跳转至

Randomization tests for model specification in causal inference under network interference

作者: Supriya Tiwari, Pallavi Basu
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.22890

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：在存在网络干扰（network interference）的随机实验中，如何经验性地检验研究者所假设的“暴露映射”（exposure mapping）是否被正确指定。暴露映射是将高维的个体处理分配向量（所有邻居的处理状态）降维为一个低维函数（例如“邻居中处理的比例”），从而使得 spillover effect 可识别、可估计。但若该映射被错误指定（例如，真实的干扰机制依赖于二阶邻居，而研究者只考虑了一阶邻居），则基于该映射的估计量（如 Horvitz-Thompson 估计量）会产生偏差。该方向当前的核心挑战是：尽管已有理论工作研究了暴露映射误指定对估计量的影响（如 Leung 2022; Sävje 2024），但缺乏一个通用的、基于设计的假设检验框架来经验性地诊断暴露映射是否被正确指定。本文正是填补这一空白。

发展脉络（history）

  1. 奠基工作：暴露映射的提出与形式化

    • Hong and Raudenbush (2006) 和 Manski (2013) 首次提出“暴露映射”的概念，作为处理网络干扰下因果推断的降维工具。
    • Aronow and Samii (2017) 将其形式化，并展示了如何利用暴露映射定义和估计平均因果效应（如 spillover effect），奠定了设计-based 推断的基础。
    • Sävje et al. (2021) 进一步将暴露映射与“边际化 estimand”区分开来，指出暴露映射不仅用于定义 estimand，还用于编码因果机制。

  2. 主要进展：暴露映射误指定下的稳健性与新框架

    • Leung (2022) 和 Sävje (2024) 研究了暴露映射误指定对标准估计量（如 Horvitz-Thompson）的影响。核心发现是：在某些受控的误指定形式下，这些估计量是稳健的。Sävje (2024) 特别区分了暴露映射的两种角色：定义 estimand 和编码因果机制，并指出误指定主要影响后者。
    • Sävje et al. (2021); Hu et al. (2022); Wang et al. (2020) 提出了“边际化 estimand”框架，该框架不显式使用暴露映射，对多种形式的干扰具有稳健性。但作者指出其缺点是“no insight into the spillover mechanism can be gained because the estimand is marginalized”。

  3. 当前 Frontier：暴露映射的经验诊断与检验

    • Gao et al. (2026)（本文引用的“concurrent work”）提出了一个重要的不可能性结果：在不限制潜在结果函数模型空间的情况下，不可能构建一个信息丰富的随机化检验程序来检验暴露映射模型。他们随后在一个受限的“线性-in-means”模型下提出了一个检验程序，并证明了其一致性。
    • Hoshino and Yanagi (2026) 考虑了一个层次结构：假设一个“更细的”暴露映射是已知的，然后检验当前映射是否是其“粗化”版本。这要求研究者事先指定一个更细的替代映射。
    • 本文 (Tiwari & Basu, 2026) 的位置：本文提出一个不要求事先指定替代模型的随机化检验框架，通过检验残差是否与处理分配无关来诊断暴露映射的误指定。本文的理论贡献在于证明了估计的随机化检验（因为真实残差未知，需用 OLS 估计）的渐近有效性。

子线索聚类

  1. 暴露映射的稳健性与定义：以 Leung (2022), Sävje (2024) 为代表，研究误指定对估计量的影响，以及如何通过“边际化”来规避问题。这条线索偏重理论分析，而非经验诊断。
  2. 基于随机化检验的干扰检测：以 Athey et al. (2018), Basse et al. (2019), Puelz et al. (2022), Zhang and Zhao (2025), Zhong (2024) 为代表。这些工作使用 FRT 来检验是否存在干扰（spillover effect），而非检验干扰的具体机制（即暴露映射是否正确）。
  3. 暴露映射的规范检验：以 Gao et al. (2026), Hoshino and Yanagi (2026), 以及本文为代表。这是最前沿的子线索，直接针对暴露映射本身进行假设检验。Gao et al. (2026) 给出了不可能性结果和受限模型下的解；Hoshino and Yanagi (2026) 需要指定替代映射；本文则试图在更一般的模型类中构建检验。

这个方向在追问的核心问题

  1. 如何在不指定替代模型的情况下检验暴露映射？ 这是本文试图回答的核心问题。Gao et al. (2026) 的不可能性结果表明，在完全一般的模型空间下这是不可能的，因此必须对模型空间施加某种限制。
  2. 检验的渐近性质（有效性、功效）如何？ 当真实残差未知，需要用估计量替代时，随机化检验的 Type I error 控制是否仍然成立？功效如何随样本量和网络结构变化？
  3. 如何应对条件均值函数（CMRF）的模型误指定？ 本文的检验依赖于对 CMRF 的线性近似（OLS）。如果 CMRF 不是线性的，检验是否仍然有效？本文通过引入“敏感性参数”来处理这个问题。
  4. 如何处理多重假设检验？ 当研究者有多个候选暴露映射时，如何控制 Family-wise Error Rate (FWER)？

⚠️ 作者的 framing

  • 作者的缺口 frame：作者将缺口 frame 为“缺乏一个数据驱动的、基于设计的框架来经验性地检验暴露映射是否被正确指定”。他们强调现有工作要么只研究误指定的影响（Leung, Sävje），要么只检验干扰的存在性（Athey et al.），要么需要指定替代模型（Hoshino and Yanagi）。本文的定位是填补这个空白，提供一个“通用”的检验程序。
  • 被淡化或回避的竞争路线：
    • Gao et al. (2026) 的不可能性结果：作者在 intro 中承认了 Gao et al. (2026) 的工作，并指出其“核心贡献是呈现了理论功效分析和一致性”。但作者随后声称“We work with a broader class of potential outcome model functions and illustrate the power of our analysis through numerical studies.” 这实际上回避了 Gao et al. 的核心不可能性结果——Gao et al. 证明的是在完全一般的模型类下不可能有信息量的检验，而本文的“broader class”具体是什么？作者并未在 intro 中明确定义，只是通过数值模拟来展示功效。这暗示作者可能通过隐式地限制模型空间（例如，假设 CMRF 可以被线性模型很好地近似，即 Assumption 5）来绕过不可能性结果。
    • Hoshino and Yanagi (2026) 的层次框架：作者将其描述为“requires specifying the (finer) alternative exposure mapping”，并以此作为本文方法（不需要指定替代映射）的优势。但 Hoshino and Yanagi 的方法可能在某些场景下更直接、更强大，作者没有深入讨论其优缺点。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？
    • 关于“设计-based”推断与“超总体”推断的争论：本文明确采用“设计-based”框架（Abadie et al. 2020）。但关于设计-based 推断在复杂干扰下的局限性（例如，如何定义“渐近”序列）的讨论，intro 中几乎没有涉及。例如，当网络结构随 N 增长时，设计-based 推断的渐近理论通常需要假设网络是“稀疏的”或具有某种“弱依赖”结构。本文的 Assumption 3（有界度）正是这种假设，但作者没有将其与更广泛的文献（如 Leung 2022 中的“近似邻域干扰”假设）联系起来。
    • 关于“条件随机化检验”（CRT）的文献：作者在 intro 中提到“A key theme among the conditional randomization testing literature is ensuring the imputability of the potential outcome and constructing a valid test.” 但并未深入讨论 CRT 与本文方法的异同。CRT 通常用于检验条件独立性，而本文的检验本质上也是一种条件独立性检验（残差与处理分配独立）。将本文的方法与 CRT 框架（如 Candès et al. 2018 的 model-X CRT）进行对比，可能会揭示更深层的联系或差异。这是一个值得研究者去查的问题。

张力

未见明显对立引用。所有被引工作基本都认同暴露映射是处理网络干扰的关键工具，且其误指定是一个重要问题。分歧主要在于如何解决这个问题（稳健估计 vs. 经验诊断），以及诊断方法的可行性（Gao et al. 的不可能性结果 vs. 本文的实证成功）。

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：

    • N: 总体中的个体数。
    • i, j: 个体索引。
    • Z ∈ {0,1}^N: 处理分配向量。Z_i = 1 表示个体 i 被处理。
    • Y_i(Z): 个体 i 在全局处理分配向量 Z 下的潜在结果。
    • G ∈ {0,1}^{N×N}: 邻接矩阵，G_{ij}=1 表示 i 和 j 是邻居。
    • N_i: 个体 i 的邻居集合。
    • e_i(Z): 个体 i 的暴露映射，是 Z 的一个低维函数。例如，e_i(Z) = (Z_i, (1/|N_i|) * Σ_{j∈N_i} Z_j)。
    • R_i(Z): 有限样本残差，定义为 Y_i(Z) - E_Z[Y_i(Z) | e_i(Z)]。在正确指定下，R_i(Z) = 0。
    • ˜R_i(Z): 修正后的残差，将基线固定效应 c_i 分离出来。在正确指定下，˜R_i(Z) = c_i，与 Z 无关。
    • P(Z): 处理分配机制，在随机实验中是已知的（如 Bernoulli 实验）。
    • Z_obs: 观测到的处理分配向量。
    • Y_obs: 观测到的结果，Y_obs = Y(Z_obs)。
    • ϕ(e): 暴露映射 e 的一个基函数变换（如 ϕ(e) = e 本身）。
    • β: OLS 回归系数向量。

  • 模型：

    • 数据生成机制：潜在结果 Y_i(Z) 由未知的、依赖于整个 Z 的函数决定。研究者假设一个暴露映射 e(Z) 能够捕捉所有相关的干扰机制，即 Y_i(Z) = E[Y_i(Z) | e_i(Z)]（这是原假设 H_0）。
    • 处理分配：Z 由已知的随机化机制 P(Z) 生成（如 Bernoulli 实验，Z_i ~ i.i.d. Bernoulli(p)）。
    • 估计模型：为了估计条件均值 E[Y_i(Z) | e_i(Z)]，研究者使用一个参数化的线性基模型：E[Y_i(Z) | e_i(Z)] ≈ β_c + β · ϕ(e_i(Z))。这个模型是工作模型，不一定正确。

  • 可观测数据：

    • 可观测：(Z_obs, Y_obs)，即一次实验中的处理分配和观测到的结果。网络 G 和协变量 X（如果有）也被观测到。
    • 不可观测 / 潜在：
      1. 反事实结果：Y_i(z) 对于所有 z ≠ Z_obs 都是不可观测的。
      2. 真实残差：R_i(Z_obs) 或 ˜R_i(Z_obs) 是不可观测的，因为真实的 E[Y_i(Z) | e_i(Z)] 未知。
      3. 真实条件均值函数：E[Y_i(Z) | e_i(Z)] 本身是未知的。

第二步：讲最小内核

本文的核心思路可以归结为以下最简特例：

设定： - 假设网络是空的，即没有干扰（G_{ij} = 0 对所有 i≠j）。那么暴露映射退化为 e_i(Z) = Z_i。 - 原假设 H_0：暴露映射 e_i(Z) = Z_i 是正确指定的。这意味着 Y_i(Z) = E[Y_i(Z) | Z_i]，即潜在结果只依赖于自己的处理状态，不依赖于他人。这等价于 SUTVA 下的无个体处理效应的 sharp null（Y_i(1) = Y_i(0)）。 - 可观测数据：(Z_obs, Y_obs)。

核心思路： 1. 定义残差：在 H_0 下，R_i(Z) = Y_i(Z) - E[Y_i(Z) | Z_i]。由于 Y_i(1) = Y_i(0)，我们有 E[Y_i(Z) | Z_i] = Y_i(1) = Y_i(0)，这是一个常数。因此，R_i(Z) = Y_i(Z) - c_i，其中 c_i 是常数。这意味着残差 R_i(Z) 与处理分配 Z 无关。 2. 构建检验：如果 H_0 为真，那么对于任何 Z，R_i(Z) 都是同一个常数。因此，我们可以用观测到的残差 R_i(Z_obs) 来“填充”所有反事实的残差。这类似于 FRT 中用 Y_i(0) 来填充所有反事实结果。 3. 检验统计量：选择一个对 H_0 的偏离敏感的统计量。例如，T(Z, R) = |(1/N) * Σ_i Z_i * R_i|。在 H_0 下，R_i 与 Z_i 无关，所以 T 应该很小。如果 H_0 不成立（例如，存在 spillover effect），那么 R_i 可能与 Z_i 相关，T 会变大。 4. 随机化检验： - 计算观测统计量 T_obs = T(Z_obs, R(Z_obs))。 - 从已知的 P(Z) 中抽取大量 Z，对于每个 Z，计算 T(Z, R(Z_obs))（因为 H_0 下残差不变）。 - 计算 p-value：p = (1/L) * Σ_{l=1}^L I(T(Z_l, R(Z_obs)) >= T_obs)。 - 如果 p < α，拒绝 H_0。

为什么这个特例抓住了核心？ - 这个特例去掉了网络干扰的复杂性，直接展示了本文方法的核心逻辑：在原假设下，残差是处理分配的不变量。因此，我们可以用观测到的残差来“填充”反事实，从而构建一个标准的 FRT。 - 当网络干扰存在时，核心逻辑不变，只是残差的定义更复杂（需要条件于暴露映射 e_i(Z)），且残差的不变性变为 ˜R_i(Z) = c_i（与 Z 无关）。检验统计量 T_GC 的设计也是为了捕捉残差与邻居处理状态之间的相关性，这正是网络干扰下 H_0 被违反的典型表现。 - 本文的主要技术贡献在于处理真实残差未知的情况。在特例中，R_i(Z_obs) = Y_obs - c_i，但 c_i 未知。本文用 OLS 估计 c_i（即 ˆc_i = Y_obs - ˆβ * Z_i），然后证明这个“估计的随机化检验”是渐近有效的。这构成了从特例到一般情形的核心推广。

三、这篇论文做了什么

三句话

  1. 研究问题：在存在网络干扰的随机实验中，如何检验研究者假设的暴露映射（exposure mapping）是否被正确指定。
  2. 核心方法：提出一个基于设计的随机化检验框架，通过检验 OLS 估计的残差是否与处理分配（特别是邻居的处理状态）无关，来诊断暴露映射的误指定。
  3. 主要结论：证明了该检验程序在暴露映射正确指定时是渐近有效的（Type I error 可控），并通过模拟和真实数据例子展示了其良好的功效。

关键设定与假设

  • 设定：
    • 设计-based 框架：所有随机性来源于处理分配 Z，总体 P 和网络 G 是固定的。这与超总体框架（随机性来源于抽样）不同。
    • 随机实验：Z 由已知的 P(Z) 生成（本文主要考虑 Bernoulli 实验）。
    • 暴露映射：e_i(Z) 是一个已知的、低维的函数，将 Z 映射到个体 i 的“暴露水平”。
  • 关键假设：
    • Assumption 1 (Randomized experiment)：Z ⊥ Y(z) 对所有 z。这是设计-based 推断的基础。
    • Assumption 2 (Bounded outcomes and exposures)：潜在结果和暴露映射有界，且暴露映射局部有界。这是技术性假设，用于控制矩和证明收敛。
    • Assumption 3 (Bounded degree of graph)：网络的最大度 Δ(G) ≤ κ。这是关键假设，它限制了依赖的“范围”，使得大数定律（如 Janson 2004 的定理）可以应用。它意味着网络是稀疏的。
    • Assumption 4 (Positive definiteness)：设计矩阵 E[[1, ϕ(e)][1, ϕ(e)]^T] 正定且最小特征值一致有界。这是 OLS 估计量存在且一致的必要条件。
    • Assumption 5 (Bounded discrepancy variation)：sup_z (1/N) * Σ_i ||E[˜Y_i | e_i] - β_0 · ϕ(e_i)||^2 ≤ s^2。这是核心假设，它量化了真实条件均值函数 E[˜Y_i | e_i] 与线性模型 β_0 · ϕ(e_i) 之间的最大近似误差。s 是一个“敏感性参数”，当 s=0 时，线性模型是正确指定的。这个假设直接回应了 Gao et al. (2026) 的不可能性结果：通过限制模型空间（假设 CMRF 可以被线性模型很好地近似），本文的检验才可能具有信息量。

主要结果

  • Theorem 1 (Oracle 程序的有效性)：如果真实残差 ˜R 已知，那么 Procedure 2（基于 ˜R 的 FRT）在有限样本下是有效的，即 E[I(pval ≤ α) | H_0] ≤ α。这是一个经典结果，作为基准。
  • Theorem 2 (估计程序的渐近有效性)：这是本文的核心理论结果。它证明，在 Assumptions 1-5 下，Procedure 3（基于 OLS 估计残差的 FRT）是渐近有效的。具体来说，对于任意 α，有： lim_{ϵ→0} lim sup_{N→∞} P_{Z_obs}(ˆpval_ϵ(Z_obs, ˆ˜R_obs) ≤ α | H_0) ≤ α。
    • 直觉：由于真实残差未知，我们用 OLS 估计的残差 ˆ˜R 来近似。Theorem 2 表明，只要样本量足够大，且线性近似误差 s 足够小，那么基于 ˆ˜R 的随机化检验的 Type I error 可以被控制在一个略高于 α 的水平（通过 ϵ 和 s 来调节）。
    • 技术难点：证明的关键在于处理“估计的残差”与“真实残差”之间的差异。作者通过证明 OLS 系数 ˆβ 在 H_0 下收敛到一个常数（Lemma 3），从而使得 ˆ˜R 与 ˜R 的差异在概率上收敛到 0。然后利用检验统计量的 Lipschitz 性质（Proposition 1），将这种差异转化为 p-value 的微小扰动。
    • 必要条件：s（线性近似误差）必须足够小。如果 s 很大，Type I error 可能会膨胀。作者建议通过敏感性分析来报告 s 的临界值。
  • Proposition 1 (检验统计量的 Lipschitz 性质)：证明了本文提出的图形相关检验统计量 T_GC^{(k)} 在 H_0 下是 Lipschitz 的，Lipschitz 常数为 C/√N。这是证明 Theorem 2 的关键技术环节。

证明路线与技术技巧

  • 整体路线：

    1. 建立 Oracle 基准：证明如果真实残差已知，FRT 是精确有效的（Theorem 1）。
    2. 证明 OLS 系数的一致性：在 H_0 下，证明 OLS 估计量 ˆβ 收敛到某个常数 β_0（Lemma 3）。这意味着，对于任何两个不同的处理分配 Z 和 Z'，基于它们拟合的 OLS 系数会收敛到同一个值。因此，可以用观测数据得到的 ˆβ_obs 来近似反事实的 ˆβ(Z)。
    3. 控制估计残差与真实残差的差异：利用 OLS 系数的一致性，证明估计残差 ˆ˜R 与真实残差 ˜R 的差异在概率上收敛到 0。
    4. 利用 Lipschitz 性质传递收敛性：证明检验统计量 T 是 Lipschitz 的。因此，T(Z, ˆ˜R) 与 T(Z, ˜R) 的差异也收敛到 0。
    5. 证明渐近有效性：通过一系列概率不等式，将基于 ˆ˜R 的检验的 p-value 与基于 ˜R 的 Oracle 检验的 p-value 联系起来，最终证明前者的 Type I error 可以被后者的 Type I error 加上一个可忽略的误差项所控制。

  • 关键跳跃点：

    • 从 ˆβ 的一致性到 ˆ˜R 的“可填充性”：Lemma 3 证明 ˆβ_obs 收敛到 β_0。但我们需要的是 ˆβ(Z) 对于任何 Z 都收敛到 β_0。作者在 Theorem 2 的证明中（Appendix A.5）进一步证明了 ||ˆβ_r(Z) - ˆβ_obs|| 在概率上有界，其中 ˆβ_r(Z) 是基于“填充”后的反事实数据重新拟合的 OLS 系数。这个界依赖于 s（线性近似误差）和设计矩阵的最小特征值。这是证明中最吃功夫的部分，因为它需要处理反事实数据的“填充”过程。
    • 处理线性近似误差 s：当 s > 0 时，真实残差 ˜R 与 OLS 残差 ˆ˜R 之间存在系统性偏差。作者通过引入一个“扰动”的 p-value ˆpval_ϵ 来处理这个问题，并证明 Type I error 的膨胀可以被 s 控制。这实际上是一种敏感性分析。

  • 技术技巧点名：

    • Janson (2004) 的相依随机变量大数定律：用于证明 Lemma 2 和 Lemma 3 中，在依赖图（dependency graph）的色数有界（由 Assumption 3 保证）的情况下，样本均值的收敛性。
    • Weyl 不等式：用于证明 Lemma 3 中，当 ˆΣ_N 接近 Σ_N 时，ˆΣ_N 的最小特征值远离 0。
    • 概率不等式（Markov, Union bound）：用于 Theorem 2 的证明中，将不同随机变量（Z_obs, Z）的概率事件联系起来。
    • Lipschitz 函数的性质：用于将残差的收敛性转化为检验统计量的收敛性（Proposition 1 和 Theorem 2 的证明）。

真实例子与应用

  • 数据：Paluck et al. (2016) 关于美国中学生反冲突规范的实地实验数据。该实验在 56 所学校中进行，其中 28 所被随机分配接受干预。在干预学校中，识别出“社交影响者”（social referents），并随机邀请其中 50% 参加反欺凌活动。
  • 如何应用：
    • 目标：检验 Aronow and Samii (2017) 在该数据中使用的暴露映射 e_i = (Z_i, I(Σ_{j∈N(i)} Z_j > 0)) 是否被正确指定。这个映射假设 spillover effect 仅通过“是否至少有一个被处理的朋友”来传递。
    • 方法：将分析限制在干预学校的社交影响者中（N=850）。使用 Procedure 3，检验统计量为 T_GC^{(1)}。通过从已知的块随机化设计中抽样 2000 次来生成零分布。
    • 结果：得到 p-value 为 0.317，未能拒绝原假设。这意味着数据没有提供足够的证据表明该暴露映射被误指定。作者还检验了 e_2 = (Z_i)（无 spillover）和 e 与 T_GC^{(2)}（二阶邻居），分别得到 p-value 0.055 和 0.799。
  • 这个例子想说明什么：
    • 实用性：展示了该方法可以在真实数据上运行，并给出有意义的结论（未能拒绝一个被广泛使用的暴露映射）。
    • 稳健性：由于未能拒绝原假设，且未使用校正项，作者声称“the decision is robust to such misspecification”（指 CMRF 的线性近似误差），因为加入校正项只会使 p-value 更大。
    • 对比：e_2 的 p-value 为 0.055，接近显著，暗示完全忽略 spillover 可能是一个有问题的模型，这与直觉相符。

🔎 结论是否比证明窄

  • Theorem 2 的结论是渐近的，且依赖于 ϵ 和 s。作者在模拟中（Table 2）展示了在没有校正项（即假设 s=0）的情况下，Type I error 在 DGP I 和 II 下得到了很好的控制。但作者也构造了一个 DGP IV（Equation 31），其中 CMRF 的线性近似误差较大，导致 Type I error 膨胀（Figure 2）。这表明，Theorem 2 的渐近有效性在实践中可能依赖于 s 足够小，而作者并未给出一个通用的、数据驱动的方法来校准 s。作者在 conclusion 中也承认“It will be an important extension to study, principally, how to choose the basis model and better calibrate the sensitivity parameter.”
  • 功效分析是数值的，而非理论的。作者在模拟中展示了良好的功效，但并未给出功效的理论保证（如一致性）。这与 Gao et al. (2026) 形成对比，后者提供了理论功效分析。作者在 conclusion 中也提到“Another interesting theoretical direction is to examine theoretical power properties of the procedure...”
  • 对网络结构的依赖：模拟显示，在随机块模型（SBM）下，当样本量增加时，功效反而下降。作者将其归因于 SBM 的平均度随 N 增加而增加，违反了 Assumption 3（有界度）。这表明该方法的功效对网络的稀疏性有很强的依赖，而这一点在理论分析中并未被充分强调。

四、开放问题

  1. 理论功效分析：本文仅通过数值模拟展示了功效。能否在理论上证明该检验程序在某种替代假设下是一致的？或者，能否刻画其功效与网络结构、效应大小、线性近似误差 s 之间的解析关系？这直接扎根于本文的 Conclusion 部分：“Another interesting theoretical direction is to examine theoretical power properties of the procedure...”
  2. 敏感性参数 s 的校准：Theorem 2 中的渐近有效性依赖于一个未知的敏感性参数 s（CMRF 与线性模型的最大偏差）。如何从数据中估计或校准 s？能否构建一个对 s 自适应的检验程序？这扎根于 Conclusion 部分：“It will be an important extension to study, principally, how to choose the basis model and better calibrate the sensitivity parameter.”
  3. 高维暴露映射下的检验：当暴露映射的维度 d 很大（例如，包含所有二阶邻居的交互项）时，OLS 估计可能不可行或效率低下。能否利用稀疏性假设（如 Assumption 3 的有界度）或正则化方法（如 Lasso）来构建一个高维版本的检验？这扎根于 Appendix B.1.1 中关于“低阶 β 交互模型”的讨论：“As the number of regressors can be much larger than the sample size... It is an interesting extension to examine whether the sparsity arising from the graph’s bounded degree... can be exploited to develop a model specification test based on high-dimensional regression.”
  4. Gao et al. (2026) 不可能性结果的边界：Gao et al. (2026) 证明，在完全一般的模型类下，不可能有信息量的检验。本文通过假设 CMRF 可被线性模型近似（Assumption 5）来绕过这个结果。那么，这个不可能性结果的精确边界是什么？对于什么样的模型类（例如，具有有界度网络的 Lipschitz 函数类），信息丰富的检验是可能的？这扎根于本文对 Gao et al. (2026) 的引用和讨论。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论