Uniformly Valid Inference Under Interactive and High-Dimensional Constraints¶

作者: Joseph Fry
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.22002

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的根本问题是：当参数的真值位于或接近参数空间的边界时，如何构造在一致意义上控制检验水平的假设检验。这是一个经典但尚未完全解决的问题。标准极值估计量的渐近正态性在参数位于边界时失效——其渐近分布是正态随机向量投影到可行集切锥上的分布，该分布关于参数不连续。这种不连续性导致当参数靠近边界时，有限样本下的正态近似质量很差，且标准bootstrap方法（Andrews, 2000）和子抽样方法（Andrews & Guggenberger, 2010）都无法在一致意义上控制检验水平。该方向当前的核心挑战是：在参数空间具有复杂结构（非乘积空间、交互约束）且存在高维nuisance参数时，如何构造既能在一致意义上控制水平、又具有良好局部渐近势的检验。

发展脉络¶

奠基工作：Andrews (1999) 和 Geyer (1994) 建立了边界参数下极值估计量的渐近分布理论——当参数固定在边界点时，约束估计量的渐近分布等于正态随机向量投影到可行集切锥上的分布。Andrews (2001) 进一步处理了零假设下参数可能位于边界、且存在仅在备择假设下出现的nuisance参数的情形。这些工作奠定了理论框架，但未解决"参数靠近边界"时的有限样本问题。

主要进展：Ketz (2018) 提出了一个关键创新——准无约束估计量（quasi-unconstrained estimator），通过对约束估计量执行一步Newton-Raphson迭代，得到一个即使在参数靠近边界时也保持渐近正态的估计量。Ketz 利用该估计量构造了基于Moreira (2003) 条件似然比（CLR）原理的检验，并证明该检验在参数空间为乘积空间（即每个参数独立地约束在闭区间内）时能一致控制检验水平。然而，Ketz 的方法有两个关键限制：(i) 参数空间必须是乘积空间，排除了约束之间存在交互的情形（如单纯形约束、正定约束）；(ii) 假设参数向量维度固定，无法处理高维nuisance参数。

当前frontier：近年来，多个方向试图突破乘积空间假设。Fan & Shi (2023) 允许参数空间由一组线性不等式约束定义。Li (2025) 提出的近端bootstrap方法允许参数空间不是乘积空间，且不要求初始约束估计量是√n-一致的，但未处理高维nuisance参数。Cavaliere et al. (2022, 2025) 为边界问题提供了bootstrap方法和LR检验的均匀临界值，但同样假设参数位于乘积空间。与此同时，Neyman正交化方法（Chernozhukov et al., 2018; Belloni et al., 2018等）在处理高维nuisance参数方面取得了巨大成功，但这些工作假设感兴趣的参数是内点，正交化步骤仅被理解为对nuisance参数不敏感的技术，而非处理边界问题的手段。

本文的位置：Fry (2026) 将Ketz (2018) 的准无约束估计量推广到一般参数空间（非乘积空间、允许交互约束），并证明Wald、LR和LM检验的变体在一致意义上能控制检验水平。进一步，作者将Neyman正交化与准无约束估计量结合，处理了高维nuisance参数的情形——这是该方向首次同时处理"交互约束"和"高维nuisance"两个挑战。论文以面板数据网络估计为应用场景，展示了方法在约束（单纯形约束、非负约束）和高维（网络权重矩阵）同时存在时的表现。

子线索聚类¶

边界参数下的推断理论（Andrews 1999, 2000, 2001; Geyer 1994; Kopylev & Sinha 2011）：建立边界参数下极值估计量的渐近分布理论，揭示标准推断方法失效的根本原因。
准无约束估计量与条件检验（Ketz 2018; Ketz & McCloskey 2023; Fry 2026）：通过一步Newton-Raphson校正构造渐近正态的估计量，结合CLR/CLM检验实现均匀水平控制。Ketz (2018) 限于乘积空间，Ketz & McCloskey (2023) 限于符号约束，Fry (2026) 推广到一般参数空间。
突破乘积空间假设的方法（Fan & Shi 2023 [线性不等式约束]; Li 2025 [近端bootstrap]; Cavaliere et al. 2022, 2025 [bootstrap/LR临界值]）：各自以不同方式放松乘积空间假设，但均未同时处理高维nuisance参数。
高维nuisance参数下的推断（Chernozhukov et al. 2018; Belloni et al. 2018; Fry 2026）：利用Neyman正交化实现低维参数的高效推断，但此前的工作假设参数为内点。Fry (2026) 首次将正交化与边界问题结合。

核心问题与已知瓶颈¶

问题1：当参数空间不是乘积空间时，如何构造均匀水平控制的检验？——Ketz (2018) 的CLR检验依赖于乘积空间假设，因为只有在该假设下，边界情形可简化为有限种情况。
问题2：当存在高维nuisance参数时，如何保持准无约束估计量的渐近正态性？——标准准无约束估计量要求所有参数维度固定。
问题3：在边界情形下，检验的势性质如何刻画？——Ketz (2018) 在乘积空间下证明了CLR检验的admissibility和WAP最优性，但推广到一般参数空间面临根本困难（见本文第5节）。
问题4：当边界与弱识别同时出现时，方法是否仍然有效？——本文第6.2节的模拟表明，当ρ接近0导致网络权重弱识别时，所有方法均严重过度拒绝。

⚠️ 作者的framing¶

作者将缺口frame为："Ketz (2018) 的准无约束估计量与Neyman正交化方法之间存在未被注意的联系——正交化后的估计量本质上就是准无约束估计量，因此其处理边界问题的能力被忽视了。" 这使得本文成为"显然的下一步"：将Ketz的方法推广到一般参数空间，并自然扩展到高维nuisance参数。

被淡化/回避的竞争路线： - Li (2025) 的近端bootstrap方法不要求初始估计量√n-一致，且允许一般参数空间。作者仅在引言中提及，但未深入比较两种方法的相对优劣（计算成本、适用条件、势性质）。 - Fan & Shi (2023) 的线性不等式约束方法也被简要提及，但未讨论其与本文方法在约束类型上的覆盖范围差异。

明显该被引/该存在、却没出现在intro里的工作： - 关于弱识别下边界推断的工作（如Stock & Wright 2000, Andrews & Cheng 2012）——本文第6.2节明确指出了弱识别与边界同时出现时的困难，但intro未引用相关文献。 - 高维bootstrap方法（如Chernozhukov et al. 2013的高维bootstrap理论）——本文在模拟中使用了乘子bootstrap作为baseline，但intro未将其定位在文献脉络中。

张力¶

未见明显对立引用。各子线索之间是互补而非矛盾的关系：Ketz (2018) 处理乘积空间，Fan & Shi (2023) 处理线性不等式约束，Li (2025) 处理一般约束但不处理高维nuisance，Fry (2026) 试图同时处理交互约束和高维nuisance。这些工作在不同设定下各有优势，但尚未有统一框架。

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： - θ ∈ Θ ⊆ ℝᴶ：感兴趣的参数向量，J固定。Θ是参数空间，可能包含交互约束（如单纯形约束、正定约束）。 - ω：无限维nuisance参数，与θ一起完全刻画数据分布。γ := (θ, ω) ∈ Γ。 - n：样本量。 - θₙ：真实参数值（允许随n漂移），定义为Qₙ(θ)在Θ上的唯一最小值点。 - Q̂(θ)：样本目标函数（如负对数似然、GMM准则函数）。 - Qₙ(θ)：Q̂(θ)的概率极限。 - θ̂：约束估计量，近似最小化Q̂(θ) over Θ（满足Q̂(θ̂) = inf_{θ∈Θ} Q̂(θ) + oₚ(1/n)）。 - θ̃：准无约束估计量，θ̃ = θ̂ - (D̂²Q̂(θ̂))⁻¹ D̂Q̂(θ̂)，其中D̂Q̂和D̂²Q̂是目标函数的一阶和二阶（广义）导数。 - Σ(γ) = J(γ)⁻¹ V(γ) J(γ)⁻¹：θ̃的渐近方差，其中J是Hessian的极限，V是得分向量的渐近方差。 - β ∈ ℝᴷ：感兴趣的参数子向量（K < J），δ ∈ ℝᴸ是剩余的nuisance子向量，θ = (β, δ)。 - ψ ∈ Ψₙ ⊆ ℝᴾ：高维nuisance参数（P可随n增长），通过Neyman正交化处理。 - η ∈ ℝᴶˣᴸ：正交化矩阵，满足D_{θψ}Qₙ(θₙ) - η D_{ψψ}Qₙ(θₙ) = 0。 - M(θ, ψ, η)：正交化后的得分函数，M(θ, ψ, η) = D_θ Q(θ, ψ) - η D_ψ Q(θ, ψ)。

模型： - 数据由γ = (θ, ω)完全刻画。研究者通过最小化样本目标函数Q̂(θ)来估计θ。目标函数可以是M-estimation准则、GMM准则等。 - 关键假设：θₙ是Qₙ(θ)在Θ上的唯一最小值点；Q̂(θ)在θₙ附近满足标准正则性条件（可微性、随机可微性等）。 - 对于高维nuisance参数ψ，假设存在正交化结构：存在η使得得分函数M(θ, ψ, η)对ψ的局部变化不敏感（Neyman正交性）。

可观测数据： - 研究者观测到n个独立同分布（或弱相依）样本，用于构造Q̂(θ)。 - 可观测：样本目标函数Q̂(θ)及其导数D̂Q̂(θ)、D̂²Q̂(θ)（或它们的数值近似）。 - 不可观测/潜在：真实参数θₙ、真实分布γ、概率极限Qₙ(θ)及其导数D Qₙ(θ)、D²Qₙ(θ)。这些只能通过假设和估计来逼近。 - 对于高维情形：ψₙ和ηₙ是未知的，只能通过正则化方法（如Lasso）估计得到ψ̂和η̂。

第二步：最小内核¶

最简特例：J = 1（一维参数），Θ = [0, ∞)（非负约束），无高维nuisance参数。

在这个特例下，论文的核心问题退化为：当真实参数θₙ ≥ 0可能接近或等于0时，如何构造在一致意义上控制检验水平的检验？

标准问题：约束估计量θ̂ = argmin_{θ ≥ 0} Q̂(θ)。当θₙ > 0固定时，θ̂是渐近正态的（约束非绑定）。但当θₙ = 0或θₙ → 0（如θₙ = c/√n）时，θ̂的渐近分布是正态随机变量截断在[0, ∞)上的分布，即θ̂的渐近分布是N(0, σ²)在0处截断。这个分布关于θₙ不连续，导致标准Wald检验无法一致控制水平。

准无约束估计量的构造： 1. 计算约束估计量θ̂（例如，通过求解带非负约束的优化问题）。 2. 计算样本目标函数在θ̂处的一阶导数D̂Q̂(θ̂)和二阶导数D̂²Q̂(θ̂)。 3. 执行一步Newton-Raphson校正：θ̃ = θ̂ - (D̂²Q̂(θ̂))⁻¹ D̂Q̂(θ̂)。

为什么这能解决问题： - 如果θₙ > 0且远离边界，θ̂是√n-一致的且渐近正态，θ̃与θ̂渐近等价。 - 如果θₙ = 0或靠近0，θ̂的渐近分布是截断正态，但θ̃的构造使其渐近满足一阶条件：D̂Q̂(θ̃) ≈ 0。因此，θ̃的渐近分布是无约束的正态分布N(θₙ, Σ/n)，其中Σ = J⁻¹ V J⁻¹。 - 关键直觉：一步Newton-Raphson校正"跳出"了边界约束，因为校正项(D̂²Q̂(θ̂))⁻¹ D̂Q̂(θ̂)允许θ̃取负值（即使θ̂被约束在非负区域）。θ̃的渐近正态性不依赖于θₙ是否在边界上。

在这个特例下，要证的命题： - 命题：对于任意漂移序列{θₙ}（θₙ ≥ 0，可能收敛到0），√n(θ̃ - θₙ) → N(0, Σ)。 - 证明思路：由θ̂的√n-一致性（Lemma 1保证），对D̂Q̂(θ̂)在θₙ处做Taylor展开，利用θ̃满足D̂Q̂(θ̃) ≈ 0的事实，可得√n(θ̃ - θₙ) ≈ -J⁻¹ √n D̂Q̂(θₙ) → N(0, J⁻¹ V J⁻¹)。 - 为什么成立：关键在于θ̂是√n-一致的（即使不是渐近正态的），且D̂Q̂(θₙ)是渐近正态的（Assumption 2.2）。校正项消除了θ̂的截断偏差。

推广到一般情形：当J > 1且Θ具有交互约束时，核心思想不变——一步Newton-Raphson校正使θ̃渐近满足一阶条件，从而获得渐近正态性。不同之处在于：(i) 需要处理约束之间的交互（通过Painlevé-Kuratowski收敛处理漂移序列的极限集）；(ii) 需要处理高维nuisance参数（通过Neyman正交化将ψ的估计误差吸收到导数近似误差中）。

三、这篇论文做了什么¶

三句话¶

研究问题：当参数真值位于或接近参数空间边界时，如何构造在一致意义上控制检验水平的假设检验，允许参数空间具有交互约束（非乘积空间）且存在高维nuisance参数。
核心工具/方法：准无约束估计量（一步Newton-Raphson校正）+ Neyman正交化（处理高维nuisance参数）+ Andrews et al. (2020) 的均匀渐近理论（通过漂移序列的极限集分析证明均匀水平控制）。
主要结论：Wald、LR和LM检验的变体（使用准无约束估计量）在一致意义上能控制检验水平；当存在高维nuisance参数时，通过Neyman正交化可保持准无约束估计量的渐近正态性；在面板数据网络估计的应用中，该方法相比传统Wald检验显著改善了水平控制。

关键设定与假设¶

完整设定（在第二节最小记号基础上补充）：

参数空间：Γ = {γ = (θ, ω) | θ ∈ Θ, ω ∈ Ω(θ)}，其中Θ ⊆ ℝᴶ是紧集，Ω(θ) ⊆ Ω是紧度量空间。Θ允许任意形状（不限于乘积空间），但必须是紧的。
漂移序列：θₙ是真实参数，允许随n变化（如θₙ = c/√n靠近边界）。考虑所有可能的漂移序列{γₙ}ₙ∈ℕ ⊆ Γ，以及它们的收敛子序列Γ(γ) = {{γₙ} | γₙ → γ}。
初始估计量：θ̂近似最小化Q̂(θ) over Θ，满足Q̂(θ̂) = inf_{θ∈Θ} Q̂(θ) + oₚ(1/n)。不要求θ̂精确达到最小值，只要求近似误差为oₚ(1/n)。

关键假设（Assumption 2，用于无高维nuisance情形）：

√n-一致性：√n(θ̂ - θₙ) = Oₚ(1)。这是最关键的假设——θ̂不需要渐近正态，但必须√n-一致。Lemma 1给出了充分条件：只要θ̂一致、满足近似最优性、且Hessian在θₙ附近一致连续，则√n-一致性成立。
得分渐近正态：√n D̂Q̂(θₙ) → N(0, V(γ*))。这是θ̃渐近正态的基础。
Hessian一致收敛：D̂²Q̂(θₙ) → J(γ*)，J非奇异。
导数近似精度：||D̂Q̂(θ̂) - D̂Q̂(θₙ) - D̂²Q̂(θₙ)(θ̂ - θₙ)||₂ = oₚ(1/√n) 且 ||D̂²Q̂(θ̂) - D̂²Q̂(θₙ)||₂ = oₚ(1)。这保证了一步Newton-Raphson校正的有效性。
方差一致估计：V̂(θ̂) → V(γ*)。

高维nuisance情形的额外假设（Assumption 3）： - 目标函数关于θ二次连续可微，且Hessian在(θₙ, ψₙ)附近一致连续。 - 正交化后的得分M(θₙ, ψₙ, ηₙ)渐近正态。 - 正交化得分的导数∂_θ M(θₙ, ψₙ, ηₙ)收敛到满秩矩阵。 - ψ̂和η̂一致（L1范数意义下）。 - 关键额外条件：adaptivity条件（方程6），即√n(M̂(θₙ, ψ̂, η̂) - M̂(θₙ, ψₙ, ηₙ)) → 0。这要求ψ̂和η̂的估计误差足够小，使得正交化后的得分对ψ的估计不敏感。

相比已有文献的放宽/强化： - 放宽：相比Ketz (2018)，不再要求Θ是乘积空间；相比Chernozhukov et al. (2018)，允许θ本身被约束（不要求内点）。 - 强化：相比Li (2025)的近端bootstrap，要求初始估计量√n-一致（Li的方法不要求此条件）；相比Fan & Shi (2023)，要求目标函数足够光滑（二次可微）。

主要结果¶

定理1（Proposition 1：Wald检验）：使用准无约束估计量θ̃构造的Wald统计量(θ̃ - θ)' (Σ̂/n)⁻¹ (θ̃ - θ) ~ χ²_J，其渐近覆盖概率满足AsySz = AsyMaxCP = 1 - α。即Wald检验在一致意义上既是水平控制的，又是渐近相似的（不保守）。

定理2（Proposition 2：LR检验）：使用准无约束估计量θ̃构造的LR统计量LR(θ, θ̃) = (θ̃ - θ)' (Σ̂/n)⁻¹ (θ̃ - θ) - inf_{b∈Θ} (θ̃ - b)' (Σ̂/n)⁻¹ (θ̃ - b)，其临界值通过模拟N(0, Σ̂)在Θ上的投影得到。该检验满足AsySz ≥ 1 - α（水平控制），但不一定满足渐近相似性（可能保守）。

定理3（Proposition 3 & 4：CLR和CLM检验）：对于子向量β的检验，使用条件似然比（CLR）和条件拉格朗日乘子（CLM）统计量，通过Xₙ = δ̃ - Σ̂{δβ} Σ̂{ββ}⁻¹ β̃作为δ的充分统计量进行条件推断。两种检验均满足AsySz ≥ 1 - α。

定理4（Proposition 5：高维nuisance参数）：当存在高维nuisance参数ψ时，通过Neyman正交化构造正交化得分M̂(θ, ψ̂, η̂)，然后使用一步GMM校正得到θ̃。在adaptivity条件和正则性条件下，√n(θ̃ - θₙ) → N(0, Σ)，且前述所有检验方法可直接应用于θ。

技术难点： - 难点1：如何证明在一般参数空间下，准无约束估计量的渐近正态性对漂移序列一致成立？——解决：利用Painlevé-Kuratowski收敛处理漂移序列的极限集，证明对任意子序列存在进一步子序列使得极限集收敛，然后在该子序列上建立渐近正态性（Lemma A2）。 - 难点2：如何将高维nuisance参数的估计误差吸收到准无约束估计量的框架中？——解决：将ψ̂和η̂的估计误差视为导数数值近似误差的一部分，利用adaptivity条件保证总误差满足Assumption 2.4的要求。 - 难点3：如何证明LR和CLR检验的临界值模拟是渐近有效的？——解决：利用Extended Continuous Mapping Theorem证明LR统计量的渐近分布等于f(Z, Σ⁻¹)，其中f是投影二次型，且模拟分布收敛到同一极限。

证明路线与技术技巧¶

整体路线（以Proposition 1为例）：

步骤1：对任意漂移序列{γₙ}，取任意子序列。利用Lemma A2，存在进一步子序列{γₘ}使得√m(Θ - θₘ)收敛到某个非空极限集S，且γₘ → γ*。
步骤2：在该子序列上，由Assumption 2和Continuous Mapping Theorem，√m(θ̃ - θₘ)' (Σ̂/m)⁻¹ √m(θ̃ - θₘ) → χ²_J。
步骤3：因此，在该子序列上，覆盖概率CPₘ(γₘ) → 1 - α。
步骤4：由于这对所有子序列成立，Andrews et al. (2020)的Theorem 2.1(e)保证AsySz = AsyMaxCP = 1 - α。

关键跳跃点： - Lemma A2的证明：需要证明对任意漂移序列，√n(Θ - θₙ)的子序列在Painlevé-Kuratowski意义下收敛。这依赖于ℝᴶ的紧性和Θ的紧性，是连接漂移序列与极限集的关键桥梁。 - Lemma A1的证明：需要证明当极限集Sₘ → S时，二次型在Sₘ上的下确界收敛到在S上的下确界。这需要Painlevé-Kuratowski收敛的内极限和外极限性质，以及二次型的强制性和连续性。 - Proposition 5的证明：需要将ψ̂和η̂的估计误差与导数近似误差统一处理。关键步骤是证明√n(θ̃ - θₙ) = (M'_θ M_θ)⁻¹ M'_θ √n M̂(θₙ, ψₙ, ηₙ) + oₚ(1)，即ψ̂和η̂的估计误差在渐近意义上可忽略。

技术技巧点名： - Painlevé-Kuratowski集合收敛：用于处理漂移序列的极限集，是连接有限样本与渐近极限的关键工具（Lemma A2）。 - Extended Continuous Mapping Theorem（van der Vaart & Wellner, 1996, Theorem 1.11.1）：用于证明LR和CLR统计量的渐近分布等于其极限分布的连续泛函。 - Andrews et al. (2020)的均匀渐近理论：通过子序列论证将均匀水平控制问题转化为逐点收敛问题，是证明AsySz ≥ 1 - α的标准框架。 - Neyman正交化：用于处理高维nuisance参数，使得分函数对ψ的估计误差不敏感。 - 条件推断（Moreira, 2003）：通过Xₙ作为δ的充分统计量，消除CLR和CLM检验中nuisance参数的影响。

真实例子与应用¶

数据：美国48个大陆州1962-2015年的面板数据（N=48, T=53），来自de Paula et al. (2024)和Besley & Case (1995)。因变量Δτᵢₜ是州税负（含州所得税、销售税、公司税）在t到t-2期间的变化。协变量xᵢₜ是人均收入。

模型：空间自回归模型，包含内生溢出效应（ρ）、直接效应（α）和外生溢出效应（γ），以及未观测到的网络权重矩阵W（N×N，每行和为1，非负）。约束条件：0 ≤ ρ ≤ 1，Wⱼᵢ ≥ 0，∑ᵢ Wⱼᵢ = 1。

方法应用： 1. 使用约束GMM估计量得到初始估计θ̂ = (ρ̂, α̂, γ̂)和Ŵ。 2. 对W进行Neyman正交化，构造正交化得分M̂(θ, Ŵ, η̂)。 3. 对θ̂执行一步GMM校正得到准无约束估计量θ̃。 4. 构造Wald、CLR、CLM检验的置信区间。

结果（Table 1）： - 内生溢出效应ρ：约束估计0.486，QUE估计0.478。所有方法（QUE CLR/CLM/Wald、乘子bootstrap）的95% CI均不包含0，表明统计显著。传统Wald CI为[0.460, 0.511]。 - 直接效应α：约束估计0.059，QUE估计0.085。QUE方法的CI下界接近0（如CLR CI为[0.007, 0.163]），表明边际显著。传统Wald CI为[0.034, 0.083]，下界远离0。 - 外生溢出效应γ：约束估计0.024，QUE估计0.007。QUE方法的CI包含0（如CLR CI为[-0.032, 0.046]），表明不显著。传统Wald CI为[0.000, 0.048]，下界恰好为0。

这个例子想说明什么： - 当参数靠近边界时（如γ接近0），传统Wald检验可能错误地拒绝零假设（因为约束估计量的渐近分布不是正态的），而QUE方法能正确控制水平。 - 正交化处理高维网络权重W是必要的——W的估计误差会影响θ的推断，而Neyman正交化能消除这种影响。 - 不同QUE方法（CLR、CLM、Wald）给出的结果高度一致，表明方法稳健。

模拟结果（Tables 2-5）： - 水平控制（Table 2）：对于ρ，当N=20时，QUE方法的拒绝率约为0.06（接近名义水平0.05），而传统Wald的拒绝率为0.256（严重过度拒绝）。对于γ，QUE方法在N=5-20时拒绝率在0.044-0.079之间，传统Wald在N=20时达到0.230。 - 势（Table 3）：QUE CLR对ρ的检验势最高（N=20时0.985），QUE CLM和Wald略低（0.966）。对于α和γ，所有QUE方法势相近。 - 弱识别问题（Table 4）：当ρ=0（边界且弱识别）时，所有方法均严重过度拒绝（QUE CLR在N=20时拒绝率0.815），表明方法在弱识别下失效。 - 非负约束下的边界检验（Table 5）：当α=0且α被约束为非负时，QUE方法反而控制了水平（拒绝率0.036-0.067），传统Wald偏保守（0.022-0.034）。这说明方法在"纯粹的"边界问题（非弱识别）下表现良好。

🔎 结论是否比证明窄¶

是，存在多处结论比证明窄的情况：

第5节关于势的讨论（第19-20页）：作者承认"extending Ketz (2018)'s power results beyond a product parameter space is more delicate than extending the size results"，并指出在一般参数空间下，CLR检验的admissibility和相似性无法保证。具体地，作者说"I leave a general characterization of when the CLR and LR tests are similar to future work"（第20页）。这意味着本文只证明了水平控制，未证明势的最优性——而Ketz (2018)在乘积空间下证明了CLR检验的admissibility和WAP最优性。
第6.2节关于弱识别的讨论（第27页）：作者指出"the method is well-suited to handling boundary cases...except when the boundary indicates a point of identification failure"，并承认"this is an interesting direction for future work"。这意味着本文的方法不适用于边界与弱识别同时出现的情形——而这是实证应用中常见的问题（如弱工具变量、弱网络）。
Remark 1关于交互约束的讨论（第17-18页）：作者承认正交化方法要求θ和ψ的参数空间是乘积结构（Sₙ = Θ × Ψₙ），"What is ruled out is a constraint that links the two blocks"。这意味着高维nuisance参数与低维参数之间的交互约束无法处理——而这是本文声称要处理的"交互约束"的一个子类。
第6.2节关于CLR vs 正交化的讨论（第28页）：作者指出"one could either orthogonalize with respect to all nuisance parameters...or orthogonalize with respect to only the high-dimensional nuisance parameter vectors"，并承认"showing this formally would be an interesting area for future investigation"。这意味着两种策略的相对优劣（势、计算成本）未被严格证明。

四、开放问题¶

一般参数空间下CLR/LR检验的势性质（扎根于第5节，第19-20页）：本文仅证明了水平控制，未证明admissibility或WAP最优性。Ketz (2018)在乘积空间下的结果依赖于凸接受域和相似性，而一般参数空间下这些性质难以保证。具体问题：对于给定的非乘积参数空间Θ（如单纯形约束），CLR检验是否admissible？其势函数相对于Wald检验是否有严格优势？
边界与弱识别同时出现时的推断（扎根于第6.2节，第27页，Table 4）：当ρ接近0导致网络权重W弱识别时，所有方法均严重过度拒绝。具体问题：能否构造一种方法，在边界约束和弱识别同时存在时仍能控制检验水平？可能需要结合弱识别下的稳健推断方法（如Anderson-Rubin检验）与准无约束估计量。
高维nuisance参数与低维参数之间的交互约束（扎根于Remark 1，第17-18页）：正交化方法要求θ和ψ的参数空间是乘积结构，排除了两者之间的交互约束。具体问题：当约束涉及θ和ψ的联合（如θ ≤ ψⱼ对所有j成立）时，如何构造准无约束估计量？可能需要将ψ的约束也纳入一步校正步骤。
CLR与正交化两种策略的正式比较（扎根于第6.2节，第28页）：对于低维nuisance参数，CLR方法（条件推断）和正交化方法（一步GMM校正）均可使用，但CLR可能具有更好的势性质。具体问题：在一般参数空间下，两种策略的渐近相对效率如何？是否存在CLR严格优于正交化的条件？

Maintained by 陈星宇 · Homepage · Source on GitHub