Estimating the Average Treatment Effect under Limited Overlap via Polynomial Approximation and Extrapolation¶

作者: Shunichiro Orihara, Sho Komukai, Fan Li
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.09329

一、领域脉络与小综述¶

这个方向是什么¶

本子方向关注的是观察性研究中协变量重叠不足（limited overlap）对平均处理效应（ATE）估计的影响。当倾向得分（propensity score）接近0或1时，逆概率加权（IPW）估计量的方差急剧膨胀，甚至渐近方差不存在（Heiler and Kazak, 2021）。核心统计问题是：在弱于严格重叠假设的条件下，如何仍能对ATE进行一致且渐近正态的估计，同时不改变目标estimand（即保留ATE而非转向替代estimand）。当前成熟度：已有大量修剪（trimming）和改变estimand的方法，但保留ATE且不依赖强假设的通用方法仍属活跃研究前沿。

发展脉络（history）¶

奠基工作：Rosenbaum and Rubin (1983) 提出倾向得分，Imbens and Rubin (2015) 系统化因果推断框架。IPW估计量在严格重叠假设（Assumption 1: 存在δ>0使δ≤e(x)≤1-δ）下具有一致性和渐近正态性。
重叠不足问题的识别：Crump et al. (2009) 提出修剪（trimming）方法，排除倾向得分极端的观测，并给出最优修剪规则（近似为[0.1,0.9]）。该文被本文引用为“intuitively reasonable, easy to implement”，但修剪会引入相对于ATE的偏差。
改变estimand的路线：Li et al. (2018) 提出重叠权重（overlap weights），目标estimand变为ATO（overlap population的ATE），权重w(x)=e(x)(1-e(x))，具有有界性和最小渐近方差。Matsouaka and Zhou (2024) 推广为beta权重族w_β(x)={e(x)(1-e(x))}^β。这些方法改变了科学问题（Rizk, 2025），本文指出“the resulting estimands differ from the primary target of interest, the ATE”。
修剪后外推的路线：Ma and Wang (2020) 和 Chaudhuri and Hill (2025) 扩展了Crump的方法，确定最优修剪阈值并研究渐近行为，试图恢复ATE。本文认为这些方法“require assumptions that are not necessarily intuitive and additional modeling for extrapolation beyond the trimmed region”。
极端倾向得分的稳健推断：Heiler and Kazak (2021) 证明IPW估计量的极限分布可能属于α-稳定族，标准bootstrap失效，提出自适应m-out-of-n bootstrap。本文引用其说明极端倾向得分导致方差膨胀。
本文的位置：本文提出PET方法，利用beta权重族中多个estimand的轨迹（trajectory），通过多项式拟合外推回ATE。作者声称“this use of an estimand trajectory to recover the ATE has not been previously considered”。

子线索聚类¶

修剪与截断：Crump et al. (2009), Ma and Wang (2020), Chaudhuri and Hill (2025)。核心思路是丢弃或截断极端倾向得分观测，然后对ATE进行偏差校正或外推。优点：保留ATE为目标。缺点：需要额外建模假设，修剪阈值选择敏感。
改变estimand：Li et al. (2018) (ATO), Matsouaka and Zhou (2024) (beta权重族), Rizk (2025) (解释性讨论)。核心思路是转向一个更稳定但不同的因果参数（如ATO）。优点：估计稳定，方差有界。缺点：科学问题改变，结果难以推广到原目标总体。
稳健推断：Heiler and Kazak (2021), Kang and Schafer (2007) (双稳健性在极端权重下的表现)。核心思路是发展不依赖严格重叠的推断方法（如重抽样、稳定分布理论）。优点：理论严谨。缺点：实现复杂，有限样本表现可能不稳定。
多项式外推（本文）：PET方法。核心思路：将beta权重族下的WATE视为β的函数，用多项式近似，通过多个β_k处的估计值拟合后外推至β=0（即ATE）。优点：保留ATE，实现简单（OLS），在弱于严格重叠的条件下仍可渐近正态。缺点：依赖多项式近似偏差可忽略的假设（条件(3.5)或近似偏差为o(1/√n)）。

这个方向在追问的核心问题¶

如何在不改变目标estimand的前提下，获得比标准IPW更稳定的ATE估计？ 修剪和外推是两条主要路径，但外推模型的选择和偏差控制是关键。
重叠不足到什么程度时，ATE的识别和估计仍然可行？ 严格重叠假设是充分条件，但非必要。本文通过beta权重族的方差分析指出，当β≥0.5时，渐近方差中不再出现e(x)^{-1}项，因此严格重叠不是σ_β^2有限的必要条件。
如何权衡偏差与方差？ 修剪和外推都会引入偏差，但降低方差。最优权衡点取决于数据生成机制。本文的Algorithm 1通过设定目标方差κσ̂_IPW^2来选择β_1和q，体现了这一权衡。
能否将外推思路推广到更复杂的因果参数（如IV、序贯治疗）？ 本文在Discussion中提及可扩展到IPW Cox模型和序贯治疗设置。

⚠️ 作者的framing¶

作者把缺口frame成什么：现有方法要么改变estimand（ATO等），要么需要复杂的修剪后外推模型。作者声称PET方法“uses the trajectory of multiple estimands within the beta weight family to recover the ATE, rather than relying on a single alternative estimand”，且“has a clear interpretation and is straightforward to implement”。因此，PET被定位为“显然的下一步”：在保留ATE的同时，利用beta权重族的自然结构，通过简单多项式回归实现稳健估计。
哪些竞争路线被淡化或回避：
修剪方法（Crump et al., 2009; Ma and Wang, 2020）被描述为“require assumptions that are not necessarily intuitive”，但PET本身也依赖多项式近似偏差可忽略的假设（条件(3.5)），作者在Section 4.1中承认“this condition does not hold in general”，然后论证偏差通常很小。这种论证的强度可能弱于修剪方法中基于渐近理论的偏差校正。
直接使用ATO等替代estimand的方法被批评为“change the scientific question”，但PET实际上也依赖于beta权重族，而beta权重族本身也是替代estimand的集合。PET只是将它们作为中间量，最终外推回ATE。这种“中间量”策略是否真的比直接使用ATO更合理，取决于外推偏差是否真的可忽略。
作者未提及Barnard et al. (2026)（本文引用为“recently propose a procedure for selecting an optimal estimand”），该文可能提供了一种不同的框架来选择estimand，但作者仅一笔带过。
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：作者未讨论当倾向得分模型错误指定时，PET方法的表现（仅在附录B.2中做了部分模拟）。此外，对于高维协变量下的重叠问题（D'Amour et al., 2021），本文未深入讨论，仅引用其严格重叠假设的定义。

张力¶

未见明显对立引用。各工作基本在互补的设定下发展：修剪方法侧重丢弃极端观测，改变estimand侧重重新定义目标，PET侧重利用多个estimand的轨迹。它们之间的主要张力在于“保留ATE vs. 改变estimand”这一根本权衡，但作者明确站在保留ATE一侧。

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：
\(A_i \in \{0,1\}\)：处理变量（treatment indicator）。
\(X_i \in \mathcal{X} \subset \mathbb{R}^p\)：协变量向量。
\((Y_i^1, Y_i^0)\)：潜在结果（potential outcomes），不可同时观测。
\(Y_i = A_i Y_i^1 + (1-A_i)Y_i^0\)：观测结果。
\(e(x) = \Pr(A=1 \mid X=x)\)：倾向得分（propensity score）。
\(\tau = \mathbb{E}[Y^1 - Y^0]\)：平均处理效应（ATE），目标estimand。
\(\tau(x) = \mathbb{E}[Y^1 - Y^0 \mid X=x]\)：条件平均处理效应（CATE）。
\(w_\beta(x) = \{e(x)(1-e(x))\}^\beta\)：beta权重族，\(\beta \geq 0\)。
\(\tau_\beta = \frac{\mathbb{E}[w_\beta(X) \tau(X)]}{\mathbb{E}[w_\beta(X)]}\)：加权ATE（WATE），当\(\beta=0\)时\(\tau_0 = \tau\)。
\(n\)：样本量。\(K\)：选取的\(\beta\)值个数。\(q\)：多项式阶数。
\(\hat{\tau}_{\beta_k}\)：基于IPW的WATE估计量（公式(2.1)）。
\(\hat{\tau}_P\)：PET估计量（公式(3.4)）。
\(\alpha_k\)：PET估计量中第k个WATE估计量的权重（公式(3.4)下方）。
\(\bar{P}_B = I_K - B^\top (BB^\top)^{-1} B\)：投影矩阵，其中\(B\)是\(q \times K\)矩阵，第k列为\(( \beta_k, \beta_k^2, \dots, \beta_k^q )^\top\)。
模型：
数据生成机制：\((A_i, X_i, Y_i)\) i.i.d. 来自某个联合分布。假设条件可交换性（unconfoundedness）\(A \perp\!\!\!\perp (Y^1, Y^0) \mid X\) 和 positivity \(0 < e(X) < 1\)。潜在结果有有限二阶矩。
倾向得分模型：通常假设为logistic回归（公式(3.7)），但理论部分先假设已知，后考虑估计。
无其他结构假设（如线性、稀疏性）。处理效应可以是异质的。
可观测数据：研究者观测到 \((A_i, X_i, Y_i)\)，\(i=1,\dots,n\)。潜在结果 \((Y_i^1, Y_i^0)\) 不可观测。倾向得分 \(e(X_i)\) 未知，需估计。

第二步：最小内核¶

本文的核心数学思想是：WATE \(\tau_\beta\) 可以近似为 \(\beta\) 的多项式函数，因此通过估计多个 \(\beta_k\) 下的 \(\tau_{\beta_k}\)，拟合多项式，再外推至 \(\beta=0\) 即可得到ATE \(\tau\)。

最简特例：取 \(q=1\)（线性近似），\(K=2\)（两个点 \(\beta_1, \beta_2\)）。此时，假设 \(\tau_\beta \approx \gamma_0 + \gamma_1 \beta\)。那么ATE \(\tau = \tau_0 \approx \gamma_0\)。我们有两个方程：

\[\tau_{\beta_1} = \gamma_0 + \gamma_1 \beta_1, \quad \tau_{\beta_2} = \gamma_0 + \gamma_1 \beta_2.\]

解出 \(\gamma_0 = \frac{\beta_2 \tau_{\beta_1} - \beta_1 \tau_{\beta_2}}{\beta_2 - \beta_1}\)。用估计量 \(\hat{\tau}_{\beta_1}, \hat{\tau}_{\beta_2}\) 代入即得PET估计量：

\[\hat{\tau}_P = \frac{\beta_2 \hat{\tau}_{\beta_1} - \beta_1 \hat{\tau}_{\beta_2}}{\beta_2 - \beta_1}.\]

这个估计量是 \(\hat{\tau}_{\beta_1}\) 和 \(\hat{\tau}_{\beta_2}\) 的线性组合，权重分别为 \(\alpha_1 = \beta_2/(\beta_2-\beta_1)\)，\(\alpha_2 = -\beta_1/(\beta_2-\beta_1)\)。注意 \(\alpha_1 + \alpha_2 = 1\)。

为什么这个特例抓住了核心： - 它展示了“通过多个WATE的线性组合恢复ATE”的基本结构。 - 当 \(\beta_1\) 和 \(\beta_2\) 都远离0时（例如 \(\beta_1=0.2, \beta_2=0.5\)），\(\hat{\tau}_{\beta_1}\) 和 \(\hat{\tau}_{\beta_2}\) 的方差比 \(\hat{\tau}_0\)（标准IPW）小得多，因为权重 \(w_\beta\) 抑制了极端倾向得分的影响。但线性近似可能引入偏差（如果真实 \(\tau_\beta\) 不是 \(\beta\) 的线性函数）。 - 一般情形（\(q>1, K>q+1\)）只是这个特例的推广：用最小二乘拟合多项式，取截距作为ATE估计。证明路线也是基于影响函数展开，将 \(\hat{\tau}_P\) 表示为多个WATE估计量的加权和。

核心数学困难：多项式近似偏差（即 \(\tau_\beta\) 与 \(q\) 次多项式的差异）必须足够小，否则外推会引入不可忽略的偏差。本文通过泰勒展开（Proposition 1）和偏差上界（公式(4.2)）论证，当 \(q = O(\log(nK))\) 时，偏差可达到 \(o(1/\sqrt{n})\)，从而不影响渐近正态性。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在协变量重叠不足（limited overlap）导致标准IPW估计量方差过大或不稳定的情况下，如何仍能一致且渐近正态地估计ATE，且不改变目标estimand。
核心工具/方法：提出PET（Polynomial approximation and Extrapolation to the Target estimand）方法，利用beta权重族 \(\tau_\beta\) 作为 \(\beta\) 的多项式函数这一结构，通过估计多个 \(\beta_k\) 下的WATE，拟合多项式回归，外推至 \(\beta=0\) 得到ATE估计。
主要结论：在多项式近似偏差可忽略（条件(3.5)或偏差为 \(o(1/\sqrt{n})\)）的条件下，PET估计量具有一致性和渐近正态性，且其渐近方差不依赖于标准IPW的方差，因此在弱于严格重叠的假设下仍可有效推断。模拟实验显示，在重叠不足时，PET的偏差小于ATO、Crump修剪和Yang平滑方法，而方差小于标准IPW。

关键设定与假设¶

基本设定：同第二节。假设条件可交换性、positivity、潜在结果有限二阶矩。
关键假设：
条件(3.5)：\(\bar{P}_B (\boldsymbol{\tau} - \tau \mathbf{1}_K) = \mathbf{0}_K\)，其中 \(\boldsymbol{\tau} = (\tau_{\beta_1}, \dots, \tau_{\beta_K})^\top\)。这等价于 \(\tau_{\beta_k}\) 恰好是 \(\beta_k\) 的 \(q\) 次多项式（无高阶项）。作者在Section 4.1中放宽为偏差 \(o(1/\sqrt{n})\)，并给出充分条件 \(q = O(\log(nK))\)。
矩条件(3.1)：\(\mathbb{E}[(1+|\tau(X)|)(1+|\log e(X)(1-e(X))|^{q+1})] < \infty\)。这比严格重叠弱（严格重叠蕴含该条件，反之不真）。
倾向得分模型：在Theorem 1中假设已知；Theorem 2中假设为参数模型（logistic）且MLE估计，需正则条件保证\(\sqrt{n}\)-相合。
双稳健性（Theorem 3）：假设条件(3.5)对正确指定的倾向得分模型或正确指定的结果模型均成立。若倾向得分模型正确，则估计量一致；若结果模型正确，则估计量一致（因为此时影响函数中不含逆倾向得分项）。
相比已有文献的放宽/强化：
相比标准IPW：不要求严格重叠（Assumption 1），只需矩条件(3.1)和多项式近似偏差可忽略。
相比修剪方法（Crump et al., 2009; Ma and Wang, 2020）：不需要选择修剪阈值或对外推模型做额外假设（但PET本身依赖多项式近似假设）。
相比改变estimand（Li et al., 2018）：保留ATE为目标，但引入了外推偏差的风险。

主要结果¶

Theorem 1（已知倾向得分）：若条件(3.5)成立，则 \(\sqrt{n}(\hat{\tau}_P - \tau) \xrightarrow{d} N(0, \sigma^2)\)，其中 \(\sigma^2\) 由公式(3.6)给出，是各WATE估计量方差-协方差的加权和。关键：\(\sigma^2\) 中不出现 \(e(X)^{-1}\) 项（当 \(\beta_k \geq 0.5\) 时），因此严格重叠不是必要的。
Theorem 2（估计倾向得分）：若条件(3.5)成立，且倾向得分由MLE估计，则 \(\sqrt{n}(\hat{\tau}_P - \tau) \xrightarrow{d} N(0, \sigma'^2)\)，其中 \(\sigma'^2 = \sigma^2 + \Lambda\)，\(\Lambda\) 可正可负，反映了估计倾向得分带来的额外方差（可能减少也可能增加）。影响函数由公式(A.7)给出。
Theorem 3（双稳健性）：若条件(3.5)成立，且倾向得分模型或结果模型之一正确指定，则 \(\hat{\tau}_P^{\text{DR}} \xrightarrow{p} \tau\)。注意：双稳健性依赖于条件(3.5)对正确指定的模型也成立，这是一个较强的要求（因为正确指定的模型下，\(\tau_{\beta_k}\) 的表达式可能改变）。
近似偏差分析（Section 4.1）：给出偏差上界（公式(4.2)），并证明当 \(q = O(\log(nK))\) 时，偏差可达到 \(o(1/\sqrt{n})\)，从而不影响渐近正态性。这是对条件(3.5)的实质性放松。
超参数选择（Algorithm 1）：通过设定目标方差 \(\kappa \hat{\sigma}^2_{\text{IPW}}\)，选择最小的 \(\beta_1\) 和最大的 \(q\) 使得估计方差低于目标。\(\kappa\) 有样本量解释：相当于将IPW的样本量从 \(n\) 增加到 \(n/\kappa\)。

证明路线与技术技巧¶

整体路线（以Theorem 1为例）： 1. 将PET估计量写为加权和：\(\hat{\tau}_P = \sum_{k=1}^K \alpha_k \hat{\tau}_{\beta_k}\)，其中 \(\alpha_k\) 由投影矩阵 \(\bar{P}_B\) 决定。 2. 影响函数展开：对每个 \(\hat{\tau}_{\beta_k}\) 进行线性化（类似于标准IPW的影响函数），得到 \(\sqrt{n}(\hat{\tau}_{\beta_k} - \tau_{\beta_k}) = \frac{1}{\sqrt{n}} \sum_{i=1}^n \phi_{ki} + o_p(1)\)，其中 \(\phi_{ki}\) 是第k个WATE的影响函数。 3. 组合影响函数：利用条件(3.5)（即 \(\sum \alpha_k \tau_{\beta_k} = \tau\)），得到 \(\sqrt{n}(\hat{\tau}_P - \tau) = \frac{1}{\sqrt{n}} \sum_{i=1}^n \sum_{k=1}^K \alpha_k \phi_{ki} + o_p(1)\)。 4. 应用CLT：由于 \(\phi_i = \sum \alpha_k \phi_{ki}\) 是i.i.d.零均值随机变量，由Lindeberg-Lévy CLT得渐近正态性，方差为 \(\mathbb{E}[\phi_i^2]\)，即公式(3.6)。

关键跳跃点： - 条件(3.5)的作用：它保证了 \(\sum \alpha_k \tau_{\beta_k} = \tau\)，从而在影响函数中消去了 \(\tau_{\beta_k} - \tau\) 项。若该条件不成立，则会出现额外的偏差项，需要证明其为 \(o(1/\sqrt{n})\)（Section 4.1）。 - 估计倾向得分时的额外项：Theorem 2的证明中，需要处理 \(\hat{\zeta}\) 的估计误差。通过一阶泰勒展开（公式(A.5)），将 \(\hat{W}_{ki}\) 展开为 \(W_{ki} + \dot{W}_{ki}^\top (\hat{\zeta} - \zeta_0) + o_p(1/\sqrt{n})\)，然后代入影响函数，得到额外的 \(\Lambda\) 项。关键在于 \(\Lambda\) 的符号不确定，因此用估计的倾向得分可能增大或减小方差。 - 双稳健性的证明：通过构造高效影响函数（EIF），并证明当结果模型正确时，EIF中不含逆倾向得分项，从而即使倾向得分模型错误，估计量仍一致。但注意：EIF的推导依赖于条件(3.5)（见公式(3.9)下方“since \(\sum \alpha_k \tau_{\beta_k} = \tau\)”）。

技术技巧点名： - 泰勒展开：用于Proposition 1（将 \(h_\beta(x)\) 展开为 \(\beta\) 的多项式）和Theorem 2（展开 \(\hat{W}_{ki}\)）。 - 投影矩阵：\(\bar{P}_B\) 用于从 \(\hat{\tau}\) 中剔除多项式部分，提取截距项。这是线性回归的几何解释。 - 影响函数（Influence Function）：用于推导渐近方差和双稳健估计量。作者明确给出了EIF（公式(3.9)下方）。 - M-估计理论：用于处理估计的倾向得分（Theorem 2），利用MLE的渐近线性表示。 - 偏差上界：通过Cauchy-Schwarz和泰勒余项界得到公式(4.2)，然后选择 \(q\) 使偏差为 \(o(1/\sqrt{n})\)。

真实例子与应用¶

本文为纯模拟研究，无真实数据例子。模拟设置如下： - 数据生成：基于Mao et al. (2019)的异质处理效应设定。四个协变量（两个连续、两个离散），倾向得分logistic模型，处理效应与倾向得分呈U型关系。设置两种重叠程度：良好重叠（\(\rho=0.8\)）和有限重叠（\(\rho=1.4\)）。 - 比较方法：标准IPW（ATE）、ATO、Crump修剪（最优阈值）、Yang平滑权重、PET（IPW和AIPW版本）。 - PET实现：\(K=50\)，\(\beta_K=0.99\)，\(\beta_1\) 候选0.04到0.69，\(q\) 候选1-4。用Algorithm 1选择（IPW版 \(\kappa=10/11\)，AIPW版 \(\kappa=1\)）。 - 结果： - 有限重叠下：标准IPW的ESE和RMSE很大，覆盖不足（n=200时CP=81.6%）。ATO、Crump、Yang偏差大（约0.3），CP低。PET的偏差（0.048）远小于这些方法，ESE（0.204）小于标准IPW（0.261），CP（92.8%）接近名义水平。 - 良好重叠下：所有方法表现较好，PET与标准IPW接近。 - AIPW版本趋势类似，但PET的CP在有限重叠下更好（90.4% vs 标准AIPW的90.9%）。 - 附录B.2显示，当结果模型错误指定时，AIPW-PET的CP下降（n=2000时96.4%），但偏差仍小于标准AIPW。 - 这个例子想说明：PET在重叠不足时能有效降低方差同时控制偏差，优于改变estimand或修剪的方法。但需注意，模拟中的处理效应与倾向得分有强关联（U型），这可能有利于PET（因为 \(\tau_\beta\) 的轨迹更平滑）。作者在附录B.3中承认“this DGM may be particularly favorable to the PET method”。

🔎 结论是否比证明窄¶

条件(3.5)的严格性：Theorem 1-3均假设条件(3.5)成立，但作者在Section 4.1中承认“this condition does not hold in general”，然后论证偏差通常很小。然而，模拟中并未直接检验条件(3.5)是否近似成立，而是通过选择 \(q\) 来间接控制偏差。因此，理论保证依赖于一个不可检验的条件，实际应用中可能因数据生成机制不同而失效。
双稳健性的条件：Theorem 3要求条件(3.5)对正确指定的模型也成立。但若结果模型正确而倾向得分模型错误，\(\tau_{\beta_k}\) 的定义依赖于倾向得分，因此条件(3.5)可能不再成立。作者在附录B.2的模拟中确实发现此时CP下降（n=2000时96.4%），表明双稳健性可能不如标准AIPW稳健。
外推的局限性：作者在Discussion中承认“cannot address the extreme settings considered by Ma and Wang (2020) and Chaudhuri and Hill (2025)”，即当倾向得分在0或1处有质量时，PET可能失效。但未给出明确的理论界限。

四、开放问题¶

近似偏差不可忽略时的替代外推方法：作者在Discussion中提到“more flexible functions can be considered in the extrapolation step, such as kernel regression or machine learning methods”，但指出“generally have slower convergence rates and are more difficult to implement”。扎根点：Section 6第二段。一个具体问题是：能否用非参数方法（如局部多项式）替代全局多项式，在保证收敛速度的同时减少偏差？这需要分析偏差-方差权衡，可能涉及非参数收敛率与 \(\sqrt{n}\)-相合性的冲突。
扩展到其他权重族：作者提到“another PET-based estimator can be constructed using the trimmed weight with tuning parameter \(\alpha\) (Crump et al., 2009)”。扎根点：Section 6第一段。问题：对于修剪权重（非光滑），\(\tau_\alpha\) 作为 \(\alpha\) 的函数是否仍具有多项式结构？其光滑性如何？能否类似地通过外推恢复ATE？这需要重新建立泰勒展开或近似理论。
序贯治疗和Cox模型中的PET：作者在Discussion中提及可扩展到IPW Cox模型和序贯治疗设置。扎根点：Section 6第三段。问题：在时间相依的权重（如MSM）中，beta权重族如何定义？\(\tau_\beta\) 的轨迹是否仍可近似为多项式？这需要处理累积权重的复杂结构，可能涉及高阶U-统计量或张量收缩（与研究者熟悉的einsum复杂度相关）。
高维协变量下的表现：本文未讨论高维情形。D'Amour et al. (2021) 指出高维下严格重叠假设极难满足。扎根点：本文仅引用D'Amour et al. (2021)定义严格重叠，未进一步讨论。问题：当协变量维数 \(p\) 随 \(n\) 增长时，PET方法是否仍有效？倾向得分估计需要正则化（如Lasso），此时 \(\hat{\tau}_{\beta_k}\) 的渐近性质如何？多项式近似偏差是否随 \(p\) 增长而恶化？这需要高维统计工具（如debiased Lasso）与PET的结合。

Maintained by 陈星宇 · Homepage · Source on GitHub