诱导代理变量（outcome-inducing proxy, W），在完备性（completeness） 和桥函数（bridge function） 条件下识别因果效应。这为处理未测量混杂提供了一条全新的、非传统的路径。Cui et al. (2024) 建立了半参数PCI的一般理论，包括平均处理效应的双重稳健识别和高效估计。
- Wu et al. (2024)：这是与本文最直接相关的竞争工作。他们将PCI框架首次应用于连续处理，提出了一个核局部增广估计量（kernel-localized augmented estimator） 来估计剂量-反应曲线，并给出了点态偏差和方差阶数。然而，该工作存在关键缺口：它没有建立渐近分布，因此无法提供可行的标准误、置信区间或置信带。此外，其分析要求带宽欠平滑（undersmoothing）才能忽略偏差，且对桥函数估计量施加了乘积率条件，但未涉及推断所需的更精细条件。
当前Frontier与本文位置
- 当前frontier是将PCI框架与成熟的非参数推断理论（如去偏机器学习、局部多项式推断）结合，为连续处理下的因果曲线提供完整的、可操作的推断工具。
- 本文的位置：本文填补了Wu et al. (2024) 留下的关键空白。它首次在PCI框架下，为连续处理的剂量-反应函数建立了完整的点态、有限维和均匀推断理论。其核心创新在于：① 提出了一个新颖的proximal doubly robust pseudo-outcome，将PCI调整与曲线学习分离；② 基于此，构造了一个交叉拟合的去偏局部线性估计量，并推导了其影响函数；③ 证明了在带宽取MSE最优阶（h≍n^{-1/5}）时，无需欠平滑即可实现渐近正态性，且通过交叉拟合避免了桥函数估计量的熵条件。

子线索聚类¶

无混杂假设下的连续处理推断：Hirano & Imbens (2004), Imai & Van Dyk (2004), Kennedy et al. (2017), Calonico et al. (2018), Colangelo & Lee (2026), Doss et al. (2024), Takatsu & Westling (2025)。这一簇专注于在“无未测量混杂”这一强假设下，发展估计和推断方法。本文的方法论（局部多项式、去偏、交叉拟合）深受此簇影响，但将其应用场景推广到了存在混杂的情形。
Proximal Causal Inference (PCI) 框架：Miao et al. (2018), Cui et al. (2024), Tchetgen Tchetgen et al. (2024)。这一簇建立了PCI的理论基础，包括识别条件、桥函数方程、以及二值/离散处理下的估计与推断。本文是PCI框架在连续处理推断问题上的一个自然且重要的延伸。
PCI在连续处理下的应用：Wu et al. (2024)。这一簇目前只有这一篇直接相关的工作。它证明了PCI在连续处理下的可行性，但留下了推断理论这一关键缺口。本文直接针对并填补了这个缺口。

这个方向在追问的核心问题¶

识别：在存在未测量混杂U时，如何利用代理变量(Z, W)识别连续处理下的剂量-反应函数θ(a)？当前主流方法：通过假设桥函数方程（Fredholm积分方程）存在解，并利用完备性条件，证明θ(a) = E{h(W, a, X)}。已知瓶颈：桥函数的存在性和唯一性依赖于复杂的泛函分析条件（如紧算子、Picard准则），在实际应用中难以验证。
估计：如何构造θ(a)的估计量，使其具有双重稳健性（即只要桥函数h或q中有一个正确设定，估计量就是一致的）？当前主流方法：构造一个“伪结果”（pseudo-outcome），其条件期望等于θ(a)。已知瓶颈：对于连续处理，构造一个既双重稳健又便于后续非参数回归的伪结果并非易事。
推断：如何为θ(a)的估计量提供有效的点态置信区间和同时置信带？当前主流方法：利用影响函数（influence function）进行去偏，并结合交叉拟合（cross-fitting）来放松对桥函数估计量的要求。已知瓶颈：在非参数设定下，点估计不是根号n可估的，需要引入平滑偏差。如何在消除平滑偏差的同时，不引入过强的条件（如欠平滑、熵条件），是推断的核心难点。

⚠️ 作者的Framing¶

作者如何frame缺口：作者将缺口明确地frame为“Wu et al. (2024) 的工作没有建立渐近分布，无法提供推断”，并指出“直接扩展Colangelo & Lee (2026) 的点态推断策略到该proximal估计量会需要欠平滑或一个更粗糙的 pilot 带宽”。作者将自己的工作定位为“显然的下一步”：通过引入一个proximal doubly robust pseudo-outcome和一个局部二次偏差校正，来同时解决推断和带宽选择问题。
被淡化或回避的竞争路线：作者淡化了直接对Wu et al. (2024)的估计量进行偏差校正和推断的可能性。他们通过引用Colangelo & Lee (2026) 的分析，暗示这条路会需要更严格的平滑条件或一个与主带宽不同阶的 pilot 带宽（b/h → ∞），从而突出了自己方法的优势（b ≍ h）。
什么明显该被引/该存在、却没出现在intro里？：intro中未提及高维代理变量或非参数工具变量的相关工作。在存在多个代理变量或代理变量维度很高时，桥函数的估计会变得非常困难。本文的模拟中代理变量是低维的，但未讨论高维场景下的挑战。这是一个值得研究者去查的问题：是否存在将本文方法与高维/非参数工具变量方法结合的工作？

张力¶

未见明显对立引用。所有被引工作都在各自的假设下推进，没有出现彼此矛盾或在略不同条件下得相反结论的情况。本文的工作是对Wu et al. (2024) 的补充和深化，而非推翻。

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: 可观测的实值结局变量。
- A: 可观测的连续处理变量，取值于支撑集A。
- X: 可观测的基线协变量向量。
- Z: 可观测的处理诱导代理变量（treatment-inducing confounding proxy）。
- W: 可观测的结局诱导代理变量（outcome-inducing confounding proxy）。
- U: 不可观测的混杂变量（unmeasured confounder）。
- Y(a): 在干预A=a下的潜在结局（potential outcome）。这是不可观测的反事实量。
- θ(a) = E{Y(a)}: 目标剂量-反应函数（dose-response function），即平均潜在结果。这是要估计的参数/estimand。
- h(w, a, x): 结局桥函数（outcome bridge function），满足方程(1)。这是一个要估计的中间量。
- q(z, a, x): 处理桥函数（treatment bridge function），满足方程(2)。这是一个要估计的中间量。
- f_A(a): 处理变量A的边缘Lebesgue密度。
- f(a|U, X): 给定(U, X)后A的条件密度。
- n: 样本量。
- h_n, b_n: 平滑带宽（smoothing bandwidths），用于局部线性（h）和局部二次（b）拟合。
- K(·): 核函数（kernel function），一个对称、有界、支撑在[-1,1]上的密度函数。
模型：
- 数据生成机制由未观测混杂U驱动。U同时影响处理A和结局Y，导致A和Y之间存在混杂偏差。
- 代理变量Z和W与U相关，但与A和Y的关系受到特定排除限制（exclusion restrictions）的约束（Assumption A2）：
  - Y ⊥ Z | (U, X, A)：给定(U, X, A)后，Z对Y没有直接影响。
  - W ⊥ (Z, A) | (U, X)：给定(U, X)后，W对(Z, A)没有直接影响。
- 桥函数h和q被假设存在，并满足Fredholm积分方程（Assumption B）：
  - E{Y | Z, A, X} = ∫ h(w, A, X) dF(w|Z, A, X) (方程1)
  - E{q(Z, a, X) | W, A=a, X} = f_A(a) / f(a|W, X) (方程2)
- 这些方程是识别的关键。它们将不可观测的U的影响，通过可观测的代理变量(Z, W)“桥接”起来。
可观测数据：
- 研究者实际能观测到的是独立同分布的样本O_i = (Y_i, A_i, Z_i, W_i, X_i)，i=1,...,n。
- 不可观测的是混杂变量U_i和潜在结局Y_i(a)。
- 识别策略：通过假设桥函数方程和完备性条件，将不可识别的θ(a) = E{Y(a)}转化为可识别的E{h(W, a, X)}，其中h可以通过可观测数据从方程(1)中求解。

第二步：讲最小内核¶

这篇论文的核心思路可以归结为一个最小内核：构造一个“伪结果”（pseudo-outcome），使得它在给定处理A的条件期望恰好等于我们想要的剂量-反应函数θ(A)，只要两个桥函数中有一个是正确的。然后，对这个伪结果进行标准的非参数回归，就可以得到θ(a)的估计和推断。

最简特例：假设所有变量都是标量，且我们只关心一个固定的处理水平a_0。我们暂时忽略X，并假设桥函数h和q是已知的。

定义伪结果：对于每个观测O_i = (Y_i, A_i, Z_i, W_i)，定义 ξ_i = q(Z_i, A_i) * (Y_i - h(W_i, A_i)) + E[h(W_i, a)]|_{a=A_i}
核心恒等式（Theorem 1的核心）：这个伪结果的关键性质是，它的条件期望等于目标函数： E[ξ_i | A_i = a] = θ(a) 这个恒等式成立，是因为桥函数方程保证了：
- E[q(Z, A) * (Y - h(W, A)) | A=a] = 0 (由方程1)
- E[E[h(W, a)] | A=a] = θ(a) (由方程2和3)
双重稳健性：更一般地，如果我们用估计的桥函数\bar{q}和\bar{h}来构造伪结果\bar{ξ}_i，那么： E[\bar{ξ}_i | A_i = a] - θ(a) = E[ (\bar{q}(Z, a) - q(Z, a)) * (h(W, a) - \bar{h}(W, a)) | A=a ] 这个乘积形式意味着，只要\bar{h} = h或\bar{q} = q，条件期望的误差就为零。这就是双重稳健性。
从伪结果到推断：一旦我们有了这个伪结果\bar{ξ}_i，问题就简化为一个标准的非参数回归问题：估计E[\bar{ξ} | A=a]。本文采用局部线性回归来估计θ(a)，并利用局部二次回归来校正局部线性估计的偏差，从而允许带宽取MSE最优阶。

一句话总结：这篇论文在数学上干了一件什么事？它将存在未测量混杂的因果推断问题，通过构造一个双重稳健的伪结果，转化为了一个标准的、无混杂的非参数回归问题，然后应用成熟的去偏局部多项式技术来解决这个回归问题，并建立了完整的推断理论。

三、这篇论文做了什么¶

三句话¶

研究问题：在存在未测量混杂且处理变量为连续的情况下，对因果剂量-反应函数θ(a)进行非参数推断（点估计、置信区间、置信带）。
核心工具/方法：提出了一个proximal doubly robust pseudo-outcome，其条件期望等于θ(a)；基于此，构造了一个交叉拟合（cross-fitted）的去偏（debiased）局部线性估计量，该估计量通过一个局部二次拟合来校正偏差，并推导了其影响函数。
主要结论：在桥函数估计量满足乘积率条件（而非熵条件）下，该估计量在带宽取MSE最优阶（h ≍ n^{-1/5}）时是渐近正态的，无需欠平滑。建立了点态、有限维和均匀高斯近似理论，并提供了实用的带宽选择器和推断程序。

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：

核心假设：
- Assumption A (识别假设)：
  - (A1) 一致性（Consistency）和二阶矩条件。
  - (A2) 排除限制（Exclusion restrictions）：Y ⊥ Z | (U, X, A) 和 W ⊥ (Z, A) | (U, X)。这是PCI框架的核心，定义了代理变量的角色。
  - (A2) 条件可交换性（Conditional exchangeability）：Y(a) ⊥ A | (U, X)。这是因果推断的标准假设，但这里是在给定(U, X)下，而非观测变量(X, Z, W)下。
  - (A2) 正性（Positivity）：f(a|U, X) > 0。
  - (A3) 完备性（Completeness）：两个条件期望算子E[·|W, A=a, X=x]和E[·|Z, A=a, X=x]是单射的。这是识别桥函数的关键技术条件，类似于工具变量中的秩条件。
- Assumption B (桥函数存在性)：存在平方可积的桥函数h和q满足方程(1)和(2)。附录A给出了基于奇异系统分解的充分条件（Picard准则）。
- Assumption C (路径可微性)：定义了模型空间M^†，并假设桥函数h_P在P_0处是L_2可微的。这是推导影响函数的技术前提。
- Assumption D (核与带宽)：核函数K是Lipschitz连续的，且属于一个VC-型函数类。带宽满足h_n → 0, nh_n → ∞, b_n → 0, h_n/b_n → τ ∈ [0, ∞)。
- Assumption E (点态光滑性)：θ_0, f_A, σ_0^2在a_0附近足够光滑（如θ_0二阶连续可导）。
- Assumption F (点态交叉拟合与桥函数条件)：
  - (F1) 交叉拟合的折叠划分是固定的或与数据独立。
  - (F2) 桥函数估计量\hat{q}_n^{(-k)}和\hat{h}_n^{(-k)}在a_0附近一致有界。
  - (F3) 双重稳健率条件：存在一个划分S_1 ∪ S_2 ∪ S_3，使得在S_1上q_∞ = q_0，在S_2上h_∞ = h_0，在S_3上两者都等于真值。对应的条件L_2误差率需满足乘积条件，例如在S_3上，d_q * d_h = o_p{(nh_n)^{-1/2}}。这是本文理论的核心优势之一：它只要求桥函数估计量的乘积率，而非各自达到参数率。
  - (F4) 桥函数估计量的条件L_2误差一致收敛到0。
- Assumption G (均匀推断条件)：是Assumption F的均匀版本，要求更强的率（如o_p{(nh_n log n)^{-1/2}}）和更严格的光滑性（如θ_0的Hölder连续性、Y的有界性）。
相比已有文献的放宽或强化：
- 相比Wu et al. (2024)：本文强化了理论，从仅有点态偏差-方差分析提升到了完整的渐近分布和推断理论。本文放宽了对带宽的要求（无需欠平滑），并放宽了对桥函数估计量的要求（通过交叉拟合避免了熵条件）。
- 相比Colangelo & Lee (2026) / Takatsu & Westling (2025)：本文的假设更弱。它不需要无未测量混杂假设。在推断技术上，它放宽了对桥函数估计量的光滑性要求（只需L_2率，而非逐点导数有界），并通过交叉拟合避免了熵条件。

主要结果¶

Theorem 1 (Population Double Robustness)：证明了E{ξ_prox(O; \bar{q}, \bar{h}) | A=a} = θ(a)当且仅当\bar{h}=h或\bar{q}=q。这是整个方法的基石，将因果识别问题转化为一个条件期望的回归问题。
Theorem 2 (Influence Function)：推导了平滑后的因果目标参数θ_{P,h,b}(a_0)在非参数模型下的影响函数φ_{0,h,b,a_0}(O)。这个影响函数是构造去偏估计量和进行推断的核心。其形式为： φ = Γ(A)ξ_0(O) - γ(A) + ∫ Γ(\bar{a}){h_0(W, \bar{a}, X) - θ_0(\bar{a})}dF_0(\bar{a}) 其中Γ是组合核权重，γ是校正项。这个结果将问题从“估计桥函数”转化为了“估计一个路径可微的泛函”。
Theorem 3 (Pointwise Asymptotic Normality)：证明了在nh_n^5 = O(1)（即MSE最优带宽）下，去偏估计量\hat{θ}_n^{DB,cf}(a_0)是渐近正态的： (nh_n)^{1/2} {\hat{θ}_n^{DB,cf}(a_0) - θ_0(a_0)} → N(0, V_{K,τ} σ_0^2(a_0) / f_A(a_0)) 其中V_{K,τ}是依赖于核函数和带宽比τ的常数。这个结果的关键在于，它允许h_n取MSE最优阶n^{-1/5}，而无需欠平滑。这是通过局部二次偏差校正实现的。
Theorem 4 (Finite-dimensional Asymptotic Normality)：证明了在有限个不同点a_1, ..., a_m上，估计量联合收敛到具有对角协方差矩阵的多元正态分布。这为进行点对点对比（如θ(a_1) - θ(a_2)）的推断提供了基础。
Theorem 5 (Uniform Gaussian Approximation)：证明了在紧致处理区间A_0上，学生化的估计量过程可以被一个均值为零的高斯过程Z_{∞,h_n,b_n}近似。这为构造同时置信带（simultaneous confidence bands） 提供了理论基础。该高斯过程的协方差由影响函数的协方差决定，且其期望上确界为O(√{log(h_n^{-1})})。

证明路线与技术技巧¶

整体路线：
1. 识别与伪结果构造：利用桥函数方程，证明θ(a) = E{h(W, a, X)}，并构造双重稳健伪结果ξ。
2. 平滑目标与影响函数：由于点估计不是路径可微的，考虑一个平滑后的目标θ_{P,h,b}(a_0)。通过计算该平滑泛函沿参数子模型的路径导数，推导出其影响函数φ。这一步是去偏估计的基础。
3. 去偏估计量构造：基于影响函数，构造交叉拟合估计量\hat{θ}_n^{DB,cf}(a_0)。其核心是\hat{θ} = P_n{Γ \hat{ξ}} + ...，其中Γ是经验版本的组合核权重。
4. 余项分解：将估计误差\hat{θ} - θ_0分解为：
  - P_n φ_∞ (主项，影响函数项)
  - R_{n,1} (平滑偏差)
  - R_{n,2} (桥函数估计的empirical process项)
  - R_{n,3} (核权重估计误差项)
  - R_{n,4} (proximal双重稳健余项)
  - R_{n,5} (乘积经验测度余项)
  - R_{n,6} (局部多项式矩阵余项)
5. 余项控制：逐一证明所有余项R_{n,j}都是o_p{(nh_n)^{-1/2}}（点态）或o_p{(nh_n log n)^{-1/2}}（均匀）。这是证明的核心技术部分。
6. 主项极限：证明主项(nh_n)^{1/2} P_n φ_∞依分布收敛到正态分布（或高斯过程）。
关键跳跃点：
- 跳跃点1：从“估计桥函数”到“估计路径可微泛函”。直接处理\hat{θ}(a_0)的渐近性非常困难。通过引入平滑目标θ_{P,h,b}(a_0)并推导其影响函数，作者将问题转化为了一个标准的半参数推断问题。这个跳跃使得利用影响函数进行去偏成为可能。
- 跳跃点2：控制R_{n,4}（Proximal Doubly Robust Remainder）。这个余项是∫ Γ(a) E[(\hat{q} - q_0)(h_0 - \hat{h}) | A=a] dF_0(a)。其核心难点在于，它涉及两个桥函数估计误差的乘积。作者利用Assumption F3中的划分S_1, S_2, S_3，将问题分解为三个区域，在每个区域上，至少有一个桥函数的误差是小的，从而将乘积误差率控制为o_p{(nh_n)^{-1/2}}。这是证明双重稳健性的关键。
- 跳跃点3：避免熵条件。在控制R_{n,2}和R_{n,3}时，传统方法需要对桥函数估计量的函数类施加Donsker或熵条件。作者通过交叉拟合（cross-fitting） 巧妙地绕过了这个难点。在交叉拟合中，当在验证集上计算时，桥函数估计量是固定的，因此不需要考虑其作为随机函数的复杂性。这使得理论对桥函数估计方法非常灵活。
技术技巧点名：
- 影响函数（Influence Function）：用于构造去偏估计量和进行推断。推导过程涉及对参数子模型的路径求导。
- 交叉拟合（Cross-fitting）：用于放松对桥函数估计量的熵条件，是现代去偏机器学习（DML）的标准技术。
- 局部多项式回归（Local Polynomial Regression）：用于非参数地估计θ(a)。使用局部线性（h）进行估计，局部二次（b）进行偏差校正。
- U-统计量（U-statistics）：在控制R_{n,5}（乘积经验测度余项）时，涉及对(Q_{n,k}^{WX} × F_{n,k})的分析，这本质上是一个二阶U-统计量。作者利用U-统计量的退化性质（degeneracy）和矩不等式来控制其阶数。
- Empirical Process Theory：用于控制R_{n,2}和R_{n,3}。由于交叉拟合，这里的empirical process是条件于训练集的，因此只需要对固定的函数类应用标准的最大值不等式。
- VC-型函数类（VC-type classes）：用于证明核函数类和一些衍生函数类的熵性质，从而应用均匀中心极限定理。

真实例子与应用¶

数据/场景：合法堕胎与犯罪率研究（Legalized Abortion and Crime Study, Donohue & Levitt, 2001）。这是一个经典的因果推断案例，曾被用于多个PCI方法的基准测试。
如何应用：
- 处理变量A：有效堕胎率（effective abortion rate）。
- 结局变量Y：谋杀率（murder rate）。
- 处理代理Z：对有子女家庭的福利慷慨程度（generosity toward families with dependent children）。
- 结局代理W：人均啤酒消费量、对数囚犯人口、隐蔽武器法。
- 协变量X：州和年份的固定效应等（通过数据生成过程隐含）。
- 方法：使用5折交叉拟合，用GMM估计结局桥函数h，用指数校准（exponential calibration）估计处理桥函数q。然后应用四种PDR估计量（PDR-PI1, PI2, CV1, CV2）来估计剂量-反应曲线。
结果：
- 所有四种PDR估计量都能很好地恢复真实剂量-反应曲线（由拟合的生成模型得到）。
- PDR-CV2 在所有估计量中取得了最小的MSE（0.002472），远优于Wu et al. (2024) 报告中最佳方法的MSE（约0.01）。
- 估计的曲线显示，有效堕胎率与后续谋杀率之间存在负相关关系，这与Donohue & Levitt (2001) 提出的机制一致。
这个例子想说明什么：
- 验证理论：展示了所提出的方法在真实数据驱动的模拟设计中具有良好的有限样本性能。
- 展示相对优势：通过与Wu et al. (2024) 的结果进行非正式比较，展示了本文方法在估计精度上的显著提升。
- 实用性：证明了该方法在存在潜在混杂和多个代理变量的政策相关场景中是实用的。

🔎 结论是否比证明窄¶

窄结论1：均匀推断的协方差估计。Theorem 5 建立了基于总体协方差Σ_{∞,h_n,b_n}的均匀高斯近似。作者在文中明确说明（Section 5.1, Remark 2）：“establishing the validity of such a plug-in procedure requires a separate uniform covariance approximation, which is beyond the scope of the present work.” 因此，论文没有严格证明使用经验协方差\hat{Σ}_{n,h,b}构造的置信带的理论有效性。虽然模拟中表现良好，但这在理论上是一个缺口。
窄结论2：带宽比τ=0的情形。Theorem 3 的渐近方差V_{K,τ}在τ=0时退化为∫ K(u)^2 du。这意味着当b_n比h_n大得多时（h_n/b_n → 0），局部二次偏差校正的贡献在方差中消失。虽然这在理论上可行，但作者在模拟中统一设置b=h（即τ=1），并未探索τ=0时的性能。因此，关于τ=0的理论结论在实际中的表现是未经检验的。

四、开放问题¶

经验协方差估计的理论证明：Theorem 5 的均匀高斯近似依赖于总体协方差。要证什么：证明基于经验影响函数\hat{ϕ}_{n,h,b,a_0,i}构造的协方差估计量\hat{Σ}_{n,h,b}(u,v)在某种意义下是一致估计，从而保证基于\hat{Σ}构造的置信带具有正确的渐近覆盖。扎根于：Section 5.1, Remark 2 和 Theorem 5 的陈述。
高维代理变量下的桥函数估计：本文的桥函数估计（GMM, 指数校准）是针对低维代理变量的。要估什么：当Z和W的维度很高，甚至大于样本量时，如何有效地估计桥函数h和q，并使其满足本文所需的L_2收敛率条件？扎根于：本文的模拟和真实数据例子中代理变量都是低维的，且Assumption F/G 对桥函数估计量的率要求并未明确讨论高维挑战。
桥函数模型误设的诊断：本文的方法在桥函数模型误设时（Scenario MM）表现不佳。要算什么：能否开发一个检验统计量或诊断工具，来检测h或q的模型是否被严重误设？扎根于：模拟中的Scenario MM（两个桥函数都误设）导致估计和推断完全失效，这在实际应用中是一个重大风险。
放松完备性条件：Assumption A3 的完备性条件很强，类似于工具变量中的“相关性”条件，但在非参数设定下更难验证。要证什么：能否在更弱的条件下（如部分完备性、近似完备性）识别和推断剂量-反应函数？扎根于：Assumption A3 是识别桥函数的核心，也是PCI框架中最受争议的假设之一。

Maintained by 陈星宇 · Homepage · Source on GitHub