跳转至

Coarsening Latent-Class Probabilities: Directional Distortion and Coverage Loss

作者: Marcell T. Kurbucz
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.11784

一、领域脉络与小综述

这个方向是什么

本文研究的核心问题是：当研究者观测到一个校准的潜类概率向量（calibrated probability vector for latent class membership），但在下游分析中将其粗化（coarsen）为硬标签（如 argmax、置信阈值标签等）后，这种粗化操作对回归系数估计和统计推断（特别是 Wald 区间覆盖概率）造成了怎样的方向特异性扭曲。该问题位于因果推断、测量误差、半参数回归和“分类-分析”（classify-analyze）范式的交叉点。当前成熟度：该领域已有大量工作描述粗化对聚合量（如均值、计数）的损害，或提出事后校正方法，但本文是第一个系统性地刻画粗化对回归系数向量的各向异性影响，并量化其对区间覆盖概率后果的工作。

发展脉络（history）

奠基工作： - Robinson (1988)：建立了部分线性回归（partially linear regression）的根-n 一致估计理论。本文的核心识别结果（方程 (5)）正是将问题简化为 Robinson 框架——这是整个分析的统计基础。 - Heitjan & Rubin (1991)：提出了“粗化数据”（coarse data）的一般框架，将粗化视为一种缺失数据机制。本文的粗化算子分析可视为对该框架在特定回归设定下的精确量化。

主要进展（两条并行线索）：

线索 A：分类-分析（classify-analyze）与潜类模型中的偏差校正 - Bolck, Croon & Hagenaars (2004)；Vermunt (2010)：在潜类模型中，提出通过估计分类误差矩阵（classification-error matrix）并求逆来校正下游估计的偏差。这些方法假设一个已拟合的潜类模型，且需要估计误差矩阵。 - Bray, Lanza & Tan (2015)：提出在分类模型中包含分析模型中的额外变量，以减少偏差。这些工作都预设了一个已损坏的标签或一个已拟合的潜类模型，而本文观测的是一个精确的校准概率向量，粗化是分析者的选择而非数据强加。

线索 B：代理变量（proxy）与公平性审计中的偏差分析 - Chen, Kallus, Mao, Svacha & Udell (2019)：在公平性审计中，对比了硬阈值插补（hard-thresholded imputation）与概率加权估计器（probability-weighted estimator）对二元人口统计差异的估计偏差，并分解了阈值化估计器的偏差来源。他们发现阈值化通常夸大差异，但未解释原因。 - Kallus, Mao & Zhou (2022)：证明当结果变量与受保护类别从未同时观测到时，常见差异度量仅能被部分识别（partial identification）。本文的排除性约束（exclusion restriction）恰好约束了这种耦合，从而将部分识别转化为点识别。 - Dong, Schein, Wang & Garg (2025)：将北卡罗来纳州选民文件中非裔美国人选民 28.2 个百分点的低估中的 11.9 个百分点归因于 argmax 标签化而非校准误差。本文的粗化算子提供了该现象的精确矩阵形式。 - Xin, Hooker & Huang (2026)：得到一阶近似下，代理种族系数是真实组效应的加权混合（通过混淆矩阵）。本文的算子精确而非一阶近似，覆盖任何粗化而非仅误分类类别，且无需真实标签即可识别。

当前 Frontier 与本文位置： - Kurbucz (2026a)：建立了二元潜类在条件校准下的识别理论，给出了标量残差方差 V 作为识别条件。 - Kurbucz (2026b)：为二元潜类开发了置信阈值化的衰减因子诊断规则。 - 本文：将二元理论推广到多类（K+1 类），核心贡献是：(1) 识别了粗化算子 A_h = I + D_h^{-1} E[a_h u^T]，该算子完全由可观测数据 (p, X) 决定；(2) 证明了粗化是各向异性*的——不同对比的扭曲程度差异很大；(3) 推导了粗化后 Wald 区间覆盖概率的闭式表达式，该表达式在报告区间前即可近似估计。

子线索聚类

  1. 偏差描述与诊断（本文所属）：刻画粗化对点估计和区间覆盖的精确影响，不依赖事后校正或验证样本。代表：Kurbucz (2026a, 2026b)，本文。
  2. 偏差校正（事后）：通过估计分类误差矩阵、扩大分类模型或使用验证样本来修正偏差。代表：Bolck et al. (2004), Vermunt (2010), Bray et al. (2015), Angelopoulos et al. (2023), Battaglia et al. (2024)。
  3. 部分识别与边界分析：在无法点识别时，给出参数的部分识别集或敏感性边界。代表：Kallus et al. (2022), Armstrong & Kolesár (2021), Li (2026)。
  4. 潜结构恢复：通过注入性条件（对角化积分算子）或条件独立测量来恢复潜变量本身。代表：Hu & Schennach (2008), Schennach (2016), Allman, Matias & Rhodes (2009)。

这个方向在追问的核心问题

  1. 识别条件：在什么条件下，潜类效应 τ 可以从可观测数据 (Y, X, p) 中点识别？条件校准（Assumption 2）是否必要且充分？
  2. 粗化代价：将概率向量粗化为硬标签后，点估计的偏差有多大？这种偏差是各向同性的还是各向异性的？
  3. 推断有效性：基于粗化标签的 Wald 区间是否仍然有效？覆盖概率如何随粗化程度变化？
  4. 可诊断性：能否在不依赖真实标签的情况下，预先估计粗化对点估计和区间覆盖的损害？

已知瓶颈：现有方法要么需要验证样本（Angelopoulos et al., 2023），要么需要估计分类误差矩阵（Bolck et al., 2004），要么仅适用于二元情形（Kurbucz, 2026b）。多类情形下，粗化的各向异性效应尚未被系统刻画，且区间覆盖的后果完全未知。

⚠️ 作者的 framing

作者将缺口 frame 为：“现有答案修复而非诊断”（The existing answers repair rather than diagnose）。具体而言： - 作者淡化/回避了以下竞争路线： - 全似然方法：如果存在可信的测量过程生成模型，全似然方法可能更有效。作者仅在讨论中提及（Section 11, condition (iv)），但未深入比较。 - 贝叶斯方法：未讨论贝叶斯框架下如何处理粗化不确定性。 - 因果推断中的工具变量方法：未与 IV 方法在类似设定下的表现进行比较。 - 明显该被引/该存在、却没出现在 intro 里： - Mahajan (2006) 和 Lewbel (2007) 关于误分类二元回归变量的识别与估计——虽然作者在 intro 中提到了它们，但未深入讨论其与本文多类设定的联系。 - Molinari (2008) 关于误分类数据的部分识别——作者引用了，但未将其部分识别框架与本文的谱几何（Theorem 2）进行对比。 - Chamberlain (1987) 关于条件矩限制的效率理论——作者在 Theorem 5 中使用了，但未在 intro 中作为关键工具提及。 - Newey (1994) 关于半参数估计的渐近方差——作者在证明中引用，但未在 intro 中定位。

张力

未见明显对立引用。各条线索（偏差描述、偏差校正、部分识别、潜结构恢复）在方法论上互补而非矛盾。一个潜在的张力存在于：条件校准假设（Assumption 2）的强度与实际应用中该假设的合理性之间。作者通过三个真实数据审计（Adult, CoverType, 选民 turnout）展示了该假设何时成立、何时失败，以及失败时诊断协议如何工作。

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： - G ∈ {1, ..., K+1}：潜类成员身份（不可观测）。g ∈ {0,1}^K 是 one-hot 编码，g_k = 1{G=k}，参考类为 K+1。 - p ∈ Δ^K：校准的概率向量（可观测），Δ^K = {p ∈ [0,1]^K : 1^T p ≤ 1}。p_k = P(G=k | 观测到的特征)，p_{K+1} = 1 - 1^T p 是参考类的概率。 - Y ∈ R：结果变量（可观测）。 - X ∈ X：控制变量向量（可观测）。 - τ ∈ R^K：目标参数——潜类效应向量。τ_k 是类 k 与参考类 K+1 之间的条件均值对比（给定 X）。 - µ(X)：非参数基准函数，E[Y | G, X] 中与 G 无关的部分。 - m(X) = E[Y | X]：结果的条件均值（可观测）。 - r(X) = E[p | X] ∈ R^K：概率向量的条件均值（可观测）。 - a = p - r(X) ∈ R^K：残差化后的概率向量（可观测，因为 p 和 X 都可观测）。E[a | X] = 0。 - R = Y - m(X)：残差化后的结果（可观测）。E[R | X] = 0。 - M = E[a a^T] ∈ R^{K×K}：残差得分协方差矩阵（可观测）。其谱分解 M = Σ λ_j v_j v_j^T。 - h = h(p, X)：粗化映射，将概率向量 p 映射为粗化版本（如 argmax 标签、阈值化标签等）。 - a_h = h - E[h | X]：粗化后的残差得分。 - u = a - a_h：粗化丢弃的信号。 - A_h = D_h^{-1} C_h：粗化算子，其中 D_h = E[a_h a_h^T]，C_h = E[a_h a^T]。 - ε：结构误差，满足 E[ε | G, p, X] = 0。

模型（数据生成机制）： - Assumption 1（结构条件均值）：E[Y | G, p, X] = µ(X) + τ^T g。这意味着：(a) 潜类效应 τ 在 X 上是常数；(b) 给定 (G, X) 后，p 不携带关于 Y 均值的额外信息（排除性约束）。 - Assumption 2（条件校准）：E[g | p, X] = p。这是连接不可观测 g 与可观测 p 的唯一桥梁。它比普通的多类校准更强：要求在给定 X 后，概率向量对成员身份是无偏的。 - Assumption 3（非退化）：M 非奇异（λ_min(M) > 0）。 - Assumption 4（矩条件）：E[Y^4] < ∞。

可观测数据： - 研究者实际能观测到的是 i.i.d. 样本 {(Y_i, X_i, p_i)}_{i=1}^n。 - 不可观测的是潜类成员身份 g_i（以及由此衍生的结构误差 ε_i）。 - 关键识别桥梁：在 Assumptions 1-2 下，E[Y | p, X] = µ(X) + τ^T p。这意味着潜类消失了——可观测模型是一个部分线性回归。这就是两个假设买来的东西。

第二步：最小内核——K=1 的二元情形

最简特例：K=1（二元潜类）

当 K=1 时，所有矩阵和向量退化为标量： - g ∈ {0,1}：潜类指示变量（参考类为 0）。 - p ∈ [0,1]：校准的概率标量。 - τ ∈ R：标量效应。 - a = p - r(X)：标量残差得分。 - M = V* = E[(p - r(X))^2]：标量残差得分方差。 - R = Y - m(X)：标量结果残差。

识别（Theorem 1 的特例）： E[aR] = V τ，所以 τ = E[aR] / V。识别失败当且仅当 V* = 0，即 p 是 X 的确定性函数。

粗化（Theorem 7 的特例）： 设 h 是 p 的粗化版本（如阈值化标签 h = 1{p > c}）。则： - a_h = h - E[h | X] - D_h = E[a_h^2] - C_h = E[a_h a] - 粗化算子 A_h = C_h / D_h = E[a_h a] / E[a_h^2]

Corollary 8 的特例： A_h = 1 + E[a_h u] / E[a_h^2]，其中 u = a - a_h 是被丢弃的信号。粗化无偏（A_h = 1）当且仅当 E[a_h u] = 0，即保留信号与丢弃信号不相关。

覆盖概率（Proposition 10 的特例）： 基于粗化标签的 Wald 区间覆盖概率为 Φ(z - λ) - Φ(-z - λ)，其中 λ = √n b / σ_h，b = (A_h - 1)τ 是粗化偏差，σ_h 是粗化估计量的渐近标准差。

这个特例揭示了论文的核心数学思想： 1. 粗化算子 A_h 完全由可观测数据 (p, X) 决定，无需真实标签。 2. 粗化是各向异性的：在 K=1 时表现为标量衰减因子；在 K>1 时，不同方向（不同对比）的衰减程度不同。 3. 覆盖概率的退化：粗化使区间变窄（σ_h 变小），但中心偏移（b ≠ 0），导致 λ 增大，覆盖概率急剧下降。

三、这篇论文做了什么

三句话

  1. 研究问题：当校准的潜类概率向量被粗化为硬标签后，对下游回归系数估计和 Wald 区间覆盖概率造成的方向特异性扭曲。
  2. 核心工具/方法：粗化算子 A_h = I + D_h^{-1} E[a_h u^T]（完全由可观测数据 (p, X) 决定），以及基于非中心性参数 λ_v 的覆盖概率公式。
  3. 主要结论：粗化是各向异性的——不同对比的扭曲程度差异很大；粗化后 Wald 区间的覆盖概率为 Φ(z - λ_v) - Φ(-z - λ_v)，且由于 A_h 和报告标准误仅依赖可观测数据，覆盖损失可在报告区间前近似估计。

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：

Assumption 1（结构条件均值）： E[Y | G, p, X] = µ(X) + τ^T g。两个关键部分： - 常数效应：τ 在 X 上恒定。作者在 Proposition S2 中讨论了异质性效应 τ(X) 的情况，此时估计量收敛到 M(X)-加权平均 τ̄ = M^{-1} E[M(X) τ(X)]。 - 排除性约束：给定 (G, X) 后，p 不携带关于 Y 均值的额外信息。这是最关键的识别假设，也是三个真实数据审计中主要被违反的假设。

Assumption 2（条件校准）： E[g | p, X] = p。这是连接不可观测 g 与可观测 p 的唯一桥梁。比普通多类校准更强：要求在给定 X 后，概率向量对成员身份是无偏的。子总体在 X 上的失校准会违反该假设。

Assumption 3（非退化）： M = E[(p - r(X))(p - r(X))^T] 非奇异。这是多类情形下点识别的必要条件。当 λ_min(M) = 0 时，τ 沿对应特征方向仅被部分识别（Theorem 2）。

相比已有文献的强化/放宽： - 强化：相比 Bolck et al. (2004) 等需要估计分类误差矩阵的方法，本文假设概率向量是精确校准的（Assumption 2），但不要求有验证样本或已拟合的潜类模型。 - 放宽：相比 Kallus et al. (2022) 的部分识别框架，本文通过排除性约束（Assumption 1 的第二部分）将部分识别转化为点识别（沿非退化方向）。 - 关键区别：粗化是分析者的选择而非数据强加——这使得 A_h 可估计且无需第一阶段模型。

主要结果

Theorem 1（识别）： E[aR] = M τ。在 Assumption 3 下，τ = M^{-1} E[aR] 从 (Y, X, p) 的联合分布中点识别。这是多类情形下识别的基本方程。

Theorem 2（谱识别与识别失败）： - (a) 矩方程 (6) 识别 M τ，从而识别 τ 在 R(M) 上的正交投影。τ 被点识别当且仅当 λ_1 > 0。 - (b) 若 rank(M) = K - q < K，τ 仅被部分识别：其解集为 M^+ E[aR] + N(M)。 - (c) λ_j = 0 当且仅当 v_j^T p = v_j^T r(X) 几乎必然——即该得分组合是 X 的确定性函数。 - (d) 识别失败是真正的观测等价，而非单一矩方程的伪迹。作者通过构造一个 bounded tilt 证明了沿零特征方向存在非退化的观测等价模型集。

Theorem 4（多元 CLT）： √n(τ̂ - τ) → N(0, Ω)，其中 Ω = M^{-1} Σ M^{-1}，Σ = E[u^2 a a^T]。沿特征方向 j 的渐近方差为 v_j^T Ω v_j = σ_j^2 / λ_j^2，因此精度随 λ_j → 0 而退化。

Theorem 5（半参效率界）： 效率界为 V_eff = (E[σ^{-2}(p, X) ã ã^T])^{-1}，其中 ã = p - p̃(X)，p̃(X) = E[σ^{-2}(p, X) p | X] / E[σ^{-2}(p, X) | X] 是精度加权的条件均值。未加权估计器 M^{-1} Σ M^{-1} ⪰ V_eff，在一般异方差下严格劣于效率界。

Theorem 7（粗化算子）： 对任意粗化 h，plim τ̂_h = A_h τ，其中 A_h = D_h^{-1} C_h = I + D_h^{-1} E[a_h u^T]。粗化无偏当且仅当 E[a_h u^T] = 0。

Proposition 10（粗化下的覆盖概率）： 沿序列 b_v = b/√n，覆盖概率收敛到 Φ(z_{1-α/2} - λ_v) - Φ(-z_{1-α/2} - λ_v)，其中 λ_v = b / σ_{h,v}。若 b_v ≠ 0 固定，则 λ_v → ∞，覆盖概率趋于 0。

Proposition 11（对失校准的敏感性）： 在失校准 η 满足 ∥η∥_∞ ≤ δ 时，plim τ̂ = τ + M^{-1} N τ，其中 N = E[a η^T]。沿特征方向 v_j 的偏差上界为 δ ∥τ∥_1 λ_j^{-1/2}——最弱识别的方向也是最脆弱的。

证明路线与技术技巧

整体路线（以 Theorem 1 和 Theorem 7 为例）：

  1. Step 1：残差分解（Lemma 1）。在 Assumptions 1-2 下，证明 R = τ^T (g - r(X)) + ε，其中 E[ε | G, p, X] = 0。这是结构骨干：结果残差的全部可预测部分由真实成员身份与其概率隐含期望的偏差驱动。

  2. Step 2：矩恒等式（Theorem 1）。计算 E[aR] = E[a τ^T (g - r(X))] + E[a ε]。由于 a 是 σ(p, X)-可测的且 E[ε | G, p, X] = 0，第二项为 0。第一项中，条件于 (p, X) 并应用 Assumption 2 得到 E[a (g - r(X))^T] = E[a a^T] = M。因此 E[aR] = M τ。

  3. Step 3：粗化算子推导（Theorem 7）。对粗化 h，计算 E[a_h R] = E[a_h τ^T (g - r(X))] + E[a_h ε]。同样，E[a_h ε] = 0。条件于 (p, X) 得到 E[a_h (g - r(X))^T] = E[a_h a^T] = C_h。因此 E[a_h R] = C_h τ，plim τ̂_h = D_h^{-1} C_h τ = A_h τ。

  4. Step 4：覆盖概率（Proposition 10）。将 Theorem 4 应用于粗化后的矩 a_h (R - a_h^T ϑ)，其总体解为 A_h τ。报告区间覆盖 v^T τ 当且仅当 |v^T τ̂h - v^T τ| ≤ z{1-α/2} √(v^T Ω̂h v / n)。将偏差分解为 (v^T τ̂_h - v^T A_h τ) + b_v，学生化后收敛到均值为 λ_v = √n b_v / σ{h,v} 的正态分布。

关键跳跃点： - Theorem 2(d) 的构造：证明识别失败是真正的观测等价而非矩方程伪迹。作者通过 bounded tilt 构造了观测等价的替代模型：用条件均值为零的有界变换 ψ = g_0(u) - E[g_0(u) | p, X] 来倾斜条件类概率，使得新模型满足 Assumptions 1-2 但具有不同的 τ。这个构造需要 κ(p, X) = E[u g_0(u) | p, X] ≥ κ > 0 的条件，确保倾斜有足够的“杠杆”。 - Proposition 3 的 Neyman 正交性：证明矩 ψ = a(R - a^T τ) 对两个 nuisance (m, r) 都是 Neyman 正交的。关键技巧是注意到 E[a | X] = 0 和 E[R | X] = 0，这使得 Gateaux 导数中的交叉项消失。 - Theorem 5 的效率界：Chamberlain 计算在 µ 未知的约束下进行。关键洞察是：可容许的工具 h 必须满足 E[h | X] = 0（以消除 µ 的扰动），而 σ^{-2} a 不满足此条件（因为 σ^2 依赖于 p），因此需要将 a 重新中心化为 ã = p - p̃(X)。

技术技巧点名： - 部分线性回归（Robinson, 1988）：将潜类问题简化为可观测的部分线性回归，这是整个分析的统计基础。 - Neyman 正交性 + 交叉拟合（Chernozhukov et al., 2018）：使估计器对 nuisance 估计误差不敏感，允许使用机器学习方法估计 m 和 r。 - 谱分解：将 M 的特征分解用于刻画识别失败的方向（Theorem 2）和方向特异性方差（Theorem 4）。 - Chamberlain 效率计算：在条件矩限制框架下推导半参效率界（Theorem 5）。 - Bounded tilt 构造：用于证明识别失败是真正的观测等价（Theorem 2(d)）。 - 近似矩条件框架（Armstrong & Kolesár, 2021）：用于推导对失校准的敏感性上界（Proposition 11）。

真实例子与应用

1. 模拟实验（Section 7）： - E11（粗化算子与代价）：n=8000, K=3, 5 种粗化（identity, 0.20 网格舍入, top-2 重归一化, 0.60 阈值, argmax）。结果：argmax 区间比未粗化区间窄 39%，覆盖概率仅 1%。 - E12（覆盖公式校准）：按 |λ_v| 分组比较预测与实现覆盖概率，误差在 0.02 以内。 - E6（未粗化估计器的推断）：n 从 500 到 5000，分量和联合 Wald 覆盖在 [0.938, 0.960] 和 [0.946, 0.958] 之间。

2. UCI Adult 公平性审计（Section 8）： - 数据：UCI Adult 训练文件（n=30,162），潜类为种族（K+1=4 类，参考类为 White），控制变量 X 为年龄、教育、性别，代理变量 p 为基于更丰富特征集 W⊋X 的多类分类器（交叉拟合）。 - 结果：M̂ 的谱各向异性（特征值 0.0006, 0.0069, 0.018，条件数 31）。argmax 粗化的保留系数从 s_1=0.46（最弱方向）到 s_3=0.90（最强方向）。沿最强方向，代理基估计与基准匹配（0.034±0.017 vs 0.028）；沿弱方向，估计严重偏离。 - 诊断：校准电池干净（R² ≤ 0.006），但直接通道检查强烈（∆R² = 0.135）——失败源于排除性约束违反，而非校准。

3. 北卡罗来纳州选民 turnout 审计（Section 10）： - 数据：Mecklenburg County 选民文件（n=464,700），潜类为种族/族裔（K+1=4 类，参考类为 White），代理变量 p 为基于姓氏的全国 P(race|surname)，控制变量 X 为选举区。 - 结果：直接通道检查几乎为零（∆R² = 0.001），M̂ 条件良好（条件数 4.1）。软估计器恢复了大差距（西班牙裔和亚裔的 turnout 差距几乎与基准匹配），硬标签化将这些差距向零衰减（约缩小 1/5）。软估计器的 RMSE 为 0.042，硬估计器为 0.082。

4. UCI Forest CoverType 审计（Supplement S13）： - 数据：n=60,000，潜类为森林覆盖类型（K=3 对比），代理变量 p 为随机森林分类器（基于荒野区和土壤指标），控制变量 X 为海拔和坡度。 - 结果：软估计器在 Ponderosa 对比上匹配基准（0.332±0.018 vs 0.320），但在 Spruce/Fir 和 Krummholz 上严重偏离。校准诊断显示 Krummholz 类失校准严重（R²=0.091）。

🔎 结论是否比证明窄

  • Theorem 2(d) 的观测等价构造：作者明确标注了条件“sufficient rather than sharp”（充分而非尖锐）。构造需要 κ(p, X) ≥ κ > 0 和 ∥τ∥_∞ ≤ κ/8 的条件，这些条件可能不是必要的。
  • Proposition 10 的覆盖概率公式：沿序列 b_v = b/√n 成立。若 b_v 固定（非局部），则覆盖概率趋于 0。作者在 Remark 2 中明确讨论了这一点。
  • Proposition 11 的敏感性上界：等式成立需要“every class probability, including the reference, is at least Kδ almost surely”——这是一个很强的条件，在实际中可能不满足。
  • Theorem 5 的效率界：效率估计器需要估计两个额外的 nuisance（条件方差和精度加权条件均值）。作者在 Supplement S11.2 中展示了当方差模型被错误指定时，效率增益可能丧失。
  • Section 11 的“三个方向”：作者明确标注了“behavior under fully nonparametric estimation of both is open”（两个 nuisance 的完全非参数估计行为是开放的）和“carrying it over to several classes is left to future work”（推广到多类留待未来工作）。

四、开放问题

  1. 效率估计器的完全非参数实现：Theorem 5 的效率估计器需要估计两个额外的 nuisance（条件方差 σ²(p, X) 和精度加权条件均值 p̃(X)）。作者在 Supplement S11.2 中展示了当方差模型被正确指定时的增益，但“behavior under fully nonparametric estimation of both is open”（Section 11）。扎根点：Section 11, “behavior under fully nonparametric estimation of both is open”。

  2. 校准预算下的推断：Proposition 11 给出了在失校准预算 δ 下的点估计偏差上界，但“inference on the resulting set rather than the point, that general machinery applies directly”（Section 9）。将 Armstrong & Kolesár (2021) 的框架应用于此设定，推导校准预算下的置信区间，是一个自然延伸。扎根点：Section 9, “For inference on the resulting set rather than the point, that general machinery applies directly.”

  3. 多类置信阈值化规则：对于二元潜类，Kurbucz (2026b) 开发了索引衰减因子与置信阈值的规则。作者明确标注“carrying it over to several classes is left to future work”（Section 11）。在多类情形下，阈值化规则需要处理各向异性衰减——不同方向的最优阈值可能不同。扎根点：Section 11, “carrying it over to several classes is left to future work.”

  4. 沿塌缩方向的部分识别集：Theorem 2(d) 证明了沿零特征方向存在非退化的观测等价模型集，但“the identified set is bounded, not the full affine subspace”（Theorem 2(d) 的证明）。刻画该部分识别集的精确形状（特别是当多个特征值接近零时），以及如何构建有效的置信区域，是一个开放问题。扎根点：Theorem 2(d) 及其证明。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论