跳转至

Toward a Semiparametric Efficiency Theory under Equality Constraints in Nested Markov Models

作者: Razieh Nabi, Anna Guo, Lin Liu
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.24602

一、领域脉络与小综述

这个方向是什么

本方向研究隐变量有向无环图（latent-variable DAG）诱导的嵌套马尔可夫模型（nested Markov models）的半参数效率理论。嵌套马尔可夫模型由有向无环图（DAG）与隐变量通过潜在投影（latent projection）产生的有向混合图（ADMG） 定义，其核心特征是Verma约束——一种超越普通条件独立性的等式约束。该方向要解决的根本问题是：在Verma约束定义的统计模型下，如何刻画切空间（tangent space）、推导半参数有效影响函数（efficient influence function）和效率界（semiparametric efficiency bound），从而为因果效应估计提供理论最优的推断工具。当前成熟度：对于无隐变量的DAG，半参数效率理论已相当成熟（Rotnitzky and Smucler 2020; Guo et al. 2023b）；对于隐变量DAG，已有若干针对特定图结构的结果（Bhattacharya et al. 2022; Guo et al. 2023a; Guo et al. 2025），但缺乏一个统一的、适用于一般嵌套马尔可夫模型的框架。本文正是朝这个方向迈出的第一步。

发展脉络（history）

奠基工作（1990–2008）
- Verma and Pearl (1990) 首次发现隐变量DAG会施加超越普通条件独立性的等式约束，即后来所称的Verma约束。
- Robins (1999) 在结构嵌套模型（structural nested models）中利用无直接效应假设（no-direct-effect）隐含的嵌套马尔可夫约束进行检验和估计。
- Richardson (2003) 系统定义了有向混合图（ADMG）的马尔可夫性质，为嵌套马尔可夫模型奠定了图形基础。
- Tian and Pearl (2002a) 和 Shpitser and Pearl (2008) 发展了在隐变量存在下的因果识别理论，其中嵌套马尔可夫模型是识别的基础。
- Richardson et al. (2023) 给出了嵌套马尔可夫性质的完整形式化定义（ordered local nested Markov property），并证明了其与ADMG的等价性。这些工作主要聚焦于图形表示、等式约束和因果识别，未涉及半参数效率。

主要进展（2018–2025）
- Evans (2018) 对离散状态空间的贝叶斯网络边缘分布进行了系统研究，证明了嵌套马尔可夫模型在有限状态空间下的某些性质，但未扩展到连续状态。
- Zhao (2025) 进一步研究了ADMG相关的统计和因果模型。
- 在效率理论方面，Rotnitzky and Smucler (2020) 和 Henckel et al. (2022) 发展了DAG中基于图形准则的最优调整策略。
- Bhattacharya et al. (2022) 针对特定ADMG类（如前门模型）推导了半参数有效影响函数，但其框架依赖于普通条件独立性约束。
- Guo et al. (2023a) 和 Guo et al. (2025) 分别针对扩展前门模型和Napkin图（两者均含Verma约束）推导了切空间刻画和效率界，但结果高度依赖于具体图结构。
- Liu et al. (2021) 在无直接效应假设下研究了最优治疗方案的效率估计，利用了嵌套马尔可夫约束。
- Phung and Shpitser (2026) 研究了由普通边际和条件独立性约束定义的半参数模型的切空间正交补，但明确排除了嵌套马尔可夫约束（即Verma约束）。
- 在Verma约束的检验方面，Bhattacharya and Nabi (2022) 利用Verma约束进行参数设定检验；Thams et al. (2023) 通过重加权将广义独立性转化为普通独立性进行检验；Guo and Shah (2025) 和 Dhawan et al. (2026) 发展了基于子抽样的检验方法。

当前frontier与本文位置
当前frontier是：如何将半参数效率理论从普通条件独立性约束推广到嵌套马尔可夫约束（Verma约束）。本文是第一个尝试建立一般性框架的工作。作者指出：“A general semiparametric framework for nested Markov models that generalize Verma constraints is lacking.”（引言第2段末）。本文的核心贡献是将Verma约束转化为加权条件矩限制（weighted conditional moment restrictions），从而将半参数效率理论中处理条件矩限制的工具（Ai and Chen 2003, 2012; Chen and Xie 2026）引入嵌套马尔可夫模型，并通过fixing操作诱导的加权正交关系刻画切空间几何。

子线索聚类

被引文献大致落在以下三条子线索上：

  1. 嵌套马尔可夫模型的图形表示与识别：Verma and Pearl (1990), Robins (1999), Richardson (2003), Tian and Pearl (2002a), Shpitser and Pearl (2008), Shpitser et al. (2012, 2018, 2022), Evans (2018), Richardson et al. (2023), Zhao (2025)。这一簇主要研究ADMG的马尔可夫性质、嵌套马尔可夫分解、因果识别算法等，不涉及效率理论。

  2. 半参数效率理论在因果图模型中的应用：van der Laan and Robins (2003), Tsiatis (2006), Rotnitzky and Smucler (2020), Henckel et al. (2022), Guo et al. (2023b), Phung and Shpitser (2026)。这一簇研究在DAG或ADMG的约束下如何刻画切空间、推导有效影响函数。其中Phung and Shpitser (2026) 处理普通条件独立性，但排除Verma约束。

  3. Verma约束的检验与推断：Bhattacharya and Nabi (2022), Guo et al. (2023a), Thams et al. (2023), Guo and Shah (2025), Dhawan et al. (2026)。这一簇利用Verma约束进行假设检验或开发灵活的半参数程序，但未系统发展效率理论。

本文属于第2条子线索的延伸，但通过加权条件矩限制将第1条子线索的图形操作与第2条子线索的希尔伯特空间几何连接起来。

这个方向在追问的核心问题

  1. 如何刻画嵌套马尔可夫模型的切空间？ 即给定一个ADMG及其诱导的Verma约束集合，在观测分布P处的切空间Λ_P是什么？其正交补Λ_P^⊥是什么？
  2. 如何得到半参数有效影响函数？ 对于任意路径可微的目标参数ψ(P)，其有效影响函数是φ_np在Λ_P上的正交投影。如何计算这个投影？
  3. 多个Verma约束同时存在时，切空间如何由单个约束的切空间相交得到？ 正交补是否等于单个约束正交补的闭线性张成？
  4. Verma约束带来的效率增益有多大？ 相对于忽略Verma约束的模型（仅使用普通条件独立性），利用Verma约束能获得多少方差缩减？

当前主流方法与已知瓶颈：主流方法是针对特定图结构（如扩展前门、Napkin图）手工推导切空间和有效影响函数（Guo et al. 2023a, 2025）。瓶颈在于缺乏一般性：每个新图都需要重新推导，且当存在多个Verma约束时，手工推导变得极其复杂。此外，嵌套马尔可夫模型通常没有自然的参数化（除了少数子类，如Shpitser et al. 2012, 2018; Evans 2018），这阻碍了标准教科书策略（van der Laan and Robins 2003）中构造参数子模型来证明切空间候选者确实是切空间而非其超集。

⚠️ 作者的framing

作者把缺口frame成什么？ 作者在引言中明确说：“A general semiparametric framework for nested Markov models that generalize Verma constraints is lacking.”（第2段末）。他们将自己的工作定位为“toward establishing a complete semiparametric efficiency theory for general nested Markov models”（摘要末句）。具体地，他们观察到Verma约束可表示为加权条件矩限制，从而将图形fixing操作与半参数希尔伯特空间几何连接起来。他们强调：“Our starting point is the observation that nested Markov constraints admit representations as weighted conditional moment restrictions under post-fixing distributions induced by graphical fixing operations.”（第3段）。通过这种表示，他们能够刻画单个Verma约束的切空间正交补，并给出有效影响函数的投影和最小方差刻画。

哪些竞争路线被他淡化或回避了？
- Phung and Shpitser (2026) 的工作被明确提及但被定位为“explicitly excludes the generalized independence constraints that distinguish nested Markov models from ordinary Markov models”（引言第2段）。作者暗示他们的框架是Phung and Shpitser的自然推广。
- Evans (2016, 2018) 关于离散状态空间的结果被提及（Remark 5和结论部分），但作者指出其仅适用于有限状态空间，而本文考虑一般状态空间（需要积分和平方可积条件）。
- Ai and Chen (2003, 2012) 的条件矩限制半参数效率理论被用作工具，但作者强调Verma约束的特殊性在于权重由fixing操作产生，而非直接施加于观测分布。

什么明显该被引/该存在、却没出现在intro里？
- 关于半参数效率理论中处理多个约束的通用方法（如通过投影到约束交集）的文献，作者在Section 4中简要提及，但intro中未引用具体工作。
- 高阶影响函数（HOIF） 或高阶U-统计量在效率理论中的应用未被提及，尽管本文的加权正交性可能与HOIF有联系（研究者兴趣所在）。
- 计算-统计权衡或低度多项式障碍等计算约束统计学的文献未被引用，但本文的有限维基近似（Theorem 2）涉及计算复杂度，可能与此相关。
- 值得研究者去查：是否存在将Verma约束视为半参数模型中的过识别限制（over-identifying restrictions）的文献？Andrews et al. (2025) 被引用但仅用于讨论模型误设下的稳健性。

张力

被引工作之间未见明显对立引用。所有工作都承认嵌套马尔可夫模型的重要性，且都认为Verma约束是超越普通条件独立性的关键特征。主要张力在于如何刻画切空间：Phung and Shpitser (2026) 的方法仅适用于普通条件独立性，而本文的方法通过加权条件矩限制处理Verma约束，两者是互补而非对立。此外，Evans (2016) 的离散状态结果与本文的连续状态设定之间存在技术差距，但作者明确将其列为开放问题。

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（逐个点名，本文核心记号）：

  • G(V;W)：条件ADMG，其中V是随机变量顶点集，W是固定（干预）变量顶点集。O = V ∪ W 为所有可观测变量。
  • p(V)：V的联合概率密度（当W=∅时）。P表示观测分布。
  • ϕ_R(·)：fixing操作，作用于分布或图。R ⊆ V是fixable的顶点集。ϕ_R(p) 是fixing R后得到的核（kernel），再结合参考分布˜p(R)得到后fixing概率律P_{ϕ_R}。
  • mb_G(R)：R的马尔可夫毯（Markov blanket），定义为dis_G(R) ∪ pa_G(dis_G(R)) \ {R}。
  • ω_R(M)：权重函数，ω_R(M) = ˜p(R) / p(R | mb_G(R))，其中M = (R, mb_G(R))。用于将后fixing期望表示为观测分布下的加权期望。
  • E_{ϕ_R}[·]：后fixing分布下的期望。E_{ϕ_R}[A] = E[ω_R(M) A] / E[ω_R(M)]。
  • Λ_P：统计模型P在P处的切空间（tangent space），是L²_0(P) = {h ∈ L²(P) : E[h(O)] = 0}的闭子空间。
  • Λ_P^⊥：切空间的正交补。
  • χ_{f,g}(O)：由Verma约束诱导的正交补元素，具体形式见Theorem 1。
  • ψ(P)：目标参数（如平均因果效应），是路径可微的泛函。
  • φ_np(O)：非参数模型下的影响函数。
  • φ_eff(O)：半参数有效影响函数。

模型：嵌套马尔可夫模型P_G由ADMG G定义，其核心是Verma约束：X ⊥⊥ Y | Z [ϕ_R(p)]，即在后fixing分布P_{ϕ_R}下，X与Y条件独立于Z。该约束等价于加权条件矩限制（Proposition 1）： E_{ϕ_R}[ {f(X,Z) - E_{ϕ_R}[f(X,Z)|Z]} g(Y,Z) ] = 0, ∀ f∈L²(P_{X,Z}), g∈L²(P_{Y,Z})。 观测分布P必须满足所有由G隐含的Verma约束（以及普通条件独立性约束）。

可观测数据：研究者实际能观测到的是O = (X, Y, Z, R, mb_G(R), ...) 的i.i.d.样本，其中X,Y,Z,R是V的子集，mb_G(R)是R的马尔可夫毯（包含其他变量）。想要但观测不到的是：后fixing分布P_{ϕ_R}下的条件独立性关系，以及潜在变量（latent variables）本身。Verma约束正是通过fixing操作将后fixing分布下的条件独立性转化为观测分布下的加权条件矩限制。

第二步：讲最小内核

最简特例：考虑扩展前门模型（Extended Front-Door Model, Section 5.1, Figure 1）。该模型是本文理论的一个直接特例，也是理解整篇论文核心思路的最佳入口。

设定：ADMG如图1(a)所示，变量为X, Z, A, M, Y。其中A是处理变量，Y是结局，M是中介，Z是锚变量（anchor），X是基线协变量。该图隐含一个Verma约束：Z ⊥⊥ Y | X, M [ϕ_M(p)]，即fixing M后，Z与Y条件独立于X和M。这个约束对应“无直接效应”假设：Z只通过M影响Y。

可观测数据：O = (X, Z, A, M, Y)。我们想估计平均因果效应ψ_{a0}(P) = E[Y(a0)]。

最小内核：在这个特例中，R = M，X_gen = Z，Y_gen = Y，Z_gen = (X, M)。根据Proposition 1，Verma约束等价于： E[ ω_M(M) { f(X,Z) - E_{ϕ_M}[f(X,Z)|X] } g(X,M,Y) ] = 0, ∀ f,g, 其中 ω_M(M) = 1 / p(M|X,Z,A)，E_{ϕ_M}[f(X,Z)|X] = E[ω_M(M) f(X,Z)|X] / E[ω_M(M)|X]。

核心思路：这个加权条件矩限制是整篇论文的起点。通过路径微分（pathwise differentiation），可以得到切空间正交补的元素χ_{f,g}(O)（Corollary 2）： χ_{f,g}(O) = ˜χ_{f,g}(O) - E[˜χ_{f,g}(O)|X,Z,A,M] + E[˜χ_{f,g}(O)|X,Z,A], ˜χ_{f,g}(O) = ω_M(M) { f(X,Z) - E_{ϕ_M}[f(X,Z)|X] } { g(X,M,Y) - E_{ϕ_M}[g(X,M,Y)|X,M] }.

为什么这是最小内核：因为所有更一般的Verma约束（如Napkin图、多个约束）都可以通过替换X,Y,Z,R和相应的马尔可夫毯来套用这个结构。Theorem 1就是把这个特例推广到一般情形。在这个特例下，要证的命题是：Λ_P^⊥ = span{χ_{f,g}}，即所有这样的χ_{f,g}张成整个正交补。证明的关键步骤是：先通过微分加权条件矩得到χ_{f,g} ∈ Λ_P^⊥，然后通过构造一个参数子模型（parametric submodel）来证明反向包含关系，即任何与所有χ_{f,g}正交的得分函数必然属于Λ_P。这个构造在一般情形下需要精心设计非线性扰动（如Dong et al. 2026），但在扩展前门模型中相对直观。

读者抓住的核心：Verma约束 → 加权条件矩限制 → 路径微分 → 正交补元素χ_{f,g} → 切空间刻画 → 有效影响函数 = 非参数影响函数在Λ_P上的投影（等价于减去在Λ_P^⊥上的投影）。整个论文的技术细节都是围绕这个链条展开的。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在嵌套马尔可夫模型（由ADMG和Verma约束定义）下，发展半参数效率理论，刻画切空间正交补，推导有效影响函数和效率界。
  2. 核心工具/方法：将Verma约束表示为加权条件矩限制（weighted conditional moment restrictions），利用fixing操作诱导的加权正交关系，通过路径微分得到正交补元素，并构造参数子模型证明完备性。
  3. 主要结论：对于单个Verma约束，完整刻画了切空间正交补（Theorem 1），给出了有效影响函数的投影和最小方差刻画（Theorem 2, 3）；对于多个约束，刻画了正交补的一个子空间（Proposition 3），但完整刻画仍为开放问题。

关键设定与假设

  • ADMG G(V;W)：有向混合图，顶点分为随机变量V和固定变量W。假设G是已知的。
  • 嵌套马尔可夫模型P_G：所有满足G隐含的Verma约束（以及普通条件独立性）的观测分布P的集合。
  • fixability：顶点集R必须是fixable的，即存在一个fixing序列使得每一步的顶点在其当前CADMG中可fix（dis_G(R) ∩ de_G(R){R} = ∅）。
  • 正则性条件：
  • positivity：p(R|mb_G(R)) > 0 a.s. 在参考分布˜p(R)的支持上。
  • 平方可积：所有涉及的函数（f,g, 得分函数）属于L²(P)。
  • 路径可微：目标泛函ψ(P)在van der Vaart (1991)意义下可微。
  • 参数子模型存在性：对于单个Verma约束，作者证明了存在参数子模型（通过构造非线性扰动，如Dong et al. 2026），使得得分函数仅受限于与正交补正交。这是证明正交补完备性的关键。
  • 相比已有文献：本文的假设比Phung and Shpitser (2026)更一般（允许Verma约束），但比Evans (2016)更弱（不要求有限状态空间）。与Guo et al. (2023a, 2025)相比，本文不限于特定图结构。

主要结果

Theorem 1（单个Verma约束的正交补）：设模型P_G由单个Verma约束X⊥⊥Y|Z [ϕ_R(p)]定义。则在P∈int(P_G)处，切空间正交补为 Λ_P^⊥ = span{ χ_{f,g}(O) : f∈L²(P_{X,Z}), g∈L²(P_{Y,Z}) }, 其中χ_{f,g}由(12)-(13)给出。直觉：每个χ_{f,g}是通过微分加权条件矩限制得到的，它们必须与所有得分函数正交。反向包含通过构造参数子模型证明。必要条件：R是fixable的，且正则性条件成立。解决的技术难点：如何从加权条件矩限制中提取出显式的正交补元素，以及如何证明这些元素张成整个正交补（需要构造参数子模型，这在Verma约束下不平凡，因为模型没有自然参数化）。

Theorem 2（有限维基近似）：给定基函数{f_j}, {g_k}，定义χ_{jk}，则有效影响函数的有限维近似为φ_eff,basis = φ_np - (α_opt)^T χ，其中α_opt = Σ^{-1}b，Σ = E[χχ^T], b = E[χ φ_np]。方差缩减为b^T Σ^{-1}b。直觉：将无限维正交补投影到有限维子空间，通过最小二乘得到最优系数。必要条件：Σ非奇异。

Theorem 3（索引不变性下的正交补）：如果目标参数ψ(P)满足索引不变性ψ(P;x) = ψ(P) ∀x，则正交补为Λ_{P,ψ}^⊥ = span{ φ_np(P;x) - φ_np(P;x_0) : x∈X }。有效影响函数是加权组合∫ φ_np(P;x) ˜p(x) dx中方差最小的那个。直觉：索引不变性意味着不同x对应的识别泛函相等，其影响函数之差必须正交于切空间。必要条件：ψ(P;x)是路径可微的。

Proposition 3（多个约束的子空间）：对于J个Verma约束，Λ_P^⊥ 包含由∑{j=1}^J χ{f_j,g_j}^{(j)}张成的子空间。注意：这只是包含关系，不是等式。作者猜想当约束列表完整时等式成立（Remark 5）。

证明路线与技术技巧

整体路线（以Theorem 1为例）： 1. 表示：将Verma约束X⊥⊥Y|Z [ϕ_R(p)]表示为加权条件矩限制（Proposition 1）。 2. 微分：沿参数子模型{P_t}微分该限制，得到E[χ_{f,g}(O) s(O)] = 0，其中χ_{f,g}由(12)-(13)给出（Proposition 2）。因此χ_{f,g} ∈ Λ_P^⊥。 3. 完备性：证明任何与所有χ_{f,g}正交的得分函数s必然属于Λ_P。这需要构造一个参数子模型{P_t} ⊆ P_G，使得其得分函数为s，且该子模型满足Verma约束。构造的关键是引入二阶扰动项（如h_t和r_t），使得加权条件矩限制在t的各阶都为零。作者在附录S2.3中详细构造了这样的子模型，利用了s ∈ Λ_P的条件以及特定的r_t选择（满足(S17)-(S19)）。这个构造是证明中最吃劲的部分。

关键跳跃点： - 从加权条件矩限制到正交补元素：微分过程中，需要处理权重ω_{R,t}和条件期望E_{ϕ_R(pt)}[·|Z]的导数。作者通过巧妙的代数运算将导数简化为E[˜χ_{f,g}(O) {s(O) - s(R|mb_G(R))}] = 0，然后利用s(R|mb_G(R)) = E[s(O)|R,mb_G(R)] - E[s(O)|mb_G(R)]，得到χ_{f,g} = ˜χ_{f,g} - E[˜χ_{f,g}|R,mb_G(R)] + E[˜χ_{f,g}|mb_G(R)]。 - 构造参数子模型证明完备性：这是最困难的部分。作者在附录S2.3中采用了一个复杂的构造，包括将密度分解为p_t(M)和p_t(X,Y,Z|M)，并引入二阶扰动h_t和r_t。通过精心选择r_t（满足(S17)-(S19)），使得加权条件矩限制在t的各阶都为零。这个构造依赖于s ∈ Λ_P的条件，并且利用了Verma约束本身（如α_0=0）和Lemma 4-5。

技术技巧点名： - 加权条件矩表示：将Verma约束转化为Ai and Chen (2003, 2012)形式的条件矩限制，这是连接图形与半参数几何的桥梁。 - 路径微分（pathwise differentiation）：标准半参数技巧，但应用于加权条件矩限制时需要处理权重和条件期望的导数。 - 残差化（residualization）：通过减去条件期望得到正交补元素，类似于普通条件独立性中的残差乘积形式，但增加了权重和额外的条件期望项（涉及R和mb_G(R)）。 - 参数子模型构造：使用二阶扰动（quadratic perturbation）来满足约束，类似于Dong et al. (2026)的方法。这是证明完备性的关键。 - 正交投影：利用L²(P)中的内积，将非参数影响函数投影到切空间或正交补。 - 最小方差刻画：通过求解二次优化问题得到有效影响函数（Lemma 1）。 - 有限维基近似：用张量积基函数逼近无限维正交补，转化为线性回归问题（Theorem 2）。

真实例子与应用

本文包含两个真实数据应用（在补充材料中，但正文有提及）：

  1. Framingham Heart Study（Section S6.1）：应用扩展前门模型估计当前吸烟对冠心病时间的平均因果效应。变量：A=当前吸烟，M=高血压，Z=既往高血压史，X=年龄、性别、BMI、既往冠心病。结果：Verma投影估计量比等权索引估计量置信区间更短（相对长度0.75-0.73），展示了效率增益。

  2. Finnish Life Course Study（Section S6.2）：应用Napkin模型估计教育对收入的因果效应。变量：W=父母社会经济地位，Z=小学GPA，A=教育水平，Y=年收入。按性别和智商分组分析。结果：Verma投影估计量在所有8个亚组×对比中均产生更短的置信区间（平均相对长度0.65-0.52），且随着基函数丰富（Y→Y,Y²→Y,Y²,Y³）效率进一步提高。

这些例子想说明什么：验证理论结果（效率增益）在实际数据中可实现；展示Verma投影估计量相对于仅利用索引不变性的估计量的优势；说明基函数丰富度对效率的影响。

🔎 结论是否比证明窄

  • 多个约束的完整刻画：Proposition 3只给出了Λ_P^⊥的一个子空间，作者明确说“we only obtain a partial result that characterizes a nontrivial superset ˜Λ_P of Λ_P, or equivalently, a nontrivial subset ˜Λ_P^⊥ of Λ_P^⊥”（Remark 5）。他们猜想当约束列表完整时等式成立，但未证明。在具体例子（Section 5.3）中，他们通过构造子模型验证了猜想，但一般定理仍开放。因此，论文的结论比证明窄：对于多个约束，只证明了包含关系，未证明相等。
  • 参数子模型的存在性：对于单个Verma约束，作者在附录S2.3中构造了参数子模型，但该构造依赖于特定的假设（如mb(R)与{X,Y}不相交，或通过特殊处理）。对于mb(R)与{X,Y}相交的情况（如Napkin图），作者提到“a similar construction follows”，但未给出完整细节。因此，完备性证明可能在某些边界情况下不够严格。
  • 有限维基近似的最优性：Theorem 2只给出了在选定基函数下的最优投影，但未证明随着基函数增加，近似收敛到真实有效影响函数。作者在附录S2.4中提到了“sieve approximation conditions”，但未给出具体条件或收敛速度。

四、开放问题（扎根具体语句）

  1. 多个Verma约束下切空间的完整刻画：Proposition 3只给出了Λ_P^⊥的一个子空间，作者猜想当约束列表完整时Λ_P^⊥ = ˜Λ_P^⊥，但“a general theorem remains open”（Remark 5）。需要证明反向包含，即任何与所有∑χ^{(j)}正交的得分函数必然属于Λ_P。这可能需要发展更一般的参数子模型构造方法，或利用隐函数定理（如Guo et al. 2025所采用的策略，作者在结论部分提到“A possible direction is to adopt the strategy of Guo et al. (2025), in which they employed the implicit function theorem to prove the existence of parametric submodels”）。

  2. 无限/连续状态空间下的完备性：Evans (2016) 的结果仅适用于有限状态空间（“Results in a similar spirit can be found in Evans (2016), but they only consider vertices with finite state spaces.”，Remark 5）。本文的框架假设连续状态和平方可积条件，但完备性证明中构造参数子模型的方法依赖于特定的代数操作，能否推广到一般连续状态空间（如非参数密度）尚不清楚。

  3. 更高效的数值投影算法：对于多个约束，精确投影到˜Λ_P^⊥可能很复杂。作者提到“Efficient influence functions may be viewed as projections onto intersections of closed subspaces of L²_0(P), suggesting the use of sequential or alternating projection algorithms. A systematic study of such computational approaches is left for future work.”（Section 4末）。这涉及计算统计学的交叉，可能与本研究者对统计计算（einsum, tensor contraction）的兴趣相关。

  4. 模型误设下的稳健性：作者在引言中引用了Andrews et al. (2025)和Adusumilli (2026)关于效率与稳健性的讨论，但未深入。一个开放问题是：当ADMG被误设时，基于Verma约束的有效估计量是否仍然优于忽略约束的估计量？或者是否存在对局部误设稳健的估计量（如Adusumilli 2026所建议）？这扎根于引言第4段：“The recent literature on statistics and economics discusses whether less efficient estimators that are robust against potential model misspecification should be used instead.”

  5. 与高阶影响函数（HOIF）的联系：本文的加权正交性χ_{f,g}具有乘积结构，类似于高阶U-统计量的核。研究者可能感兴趣：χ_{f,g}是否可以视为某种高阶影响函数的特例？其计算复杂度（如通过einsum实现）如何？本文未探讨这一点，但研究者自己的HOIF和U-统计量工作可能提供新的几何视角。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论