跳转至

Nonparametric Bayesian Inference for Partially Identified Discrete Response Models

作者: Elie Tamer, Christopher D. Walker
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.25814

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：如何对由条件矩不等式或线性系统定义的、部分可识别的结构参数（即识别集）进行统计推断。这类模型在经济学中广泛出现（如博弈、动态离散选择、有限考虑集等），其核心特征是结构参数γ的识别集Γ_I由简约式条件选择概率p(X)通过一组已知的不等式或线性约束定义。当前成熟度：频率学派方法已有大量工作（如Andrews and Shi, 2013; Chernozhukov et al., 2007），但贝叶斯方法在处理连续协变量X时面临根本困难——现有贝叶斯方法要么要求简约参数有限维（从而排除连续X），要么需要离散化协变量（损失识别信息）。

发展脉络（history）

  • 奠基工作：Manski (1987) 和 Tamer (2003) 奠定了部分识别离散响应模型的基础，指出识别集由条件选择概率的不等式约束刻画。Manski and Tamer (2002) 提出区间删失回归的识别集。这些工作建立了“识别集是简约式条件概率的函数”这一核心观察。
  • 主要进展（频率学派）：Chernozhukov et al. (2007) 提出基于准则函数最小化的识别集估计与置信区域构造。Andrews and Shi (2013) 开发了条件矩不等式的频率学派推断框架，但需要将条件矩转化为无条件矩（通过选择工具变量或离散化协变量），这一转化可能损失识别信息且对工具选择敏感（Li et al., 2024 指出误设定下结论可能敏感）。Khan and Tamer (2009) 和 Armstrong (2014) 等进一步推进了条件矩不等式的推断理论。
  • 主要进展（贝叶斯部分识别）：Poirier (1998) 和 Moon and Schorfheide (2012) 指出贝叶斯推断在部分识别模型中的根本问题——先验在无限数据下不完全修正。Kline and Tamer (2016) 提出通过简约式参数的贝叶斯后验来推断识别集，但明确限制简约参数为有限维（从而排除连续协变量）。Liao and Simoni (2019) 和 Florens and Simoni (2021) 使用支撑函数和Dirichlet过程，同样限制简约参数以参数速率可估。Norets and Tang (2014) 对动态离散选择模型提出贝叶斯方法，但限制状态空间有限。
  • 当前frontier：Walker (2026) 提出对条件矩等式使用非参数贝叶斯先验（高斯过程）进行推断，但只处理点识别情形。Kline and Tamer (2024) 建立了识别集后验一致性到反事实预测一致性的连续映射定理，但需要识别集后验一致性作为输入。
  • 本文位置：本文填补了“对连续协变量X、由条件矩不等式或线性系统定义的部分识别模型进行非参数贝叶斯推断”这一空白。核心创新是：直接对简约式条件PMF p(X)放置非参数先验（高斯过程），通过p的后验自然诱导出识别集Γ_I的后验，从而避免了离散化协变量或选择无条件矩。理论贡献是证明了后验对真实识别集的一致性（正确设定下）和对伪识别集的一致性（误设定下），并验证了logistic stick-breaking GP先验满足所需条件。

子线索聚类

  1. 贝叶斯部分识别：Poirier (1998), Moon and Schorfheide (2012), Kline and Tamer (2016), Liao and Simoni (2019), Florens and Simoni (2021), Giacomini and Kitagawa (2021), Christensen et al. (2026)。这些工作关注如何在部分识别下进行贝叶斯推断，但大多限制简约参数为有限维或参数速率可估。
  2. 频率学派部分识别（条件矩不等式）：Andrews and Shi (2013, 2014, 2017), Chernozhukov et al. (2007, 2013), Armstrong (2014, 2015), Chetverikov (2018), Chen et al. (2018), Andrews et al. (2023)。这些工作开发了条件矩不等式的频率学派推断，但通常需要将条件矩转化为无条件矩或离散化协变量。
  3. 频率学派部分识别（线性系统）：Bai et al. (2022, 2026), Fang et al. (2023), Goff and Mbakop (2025)。这些工作关注线性系统（如Honoré and Tamer, 2006）的推断，同样面临协变量离散化问题。
  4. 非参数贝叶斯与简约式推断：Walker (2026), Norets and Pelenis (2022a,b), Ray and van der Vaart (2020)。这些工作使用非参数贝叶斯先验对简约式参数进行推断，但主要处理点识别或有限状态空间。

这个方向在追问的核心问题

  1. 如何在不离散化连续协变量X的前提下，对由条件矩不等式定义的识别集进行推断？ 现有频率学派方法（Andrews and Shi, 2013）需要选择工具变量或离散化X，可能损失识别信息。贝叶斯方法（Kline and Tamer, 2016）要求X有限支撑。
  2. 贝叶斯推断在部分识别模型中的后验一致性如何保证？ 经典问题（Poirier, 1998）是：即使无限数据，先验也不完全修正。本文通过将先验放在可识别的简约参数p上，将识别集视为p的泛函，从而规避了这个问题。
  3. 模型误设定下，贝叶斯推断如何诊断并提供有效推断？ 部分识别模型（如博弈模型）容易因参数化未观测异质性而误设定。本文提出后验概率诊断（识别集为空）和伪识别集推断。
  4. 非参数贝叶斯先验（如GP）在强范数（supremum norm）下的后验集中性如何保证？ 这是技术难点，因为已知GP后验在supremum norm下可能不一致（Freedman, 1963; Diaconis and Freedman, 1986a,b）。本文通过wavelet插值技术证明了在适当条件下supremum norm后验一致性。

⚠️ 作者的framing

作者把缺口frame成：现有贝叶斯部分识别方法（Kline and Tamer, 2016; Liao and Simoni, 2019）都限制简约参数为有限维或参数速率可估，从而排除了连续协变量X。本文通过使用非参数贝叶斯先验（GP）对条件PMF建模，填补了这一空白。 竞争路线（频率学派条件矩不等式方法，如Andrews and Shi, 2013）被淡化或回避的方式是：作者强调这些方法需要“ad hoc”选择无条件矩或离散化协变量，可能损失识别信息且对选择敏感（Li et al., 2024）。作者没有深入讨论频率学派方法在连续X下的理论进展（如Armstrong, 2014的KS统计量方法），而是将其作为背景。

什么明显该被引/该存在、却没出现在intro里？ 作者没有引用关于部分识别下贝叶斯推断的计算复杂度或贝叶斯非参数方法在部分识别中的minimax最优性的工作。也没有引用高维协变量（d_x大）下的相关方法。这可能是值得研究者去查的问题：是否存在高维部分识别模型的工作？本文的GP方法在高维X下是否可行？

张力

未见明显对立引用。各条线索的工作在各自设定下是自洽的，主要差异在于对X的处理方式（有限支撑 vs. 连续）和推断范式（频率学派 vs. 贝叶斯）。

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：
  • \(Y \in \mathcal{Y} = \{y_1, \dots, y_K\}\)：离散响应变量，\(K\)个类别。
  • \(X \in \mathcal{X} \subseteq \mathbb{R}^{d_x}\)：协变量向量，可以是连续的。
  • \((Y_i, X_i')'\)：第\(i\)个观测，\(i=1,\dots,n\)。
  • \(p(X) = (p_1(X), \dots, p_K(X))\)：条件概率质量函数（PMF），其中\(p_k(X) = P(Y = y_k | X)\)。这是简约式参数，是我们要推断的对象。
  • \(\gamma \in \Gamma \subseteq \mathbb{R}^{d_\gamma}\)：有限维结构参数（如博弈的收益参数）。这是目标参数，但它是部分可识别的。
  • \(\Gamma_I = \{\gamma \in \Gamma : f(X, p(X), \gamma) \ge 0 \text{ a.s.}\}\)：识别集，由已知函数\(f\)通过不等式定义。\(f\)是已知的，但依赖于未知的\(p(X)\)。
  • \(p_0\)：真实的、未知的条件PMF。
  • \(\Gamma_{n,I}(p) = \{\gamma \in \Gamma : f(x_i, p(x_i), \gamma) \ge 0, \forall i=1,\dots,n\}\)：条件识别集，基于观测到的协变量\(\{x_i\}_{i=1}^n\)。
  • \(Q_n(\gamma, p)\)：准则函数，满足\(Q_n(\gamma, p) = 0 \iff \gamma \in \Gamma_{n,I}(p)\)。例如，\(Q_n(\gamma, p) = \frac{1}{n} \sum_{i=1}^n \| (f(x_i, p(x_i), \gamma))_- \|_1\)。
  • \(\Pi\)：\(p\)上的先验分布。

  • \(\Pi_n(\cdot | Y^{(n)})\)：给定数据\(Y^{(n)} = (Y_1, \dots, Y_n)\)后，\(p\)的后验分布。

  • 模型：

  • 数据生成机制：给定协变量\(X_i = x_i\)，\(Y_i\)独立地从Categorical(\(p_0(x_i)\))分布中抽取。即\(Y_i | X_i \sim \text{Categorical}(p_0(X_i))\)。
  • 统计模型：\(p\)是未知的、无限维的（因为\(X\)连续），属于所有PMF构成的空间\(\mathcal{P}\)。
  • 已知量：函数\(f\)（定义识别集的结构），参数空间\(\Gamma\)。

  • 要估的对象：识别集\(\Gamma_I\)（或\(\Gamma_{n,I}\)），它是\(p\)的泛函。

  • 可观测数据：

  • 可观测：\(\{(Y_i, X_i')\}_{i=1}^n\)。我们观测到\(Y_i\)的类别和\(X_i\)的取值。
  • 不可观测/潜在：真实的\(p_0(X)\)。我们只能通过\(Y_i\)的观测来推断它。识别集\(\Gamma_I\)本身也是不可直接观测的，因为它依赖于未知的\(p_0\)。

第二步：最小内核——条件矩不等式（CMI）模型，二值Y，连续X

考虑最简单的特例：二值响应（\(K=2\)，\(Y \in \{0,1\}\)），单个连续协变量（\(d_x=1\)），条件矩不等式（CMI）模型。

  • 设定：设\(p(X) = P(Y=1|X)\)。识别集由单个条件矩不等式定义：

    \[\Gamma_I = \{\gamma \in \Gamma : \mathbb{E}[g(Y, X, \gamma) | X] \ge 0 \text{ a.s.}\}\]
    其中\(g(Y, X, \gamma)\)是已知函数。例如，在Manski (1987)的二元面板数据模型中，\(g(Y, X, \gamma) = Y - \Phi(X'\gamma)\)（某种形式），不等式来自对误差分布的限制。

  • 核心观察：\(\mathbb{E}[g(Y, X, \gamma) | X] = g(1, X, \gamma) p(X) + g(0, X, \gamma) (1-p(X))\)。因此，\(f(X, p(X), \gamma) = \mathbb{E}[g(Y, X, \gamma) | X]\)是\(p(X)\)的已知线性函数。所以，识别集\(\Gamma_I\)完全由未知函数\(p(\cdot)\)决定。

  • 论文的关键想法：我们不直接对\(\gamma\)做推断（因为\(\gamma\)部分可识别，先验不会完全修正），而是对可识别的简约参数\(p(\cdot)\)做非参数贝叶斯推断。具体来说：

  • 对\(p(\cdot)\)放置一个高斯过程（GP）先验。例如，设\(p(x) = \Lambda(B(x))\)，其中\(\Lambda(z) = e^z/(1+e^z)\)是logistic函数，\(B(x) \sim \mathcal{GP}(0, \kappa(x, x'))\)是高斯过程。
  • 给定数据\(\{(Y_i, X_i)\}_{i=1}^n\)，计算\(p\)的后验分布\(\Pi_n(p | Y^{(n)})\)。由于模型是二值logistic回归，后验可以通过Pólya-Gamma数据增广高效采样（闭式Gibbs采样）。
  • 对于后验的每一个样本\(p^{(s)}\)，计算对应的识别集\(\Gamma_{n,I}(p^{(s)}) = \{\gamma : f(x_i, p^{(s)}(x_i), \gamma) \ge 0, \forall i\}\)。这可以通过求解一个线性规划（如果\(f\)是线性的）或网格搜索来完成。

  • 这些\(\Gamma_{n,I}(p^{(s)})\)的集合就构成了识别集的后验分布。

  • 为什么这个想法能工作：因为\(p\)是点可识别的（在无限数据下，后验集中在真实\(p_0\)附近），而\(\Gamma_I\)是\(p\)的连续泛函（在适当条件下），所以\(\Gamma_I\)的后验也会集中在真实\(\Gamma_I(p_0)\)附近。这避免了在部分识别参数\(\gamma\)上直接放置先验所带来的“先验不完全修正”问题。

  • 这个最小内核要证明的核心命题：在正确设定下，后验\(\Pi_n(\Gamma_{n,I}(p) | Y^{(n)})\)在Hausdorff距离下收敛到真实识别集\(\Gamma_{n,I}(p_0)\)。即，对于任意\(\varepsilon > 0\)，

    \[\Pi_n( d_H(\Gamma_{n,I}(p), \Gamma_{n,I}(p_0)) \ge \varepsilon | Y^{(n)}) \xrightarrow{P_0^{(n)}} 0.\]
    这个命题的证明依赖于三个条件：①后验集中在\(p_0\)附近（后验集中性）；②准则函数\(Q_n(\gamma, p)\)在\(p\)接近\(p_0\)时一致收敛到\(Q_n(\gamma, p_0)\)（均匀收敛）；③识别集对应\(p \mapsto \Gamma_{n,I}(p)\)是下半连续的（下半连续性）。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：对部分可识别的离散响应模型（包括条件矩不等式和线性系统），提出一个非参数贝叶斯推断框架，直接对简约式条件PMF \(p\)放置先验，通过\(p\)的后验诱导出识别集\(\Gamma_I\)的后验。
  2. 核心工具/方法：使用logistic stick-breaking高斯过程（LSBGP）先验对\(p\)建模，利用Pólya-Gamma数据增广实现闭式后验采样；将识别集视为\(p\)的泛函，通过求解优化问题从\(p\)的后验样本得到\(\Gamma_I\)的后验样本。
  3. 主要结论：证明了在正确设定下后验对真实识别集具有Hausdorff一致性；在误设定下后验概率可诊断模型误设定，且后验对伪识别集具有一致性；验证了LSBGP先验满足所需的后验集中性条件（包括empirical \(L_2\)和supremum norm下的后验集中速率）。

关键设定与假设

  • 核心设定：数据\(\{(Y_i, X_i')\}_{i=1}^n\)，\(Y_i\)离散（\(K\)类），\(X_i\)连续（无限制）。模型：\(Y_i | X_i \sim \text{Categorical}(p(X_i))\)，\(p\)是未知PMF。识别集：\(\Gamma_I = \{\gamma : f(X, p(X), \gamma) \ge 0 \text{ a.s.}\}\)，\(f\)已知。
  • 关键假设：
  • Assumption 1-2（正则性）：似然函数和先验的测度论正则性，保证后验良定义。
  • Assumption 3（参数空间紧致）：\(\Gamma\)是\(\mathbb{R}^{d_\gamma}\)的紧子集。这是随机集理论的标准条件。
  • Assumption 4（可测性）：准则函数\(Q_n(\gamma, p)\)关于\(\gamma\)下半连续，关于\(p\)可测。保证\(\Gamma_{n,I}(p)\)是随机闭集。
  • Assumption 5（DGP）：①数据由真实\(p_0\)生成（正确设定）；②真实识别集非空且准则函数在识别集外有正下界（well-separated）。这是一致性证明的标准条件。
  • Assumption 6（先验与准则）：①后验集中在筛子\(\mathcal{P}_n\)和\(p_0\)的\(d_n\)-邻域内（后验集中性）；②准则函数在\(\Gamma \times \mathcal{V}_{n,\delta_n}\)上一致收敛；③对应\(p \mapsto \Gamma_{n,I}(p)\)在\(\mathcal{V}_{n,\delta_n}\)上下半连续。这是核心条件，论文后续用大量篇幅（Section 4.2）给出低层充分条件。
  • Assumption 7-9（GP先验）：\(X\)紧致且密度有界，GP样本路径Hölder正则，wavelet基条件。用于验证supremum norm后验集中性。

主要结果

  • Theorem 4（后验一致性，正确设定）：在Assumptions 1-6下，后验\(\Pi_n(\Gamma_{n,I}(p) | Y^{(n)})\)在Hausdorff距离下收敛到真实条件识别集\(\Gamma_{n,I}(p_0)\)。这是核心定理。
  • Theorem 5（误设定诊断）：如果模型误设定（\(\inf_\gamma Q_n(\gamma, p_0) > 0\)），后验概率\(\Pi_n(\Gamma_{n,I}(p) = \emptyset | Y^{(n)}) \to 1\)。如果正确设定，后验概率\(\Pi_n(\Gamma_{n,I}(p) \neq \emptyset | Y^{(n)}) \to 1\)。这提供了一个一致的误设定诊断。
  • Theorem 6（伪识别集一致性）：在误设定下，后验对伪识别集\(\tilde{\Gamma}_{n,I}(p) = \{\gamma : \tilde{Q}_n(\gamma, p) = 0\}\)（其中\(\tilde{Q}_n(\gamma, p) = Q_n(\gamma, p) - \inf_{\tilde{\gamma}} Q_n(\tilde{\gamma}, p)\)）具有Hausdorff一致性。
  • Proposition 7-8（GP后验集中性）：验证了LSBGP先验满足Assumption 6.1。Proposition 7给出empirical \(L_2\)后验集中速率（可达minimax最优）。Proposition 8在额外Hölder条件下给出empirical supremum norm后验一致性。这是技术难点，因为GP后验在强范数下的一致性需要精细的wavelet论证。

证明路线与技术技巧

  • 整体路线（Theorem 4）：
  • Step 1：利用后验集中性（Assumption 6.1）将分析限制在筛子邻域\(\mathcal{V}_{n,\delta_n}\)上。
  • Step 2：利用均匀收敛（Assumption 6.2）证明，在\(\mathcal{V}_{n,\delta_n}\)上，如果\(\Gamma_{n,I}(p)\)与\(\Gamma_{n,I}(p_0)\)的Hausdorff距离大，则准则函数\(Q_n(\cdot, p)\)与\(Q_n(\cdot, p_0)\)的差异必须大（因为\(Q_n(\cdot, p_0)\)在\(\Gamma_{n,I}(p_0)\)外有正下界）。这控制了“\(\Gamma_{n,I}(p)\)包含\(\Gamma_{n,I}(p_0)\)外的点”的概率。
  • Step 3：利用下半连续性（Assumption 6.3）证明，在\(\mathcal{V}_{n,\delta_n}\)上，\(\Gamma_{n,I}(p_0)\)中的每个点都接近\(\Gamma_{n,I}(p)\)。这控制了“\(\Gamma_{n,I}(p_0)\)中的点被\(\Gamma_{n,I}(p)\)遗漏”的概率。

  • Step 4：结合Steps 2-3，得到Hausdorff距离小的后验概率趋于1。

  • 关键跳跃点：

  • 从后验集中性到Hausdorff一致性的桥梁：需要将Hausdorff距离事件转化为准则函数差异的事件。这依赖于well-separated条件（Assumption 5.2）和均匀收敛（Assumption 6.2）。具体地，如果\(d_H(\Gamma_{n,I}(p), \Gamma_{n,I}(p_0)) \ge \varepsilon\)，则要么存在\(\gamma \in \Gamma_{n,I}(p)\)使得\(Q_n(\gamma, p_0) \ge \xi\)（从而\(|Q_n(\gamma, p) - Q_n(\gamma, p_0)| \ge \xi\)），要么存在\(\gamma \in \Gamma_{n,I}(p_0)\)使得\(\text{dist}(\gamma, \Gamma_{n,I}(p)) \ge \varepsilon\)（从而下半连续性被违反）。
  • 下半连续性的验证（Proposition 4）：对于凸识别集，需要证明存在常数\(c>0\)使得\(\max_i \| (f(x_i, p(x_i), \gamma))_- \|_2 \ge c \cdot \text{dist}(\gamma, \Gamma_{n,I}(p))\)。这通过KKT条件和Slater点（γ°）的Lagrange乘子有界性证明。Slater点的存在保证了乘子范数有界，从而得到\(c = \eta / (2 \text{diam}(\Gamma))\)。

  • GP后验的supremum norm集中性（Proposition 8）：这是技术难点。论文使用wavelet插值技术：将\(B_k\)投影到CDV wavelet基上，将supremum norm误差分解为投影误差（由Hölder正则性控制）和采样误差（由empirical \(L_2\)集中性和wavelet基的局部化性质控制）。关键条件是wavelet分辨率\(J_k\)的选择要平衡投影误差和采样误差，这由Assumption 9给出。

  • 技术技巧点名：

  • Pólya-Gamma数据增广：用于logistic回归的后验采样，将非共轭的logistic似然转化为条件高斯形式，实现闭式Gibbs采样。
  • Stick-breaking参数化：将Categorical分布的PMF参数化为\(K-1\)个独立的logistic回归，使得后验可以分解为\(K-1\)个独立块，可并行计算。
  • 随机集理论：用于形式化识别集的后验分布（通过capacity functional）。
  • Wavelet插值：用于从empirical \(L_2\)后验集中性推导empirical supremum norm后验集中性。
  • RKHS浓度函数：用于刻画GP先验的后验集中速率（Proposition 7）。
  • KKT条件与Lagrange乘子有界性：用于验证凸识别集的下半连续性（Proposition 4）。

真实例子与应用

  • 数据/场景：模拟的动态面板二元选择模型（Khan et al., 2023）。数据生成：\(Y_t = \mathbf{1}\{\beta t + X_t + \theta Y_{t-1} \ge \alpha + U_t\}\)，\(t=1,2\)，\(\beta=1, \theta=0.5\)，\(\alpha\)和\(U_t\)是正态随机效应。协变量\(X_1, X_2 \sim U[-2,2]\)。识别集由18个条件矩不等式定义（来自条件平稳性假设）。
  • 方法应用：使用LSBGP先验（Matérn核，\(\alpha=1.5\)）对8种可能结果路径的PMF建模。后验采样：20,000次迭代，16,000次burn-in，每4次thinning，得到1,000个后验样本。对每个后验样本\(p^{(s)}\)，通过求解线性规划（\(Q_n^{LP}\)准则）计算伪识别集\(\tilde{\Gamma}_{n,I}(p^{(s)})\)。
  • 结果：图2显示，随着样本量\(n\)从100增加到2000，后验包含概率（\(\beta\)和\(\theta\)属于识别集的概率）越来越集中在真实条件识别集上。表1显示，后验的Hausdorff距离均值绝对偏差（MAD）从1.733（n=100）下降到0.548（n=2000），表明后验越来越集中。
  • 这个例子想说明什么：①方法能处理连续协变量（无需离散化）；②后验确实随着样本量增加而集中在真实识别集附近（验证理论）；③与图3对比，如果离散化协变量（如Khan et al., 2023的做法），识别集会显著变宽（甚至无法排除\(\theta=0\)），而本文方法保留了识别信息。

🔎 结论是否比证明窄

  • 窄的地方：Theorem 4的证明依赖于Assumption 6.2（均匀收敛）和6.3（下半连续性），这些条件在Section 4.2中只对特定类型的识别集（如CMI和线性系统）给出了低层充分条件。论文没有声称对所有可能的\(f\)都成立。例如，Proposition 4（凸识别集的下半连续性）要求\(f\)关于\(\gamma\)是凹的且可微，这排除了非凹/非光滑的情形。
  • 泛泛claim的地方：论文在引言和结论中声称“我们的框架适用于许多经济模型”，但证明只覆盖了CMI和线性系统两类。对于更一般的非线性/非凸识别集，Assumption 6.3的验证可能非常困难。论文在Section 5.2（连续响应）中只给出了一个Proposition 10，但依赖于Walker (2026)的GP后验集中性结果，没有给出完整的低层验证。
  • 值得研究者去查的问题：论文在Section 4.2.2的Proposition 5-6中处理了伪识别集的下半连续性，但Condition 5（均匀非退化）要求伪识别集是单点集（Lemma 3）。论文在Appendix C.3中承认，如果伪识别集有平底（flat bottom），则下半连续性可能失败，并建议使用松弛的伪识别集\(\tilde{\Gamma}_{n,I}^t\)（Proposition 11）。这是一个重要的实践警告：在误设定下，如果伪识别集不是单点，后验可能“虚假精确”（spuriously precise）。

四、开放问题（点到为止，扎根具体语句）

  1. 高维协变量（\(d_x\)大）下的可扩展性：本文的GP方法在\(d_x\)大时面临“维度诅咒”——后验集中速率随\(d_x\)指数下降（Proposition 7的速率\(\tilde{\delta}_n = n^{-\alpha/(2\alpha + d_x)}\)）。论文没有讨论高维情形。扎根于：Proposition 7的速率依赖于\(d_x\)，且Assumption 7要求\(X\)紧致。对于高维\(X\)，是否需要稀疏性假设或变量选择？

  2. 非凸/非光滑识别集的下半连续性：Proposition 4要求\(f\)关于\(\gamma\)是凹的且可微。对于非凸识别集（如博弈模型中的非凸识别集），Assumption 6.3的验证是开放的。扎根于：Proposition 4的标题是“Convex Identified Set”，论文没有给出非凸情形的低层条件。

  3. 误设定下伪识别集的“虚假精确”问题：论文在Appendix C.3中通过一个例子展示了当伪识别集有平底时，后验可能集中在子集上。Proposition 11的松弛方法（\(\tilde{\Gamma}_{n,I}^t\)）需要选择松弛参数\(t\)，但论文没有给出数据驱动的选择方法。扎根于：Appendix C.3的讨论和Proposition 11。

  4. 连续响应模型的完整后验一致性理论：Section 5.2将框架扩展到连续\(Y\)，但Proposition 10依赖于Walker (2026)的GP后验集中性结果，且没有给出低层验证（如连续情形下supremum norm后验集中性的类比）。扎根于：Section 5.2和Proposition 10的陈述。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论