Testing the Validity of Instrumental Variable Sets in Causal Additive Models with Non-Constant Effects¶

作者: Xichen Guo, Feng Xie, Bingbing Tang, Yan Zeng, Zhang Hao et al.
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.19771

一、领域脉络与小综述¶

这个方向是什么¶

本子方向研究的是：在存在未观测混杂的情况下，如何从观测数据中检验一组候选工具变量（IV）的总体有效性。核心统计问题是：给定一个候选 IV 集 Z，能否仅从可观测数据 (X, Y, Z) 判断 Z 是否满足 IV 的三个核心条件（相关性 C1、排他性 C2、外生性 C3）？由于未观测混杂 U 的存在，C2 和 C3 无法直接验证，因此需要借助可检验的约束条件。该方向当前成熟度较低，尤其在非参数、非恒定效应设定下，几乎空白。

发展脉络¶

奠基工作：离散处理与常数效应下的可检验约束
- Pearl (1995) 提出“工具不等式”（instrumental inequality），这是最早的 IV 可检验约束之一，但仅适用于离散处理变量。Kédagni & Mourifié (2020) 将其推广为“广义工具不等式”，在离散处理、无限制结果和工具下，给出了充要条件。这些工作奠定了“从联合分布中提取 IV 有效性约束”的基本思路，但受限于离散性假设。
- 在常数效应（线性或可加线性）设定下，另一条路线兴起：Han (2008)、Kang et al. (2016) 等提出“多数规则”（Majority Rule），假设超过 50% 的候选 IV 是有效的；Bowden et al. (2015) 提出 InSIDE 假设（工具对结果的直接效应与对处理的效应不相关）；Guo et al. (2018) 提出“多元规则”（Plurality Rule）和两阶段硬阈值投票法。这些方法都依赖常数效应假设，且通常需要大量候选 IV。
主要进展：单 IV 与非参数 IV 的检验
- Chu et al. (2001) 首次在非恒定效应的加性模型下引入“半工具”（semi-instrument）概念，证明在外生性（C3）已知的前提下，半工具的有效性是可检验的。这是该方向向非恒定效应迈出的第一步，但依赖 C3 已知这一强假设。
- Guo et al. (2026) 提出“辅助独立性检验”（AIT）条件，用于检验单个 IV 在加性非线性、非恒定效应模型下的有效性。他们证明在 completeness 条件下，有效 IV 满足 AIT 条件。但作者明确指出，AIT 条件在验证排他性（C2）时存在困难（见本文 Section 3.1 和 Guo et al. (2026) 的 Proposition 5）。
- 在非参数 IV 估计领域，Newey & Powell (2003)、Ai & Chen (2003)、Darolles et al. (2011) 等建立了 completeness 条件作为非参数 IV 可识别性的核心假设。本文直接借用这一条件。
当前 Frontier 与本文位置
- 当前 frontier 是：在非恒定效应（CAM-NCE）设定下，检验一组 IV 的有效性。如表 I 所示，此前所有 IV 集检验方法（如多数规则、多元规则、InSIDE）都局限于常数效应。单 IV 的非恒定效应检验（AIT）已存在，但无法处理 IV 集，且对 C2 的检验不充分。
- 本文的位置：填补“非恒定效应 × IV 集”这一空白。作者提出 CAT 条件，在 completeness 条件下证明其必要性，并引入“交叉分布非退化条件”（Assumption 2）将其提升为充要条件。这相当于将 AIT 条件从单 IV 推广到 IV 集，并解决了 AIT 在检验 C2 上的困难。

子线索聚类¶

离散处理 / 不等式约束：Pearl (1995), Kédagni & Mourifié (2020), Manski (2003), Kitagawa (2015)。核心工具是概率不等式，适用于处理变量离散。
常数效应 / 比例规则：Han (2008), Kang et al. (2016), Bowden et al. (2015, 2016), Hartwig et al. (2017), Guo et al. (2018), Windmeijer et al. (2019, 2021), Lin et al. (2024), Kolesár et al. (2015), Sanderson et al. (2022)。核心假设是多数规则、多元规则或 InSIDE，依赖线性/常数效应。
非参数 IV / 可识别性：Newey & Powell (2003), Ai & Chen (2003), Darolles et al. (2011), Newey (2013), Singh et al. (2019), Bennett et al. (2019)。核心工具是 completeness 条件，用于保证非参数 IV 估计的唯一性，但不直接提供 IV 有效性检验。
非恒定效应 / 单 IV 检验：Chu et al. (2001), Guo et al. (2026)。核心是加性模型下的辅助变量构造，但限于单 IV 或依赖额外假设。

核心问题与瓶颈¶

核心问题 1：在非恒定效应下，IV 集的有效性是否可检验？需要什么条件？
核心问题 2：如何构造一个可检验的条件，使其能同时检测排他性（C2）和外生性（C3）的违反？
核心问题 3：如何避免常数效应方法（如多数规则）对 IV 数量或比例的依赖？
已知瓶颈：非参数设定下，IV 集的有效性检验面临“不可识别性”问题——不同的因果结构可能产生相同的观测分布（见本文 Example 2）。因此，需要额外的非退化条件来打破这种对称性。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者将现有文献的空白总结为“非恒定效应 × IV 集”的交叉点（Table I），并声称 CAT 条件是“显然的下一步”——它从单 IV 的 AIT 条件自然推广到 IV 集，并解决了 AIT 对 C2 检验不足的问题。作者强调，其充要性刻画（Theorem 2）是本文的核心理论贡献。
哪些竞争路线被淡化或回避：
- 作者淡化了常数效应方法（如 TSHT、sisVIVE）在非线性结构下的适用性。在模拟中（Figure 6-7），这些方法在非线性结构下表现很差，但作者将其归因于“线性假设”，而未讨论是否可以通过非参数化改造（如使用核 IV 估计）来挽救。
- 作者回避了弱 IV 问题。CAT 条件依赖相关性（C1），但未讨论当 IV 与处理的相关性很弱时，辅助变量估计和距离相关检验的有限样本表现。Theorem 3 的证明假设估计量一致，但弱 IV 下一致性可能不成立。
- 作者回避了高维候选 IV 场景。算法复杂度为 O(m²n² + (m choose K)K²)，当 m 较大时不可行。作者仅建议“从小的 K 开始尝试”，未提供理论保证或更高效的搜索策略。
什么明显该被引 / 该存在、却没出现在 intro 里：
- 弱 IV 的检验问题：本文未引用任何关于弱 IV 检验或 weak-instrument-robust inference 的文献（如 Stock & Yogo, 2005; Andrews et al., 2019）。CAT 条件依赖相关性（C1），但未讨论当相关性很弱时，检验的势会如何。
- 与 proximal causal inference 的连接：Proximal causal inference（Tchetgen Tchetgen et al., 2020; Miao et al., 2018）也使用多个“代理变量”来处理未观测混杂，其识别条件与 IV 的 completeness 条件有深层联系。本文未提及这一平行文献。
- 计算复杂性：作者未引用任何关于距离相关计算复杂度或近似方法的文献（如基于随机傅里叶特征的快速距离相关）。O(m²n²) 的复杂度在 n=254,652（如 Angrist & Evans 数据）时不可行，作者通过随机子采样回避了问题，但未讨论子采样对检验势的影响。

张力¶

未见明显对立引用。各子线索的工作在各自假设下自洽，主要张力在于假设的强弱（离散 vs 连续、常数 vs 非恒定效应、单 IV vs IV 集），而非结论矛盾。一个值得注意的“软张力”是：Guo et al. (2026) 的 AIT 条件被作者指出“在验证 C2 时存在困难”，而本文的 CAT 条件声称解决了这一问题。这暗示 AIT 和 CAT 在检验能力上存在差异，但作者未提供理论上的比较（如 AIT 无法检测的无效 IV 集，CAT 能否检测？）。

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：
- \(X\)：处理变量（treatment），随机变量。
- \(Y\)：结果变量（outcome），随机变量。
- \(Z_i\)：第 \(i\) 个候选 IV，随机变量。\(Z = \{Z_1, \dots, Z_m\}\) 为候选 IV 集。
- \(U\)：未观测混杂（unmeasured confounders），随机向量，不可观测。
- \(W\)：可观测协变量（covariates），随机向量。
- \(f(\cdot)\)：从 \(X\) 到 \(Y\) 的因果效应函数，非恒定（非线性），是待估的 target。
- \(g_X(\cdot), g_Y(\cdot), \phi_X(\cdot), \phi_Y(\cdot), t_X(\cdot), t_Y(\cdot)\)：未知光滑函数。
- \(\varepsilon_X, \varepsilon_Y\)：独立噪声项。
- \(V_{X \to Y \parallel Z_i}\)：以 \(Z_i\) 为参考 IV 构造的辅助变量，定义为 \(Y - h_i(X)\)，其中 \(h_i(\cdot)\) 满足 \(E[V_{X \to Y \parallel Z_i} | Z_i] = 0\)。
- \(|\cdot|\)：集合的基数（元素个数）。
- \(\perp \!\!\! \perp\)：统计独立。
- \(\hat{Q}\)：\(Q\) 的样本估计。
模型：Causal Additive Model with Non-Constant Effects (CAM-NCE)：
\[X = g_X(Z) + \phi_X(U) + \varepsilon_X,\]

\[Y = f(X) + g_Y(\tilde{Z}) + \phi_Y(U) + \varepsilon_Y,\]
其中 \(\tilde{Z} \subseteq Z\) 是直接作用于 \(Y\) 的 IV 子集（违反 C2）。所有函数均为光滑函数。噪声项 \(\varepsilon_X, \varepsilon_Y\) 相互独立，且与 \(U\) 和 \(Z\) 独立。所有变量已中心化。
可观测数据：研究者能观测到 \((X, Y, Z, W)\) 的独立同分布样本。不可观测的是 \(U\)，以及函数 \(f, g_X, g_Y, \phi_X, \phi_Y\) 的具体形式。想要但观测不到的是：每个候选 IV 是否满足 C2（\(Z_i\) 是否在 \(\tilde{Z}\) 中）和 C3（\(Z_i\) 是否与 \(U\) 独立）。

第二步：最小内核¶

最简特例：考虑只有两个候选 IV 的情况，\(Z = \{Z_1, Z_2\}\)，且数据生成机制为线性加性（常数效应特例，但用于展示核心思路）：

\[X = \alpha_1 Z_1 + \alpha_2 Z_2 + \phi_X(U) + \varepsilon_X,\]

\[Y = \beta X + \gamma_1 Z_1 + \gamma_2 Z_2 + \phi_Y(U) + \varepsilon_Y.\]

这里，\(f(X) = \beta X\) 是常数效应。若 \(Z_i\) 是有效 IV，则 \(\gamma_i = 0\)（满足 C2）且 \(Z_i \perp \!\!\! \perp U\)（满足 C3）。

核心思路：CAT 条件通过“交叉检查”来检测无效 IV。具体地，对于一对候选 IV \((Z_1, Z_2)\)，我们做两件事： 1. 以 \(Z_1\) 为参考 IV，构造辅助变量 \(V_1 = Y - h_1(X)\)，其中 \(h_1(X)\) 是满足 \(E[V_1 | Z_1] = 0\) 的函数。如果 \(Z_1\) 是有效 IV，则 \(h_1(X) = \beta X\)，因此 \(V_1 = \gamma_2 Z_2 + \phi_Y(U) + \varepsilon_Y\)。 2. 检查 \(V_1\) 是否独立于 \(Z_2\)。如果 \(Z_2\) 也是有效 IV（即 \(\gamma_2 = 0\) 且 \(Z_2 \perp \!\!\! \perp U\)），则 \(V_1\) 与 \(Z_2\) 独立。反之，如果 \(Z_2\) 无效（例如 \(\gamma_2 \neq 0\)），则 \(V_1\) 与 \(Z_2\) 相关。 3. 对称地，以 \(Z_2\) 为参考 IV 构造 \(V_2\)，检查 \(V_2\) 是否独立于 \(Z_1\)。

CAT 条件要求两个方向的独立性都成立：\(V_1 \perp \!\!\! \perp Z_2\) 且 \(V_2 \perp \!\!\! \perp Z_1\)。

为什么这个特例抓住了核心：在这个线性特例下，CAT 条件的本质是：如果 \(Z_1\) 和 \(Z_2\) 都是有效 IV，那么它们各自“解释”掉 \(X\) 对 \(Y\) 的效应后，剩下的残差（\(V_1\) 或 \(V_2\)）应该与另一个 IV 无关。任何违反 C2（直接效应）或 C3（与 U 相关）的行为，都会在残差中留下另一个 IV 的“痕迹”，从而被交叉独立性检验捕获。本文的一般情形（非线性 \(f\)、非加性 \(g_Y\)）只是这个线性直觉的非参数推广，核心数学困难在于：如何保证 \(h_i(X)\) 唯一地等于 \(f(X)\)（需要 completeness 条件），以及如何排除某些特殊的无效模式（需要交叉分布非退化条件）。

三、这篇论文做了什么¶

三句话¶

研究问题：在因果加性模型且效应非恒定（CAM-NCE）下，如何从观测数据检验一组候选工具变量（IV）的总体有效性（即是否同时满足相关性 C1、排他性 C2、外生性 C3）。
核心工具：提出“交叉辅助独立性检验（CAT）条件”，该条件要求对于 IV 集中的每一对 IV，以其中一个为参考构造的辅助变量与另一个 IV 相互独立。
主要结论：在 completeness 条件下，CAT 条件是 IV 集有效性的必要条件；进一步在交叉分布非退化条件下，CAT 条件是充要条件。基于此，开发了有限样本算法，并在模拟和三个真实数据上验证了有效性。

关键设定与假设¶

CAM-NCE 模型（式 1）：\(X = g_X(Z) + \phi_X(U) + \varepsilon_X\), \(Y = f(X) + g_Y(\tilde{Z}) + \phi_Y(U) + \varepsilon_Y\)。这是全文的模型基础。相比常数效应模型（ALICE），它允许 \(f(\cdot)\) 非线性，且允许 \(g_X, g_Y\) 非线性。相比 Guo et al. (2026) 的 AIT 模型，它显式处理了 IV 集（多个候选 IV），而非单个 IV。
Assumption 1 (Completeness Condition)：对于有效 IV \(Z_i\)，条件期望算子 \(E[\psi(X) | Z_i]\) 是单射的。这是非参数 IV 可识别性的标准假设，保证 \(h_i(X) = f(X)\) 是唯一解。相比 Newey & Powell (2003)，本文未做额外放松。
Assumption 2 (Cross Distributional Non-degeneracy Condition)：对于任何无效 IV 集，至少存在一对 IV \((Z_i, Z_j)\)，其联合密度的对数在交叉二阶偏导数上非零。这是本文的核心技术假设，用于排除 Example 2 中那种“无效但 CAT 条件仍成立”的病态情况。作者将其类比为 Guo et al. (2025) 的“代数方程条件”，但用分布导数而非代数展开表述，使其适用于非参数设定。
与已有文献的对比：
- 相比常数效应方法（如 Kang et al. 2016 的多数规则）：本文不要求超过 50% 的 IV 有效，也不要求 InSIDE 假设。代价是需要更强的非参数假设（completeness + 交叉分布非退化）。
- 相比单 IV 的 AIT 条件（Guo et al. 2026）：CAT 条件通过交叉检查解决了 AIT 对 C2 检验不足的问题。AIT 只检查 \(V_{Z_i} \perp \!\!\! \perp Z_i\)（即辅助变量与参考 IV 本身独立），这在某些无效模式下（如 \(Z_i\) 有直接效应但该效应与 \(Z_i\) 对 \(X\) 的效应成比例）可能不成立。CAT 的交叉检查（\(V_{Z_i} \perp \!\!\! \perp Z_j\)）打破了这种对称性。

主要结果¶

Theorem 1 (必要性)：在 Assumption 1 下，若 \(Z'\) 是有效 IV 集，则 CAT 条件成立。直觉：有效 IV 的辅助变量只包含与 \(U\) 和无效 IV 相关的项，而有效 IV 与这些项独立。技术难点：需要证明 \(h_i(X) = f(X)\)，这依赖 completeness 条件。
Theorem 2 (充要性)：在 Assumptions 1 & 2 下，\(Z'\) 是有效 IV 集 当且仅当 CAT 条件成立。直觉：必要性由 Theorem 1 保证；充分性通过反证法：若 \(Z'\) 无效，则 Assumption 2 保证至少有一对 IV 的交叉独立性被违反。技术难点：需要证明 Assumption 2 能排除所有“无效但 CAT 成立”的情况。证明依赖 Theorem 5（Lin, 1997）关于对数密度可加性与 Hessian 矩阵对角化的关系。
Theorem 3 (算法正确性)：在 Assumptions 1 & 2 下，若候选 IV 集中至少包含 K 个有效 IV，则 Algorithm 1 以概率趋于 1 输出一个有效 IV 子集。证明路线：证明有效子集的 CAT 得分（距离相关之和）在总体中为 0，而任何包含无效 IV 的子集得分 > 0。由于候选子集有限，一致性估计保证经验得分以高概率区分两者。

证明路线与技术技巧¶

整体路线（Theorem 2 的证明）：
1. 必要性方向：直接由 Theorem 1 得到。
2. 充分性方向（反证法）：
  - 假设 \(Z'\) 无效，但 CAT 条件成立。
  - 由 Assumption 2，存在一对 \((Z_i, Z_j)\) 使得交叉二阶偏导数非零。
  - 由 CAT 条件，\(V_{Z_i} \perp \!\!\! \perp Z_j\) 且 \(V_{Z_j} \perp \!\!\! \perp Z_i\)。
  - 由独立性推出对数密度可加，进而交叉二阶偏导数为 0（Theorem 5）。
  - 与 Assumption 2 矛盾。故假设不成立，\(Z'\) 必须有效。
关键跳跃点：
- 从“CAT 成立”到“交叉偏导数为 0”：这一步依赖 Theorem 5（Lin, 1997），该定理说：若两个随机向量独立，则其联合密度的对数可加，因此 Hessian 矩阵的交叉块为零。这是连接统计独立性与分析学条件的桥梁。作者假设密度二次可微，这是应用 Theorem 5 的技术前提。
- Assumption 2 的构造：这是全文最“吃劲”的引理。作者需要构造一个条件，使得任何无效 IV 集都至少有一对 IV 的交叉偏导数非零。Example 2 展示了 completeness 条件无法排除的“坏”情况（无效 IV 的直接效应与对 X 的效应成比例）。Assumption 2 直接要求这种“坏”情况不出现。这本质上是一个非退化条件，类似于参数模型中的“full rank”条件，但在分布层面表述。
技术技巧点名：
- 距离相关 (Distance Correlation)：用于实现有限样本下的独立性检验。作者选择距离相关而非其他独立性度量（如 HSIC），因为其“零当且仅当独立”的性质（Székely et al., 2007）与 CAT 条件的理论要求完美匹配。
- 控制函数 IV 估计 (Control-Function IV Estimator)：用于估计辅助变量中的 \(h_i(X)\)（Guo & Small, 2016）。作者选择它而非核 IV 或深度 IV，可能是因为其在加性模型下的计算效率和理论性质。
- Theorem 5 (Lin, 1997)：用于将独立性转化为对数密度的可加性，进而与 Assumption 2 的交叉偏导数条件连接。这是证明充分性的核心分析工具。
- Lemma 1 (独立随机变量的可测函数)：用于证明有效 IV 下辅助变量与另一 IV 的独立性。这是 Theorem 1 证明的基础。

真实例子与应用¶

本文包含三个真实数据例子，均在 Section 6 中：

Colonial Origins Data (Acemoglu et al., 2001)：
- 数据：63 个国家，变量包括 Mortality (Mor), Euro1990 (Euro), Latitude (Lat), Institutions (Ins), Economic Development (Ed)。
- 场景：检验候选 IV 集 {Mor, Euro} 对因果效应 Ins → Ed 的有效性，以 Lat 为协变量。
- 方法应用：在常数效应设定下，使用 CAT 算法。计算 CAT 得分（dCor = 0.50），并对两个方向的距离相关独立性检验（p 值分别为 0.21 和 0.25）。未拒绝 CAT 条件。
- 结果：CAT 未发现 {Mor, Euro} 无效的证据，与 Acemoglu et al. (2001) 的结论一致。
- 例子目的：验证 CAT 在经典 IV 设定下能复现已知结论。
Children and Mothers’ Labor Supply Data (Angrist & Evans, 1996)：
- 数据：254,652 个观测，变量包括 morekids (处理), weeksm1 (结果), 12 个候选 IV (如 boys2, girls2), 7 个协变量。
- 场景：检验候选 IV 集 {boys2, girls2} 对 morekids → weeksm1 的有效性。
- 方法应用：常数效应设定。由于样本量大，随机子采样 5% 并重复 10 次。CAT 选择 {boys2, girls2} 为最优子集（dCor = 0.022），独立性检验 p 值分别为 0.32 和 0.34。
- 结果：CAT 选择 {boys2, girls2} 为有效 IV 集，与 Angrist & Evans (1996) 的结论一致。
- 例子目的：展示 CAT 在大样本、多候选 IV 场景下的可操作性（通过子采样）。
Conflict and Time Preference Data (Voors et al., 2012)：
- 数据：266 个观测，变量包括 Violence (Vio), Patience (Pat), 候选 IV {Dist, Alti}, 11 个协变量。
- 场景：检验候选 IV 集 {Dist, Alti} 对 Vio → Pat 的有效性。
- 方法应用：非恒定效应设定。CAT 得分 dCor = 0.28，独立性检验 p 值均为 0.10。未拒绝 CAT 条件。
- 结果：CAT 未发现 {Dist, Alti} 无效的证据，与 Voors et al. (2012) 和 Guo & Small (2016) 的结论一致。
- 例子目的：展示 CAT 在非恒定效应设定下的应用，且样本量较小（n=266）。

🔎 结论是否比证明窄¶

Theorem 2 的充要性：证明中，充分性方向依赖 Assumption 2。但 Assumption 2 是一个“存在性”条件（存在一对 IV 使得交叉偏导数非零），而非“对所有无效 IV 集都成立”的条件。作者在 Proposition 1 中给出了 Assumption 2 被违反的一个充分条件（无效 IV 的直接效应与对 X 的效应成仿射变换）。这意味着，Theorem 2 的充要性只在 Assumption 2 成立的子类中成立。对于不满足 Assumption 2 的无效 IV 集（如 Example 2），CAT 条件可能仍然成立，从而无法检测。作者在 Remark 2 中承认了这一点，但未给出 Assumption 2 在多大程度上是“generic”的讨论（例如，在什么分布族下，Assumption 2 几乎必然成立？）。
Theorem 3 的算法正确性：证明假设“估计量一致”。但在有限样本下，特别是当 IV 较弱或样本量较小时，控制函数估计和距离相关估计的一致性可能不成立。作者在模拟中（Table III-V）展示了 n=1000 时误差率已很低，但未提供理论上的有限样本界。此外，证明假设候选 IV 集中至少包含 K 个有效 IV。如果实际有效 IV 数少于 K，算法会强制选出一个大小为 K 的子集，其有效性无法保证。作者在算法中建议“从小的 K 开始尝试”，但未提供选择 K 的正式准则。

四、开放问题¶

Assumption 2 的“generic”性：交叉分布非退化条件在多大程度上是“几乎必然成立”的？能否给出类似于 completeness 条件（Andrews, 2017）的充分条件，使得 Assumption 2 在 CAM-NCE 模型类中几乎处处成立？扎根点：Remark 2 和 Proposition 1 仅给出了违反 Assumption 2 的充分条件，但未讨论其普遍性。
弱 IV 下的 CAT 检验：当候选 IV 与处理的相关性很弱时，辅助变量估计（\(h_i(X)\)）可能不一致，距离相关检验的势也会下降。能否为 CAT 条件开发一个对弱 IV 稳健的检验程序（例如，基于弱 IV 稳健的置信区间或 Anderson-Rubin 检验的思想）？扎根点：Theorem 3 的证明假设估计量一致，但未讨论弱 IV 场景。
高维候选 IV 下的计算与理论：CAT 算法的复杂度为 \(O(m^2 n^2)\)，当 \(m\) 较大时不可行。能否利用随机化（如 sketching）或近似距离相关（如基于随机傅里叶特征）来降低计算成本？同时，能否在高维 \(m\) 下建立 CAT 条件的理论性质（例如，在稀疏性假设下，CAT 能否一致地选择有效 IV 集）？扎根点：Section 4.2 的 Q1 和计算复杂度分析。
与 Proximal Causal Inference 的连接：Proximal causal inference 也使用多个“代理变量”来处理未观测混杂，其识别条件（如 completeness 和 consistency）与 IV 的 CAT 条件有深层联系。能否将 CAT 条件推广到 proximal 设定，用于检验代理变量的有效性？扎根点：本文未引用 proximal 文献，但 completeness 条件是两者的共同核心假设。

Maintained by 陈星宇 · Homepage · Source on GitHub