跳转至

Identification and Inference for Causal Effects in Extremes under General Conditions

作者: Lisa Leimenstoll, Melanie Schienle
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.22957

一、领域脉络与小综述

这个方向是什么

本子方向研究的是极端事件中的因果识别与推断。核心科学问题是：在重尾分布（如金融回报、气候极值）下，如何从观测数据中识别变量间极端实现之间的因果依赖关系，并对其进行统计推断。与关注平均效应的经典因果推断不同，这里的目标 estimand 是“当原因变量取极端值时，结果变量的极端行为如何被因果地改变”。该方向当前处于早期发展阶段，主要理论结果集中在近5年内，实证应用尚不广泛。

发展脉络（history）

奠基工作： - Gnecco et al. (2021) 引入了 Causal Tail Coefficient (CTC)，在等尾指数（所有创新项具有相同尾指数 α）的线性结构因果模型（LSCM）中，证明了 CTC 的极限行为可以区分因果方向（直接因果→1，无因果→0.5）。这是本领域的核心概念和基准框架。作者引用其“为测量极端实现之间的因果传播提供了框架”。

主要进展： - Pasche et al. (2023) 将 CTC 框架扩展到存在可观测重尾混杂因子的情形，提出了调整后的 CTC（conditional CTC），通过拟合广义帕累托分布（GPD）来条件于混杂因子。作者引用其“研究了可观测重尾混杂因子的作用”。 - Bodik et al. (2024) 和 Bodik and Pasche (2024) 将 CTC 扩展到时间序列设定，提出了极端事件的 Granger 因果检验。作者引用其“开发了时间序列设定和极端事件 Granger 因果的扩展”。 - Tran et al. (2024) 使用max-linear 因果图模型估计极端事件的有向树结构。作者引用其“使用 max-linear 因果图模型估计极端事件的有向树结构”。 - Mhalla et al. (2020) 基于极端条件分位数的 Kolmogorov 复杂度开发了因果发现方法。作者引用其“基于极端条件分位数的 Kolmogorov 复杂度开发了因果发现方法”。

当前 frontier 与本文位置： 现有工作大多依赖限制性假设，特别是“所有变量应具有可比较的尾行为”（等尾指数）。然而，作者指出“在许多实证应用中，不同经济变量可能表现出显著不同的极端实现概率”。此外，未观测的重尾混杂因子可能扭曲观测到的极端依赖模式。本文正是在这两个 gap 上定位自己：允许异质尾指数，并区分轻尾与重尾未观测混杂因子的不同影响，从而在更一般的条件下建立识别与推断理论。

子线索聚类

  1. 基于 CTC 的因果推断框架：Gnecco et al. (2021), Pasche et al. (2023), Bodik et al. (2024), Bodik and Pasche (2024)。这一簇的核心是定义和估计 CTC，并利用其极限行为进行因果方向推断。本文属于此簇，并扩展了其适用范围。
  2. 基于图模型的极端因果结构学习：Tran et al. (2024), Engelke and Hitz (2020), Engelke and Volgushev (2022)。这一簇利用多元 Pareto 分布的图模型性质（条件独立性）来学习 DAG 结构。本文的 LSCM 框架与此有联系，但更侧重于两变量因果关系的识别与检验。
  3. 基于条件分位数或复杂度的因果发现：Mhalla et al. (2020)。这一簇使用不同的统计量（如条件分位数的 Kolmogorov 复杂度）来推断因果方向，与 CTC 方法形成互补。

核心问题与已知瓶颈

  • 核心问题 1：在重尾 LSCM 下，CTC 的极限行为是什么？它能否唯一地识别因果方向？
  • 核心问题 2：当变量具有不同尾指数时，CTC 的识别能力如何变化？尾指数异质性是否有助于识别？
  • 核心问题 3：未观测混杂因子如何影响 CTC 的识别？轻尾和重尾混杂因子的影响有何不同？
  • 核心问题 4：如何构建 CTC 的估计量并推导其渐近分布，从而进行假设检验？

已知瓶颈： - 等尾指数假设在实证中常被违反。 - 未观测混杂因子（尤其是重尾的）会严重扭曲 CTC 的极限行为，导致无法区分因果与混杂。 - 估计量的有限样本表现对阈值参数 k 的选择高度敏感。

⚠️ 作者的 framing

作者将缺口 frame 成：“现有文献假设所有变量具有可比较的尾行为，这在实证中常被违反。此外，未观测的重尾混杂因子可能扭曲极端依赖模式。因此，我们需要在异质尾指数和潜在重尾混杂的一般条件下建立识别与推断理论。” 这使得本文成为“显然的下一步”。

被淡化或回避的竞争路线： - 非线性结构模型：作者在结论中承认“为简单起见，我们限制在线性结构因果模型”，并指出“未来工作可以探索 CTC 在非线性结构模型下的理论性质”。这表明非线性是一个被回避的复杂方向。 - 时序依赖的显式建模：作者在结论中承认“我们抽象了时间依赖性”，并指出“下一步是显式考虑时间依赖性”。这表明对 i.i.d. 假设的依赖是一个被淡化的限制。 - 效应量估计：作者在结论中承认“在量化因果效应大小方面仍存在显著差距”。这表明本文主要关注方向识别而非效应大小估计，后者是一个被回避的重要问题。

什么明显该被引/该存在、却没出现在 intro 里？ - 作者没有引用任何关于半参数效率理论或最优估计的工作。对于 CTC 估计量，本文仅证明了其相合性和渐近正态性，但没有讨论其是否达到半参数效率界。对于一个统计学家而言，这是一个自然的后续问题：是否存在更优的估计量？这可能是作者有意回避的，因为极值统计中效率理论本身就很复杂。 - 作者没有引用任何关于统计-计算权衡的工作。CTC 估计量的计算复杂度是 O(n)，但更复杂的图模型方法（如 Tran et al. 2024 的 max-linear 树）可能有更高的计算成本。本文没有讨论计算可行性问题。

张力

未见明显对立引用。各工作基本是在不同设定下（等尾 vs 异尾、无混杂 vs 有混杂、i.i.d. vs 时序）对同一框架的扩展，结论是互补而非矛盾的。

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： - \(X_j\)：第 \(j\) 个随机变量（节点），\(j \in \{1, \dots, p\}\)。 - \(\epsilon_j\)：第 \(j\) 个创新项（exogenous shock），假设相互独立。 - \(\alpha_j > 0\)：\(\epsilon_j\) 的尾指数（tail index），控制其重尾程度。\(\alpha\) 越小，尾部越重。 - \(\beta_{kj} \in \mathbb{R} \setminus \{0\}\)：从 \(X_k\) 到 \(X_j\) 的结构系数（causal weight）。 - \(G = (V, E)\)：有向无环图（DAG），\(V\) 是节点集，\(E\) 是有向边集。 - \(\text{pa}(j, G)\)：节点 \(j\) 的父节点集。 - \(\text{An}(j, G)\)：节点 \(j\) 的祖先节点集（包括自身）。 - \(\beta_{k \to j}\)：从 \(\epsilon_k\) 到 \(X_j\) 的总效应（total effect）。 - \(\Gamma_{X_i \to X_j}\)：Causal Tail Coefficient (CTC)，度量从 \(X_i\) 到 \(X_j\) 的极端因果依赖。 - \(\hat{\Gamma}_{X_i \to X_j}\)：CTC 的样本估计量。 - \(F_j\)：\(X_j\) 的边际分布函数。 - \(\hat{F}_j\)：\(F_j\) 的经验分布函数。 - \(k\)：阈值参数，用于定义“极端”的秩（rank threshold）。 - \(n\)：样本量。 - \(H\)：未观测混杂因子（confounder）。 - \(\alpha_H\)：混杂因子创新项 \(\epsilon_H\) 的尾指数。

模型： 数据生成过程由线性结构因果模型 (LSCM) 描述：

\[X_j := \sum_{k \in \text{pa}(j, G)} \beta_{kj} X_k + \epsilon_j, \quad j \in V\]
其中 \(\epsilon_j\) 是独立的重尾随机变量，服从正则变化 (regularly varying) 分布，即 \(P(\epsilon_j > x) \sim \ell_j(x) x^{-\alpha_j}\) 当 \(x \to \infty\)。\(\ell_j\) 是慢变函数。本文假设所有 \(\beta_{kj} \ge 0\)（但结果可扩展到负权重）。

可观测数据： 研究者实际能观测到的是 \((X_1, X_2, \dots, X_p)\) 的 \(n\) 个独立同分布样本 \(\{(X_{i,1}, X_{i,2}, \dots, X_{i,p})\}_{i=1}^n\)。

想要但观测不到的量： - 创新项 \(\epsilon_j\)：它们是潜在变量，无法直接观测。 - 混杂因子 \(H\)：在存在未观测混杂的场景下，\(H\) 是不可观测的。研究者只能通过代理变量（proxy）来近似它。 - 因果方向：这是研究者想要推断的 estimand，不是直接观测到的。

第二步：讲最小内核

最简特例：考虑两个变量 \(X_1\) 和 \(X_2\)，无混杂因子，且尾指数不同（\(\alpha_1 \neq \alpha_2\)）。这是整篇论文核心思路的“特例推广”型特例。

设定： - 数据生成：\(X_1 = \epsilon_1\)，\(X_2 = \beta_{12} X_1 + \epsilon_2\)，其中 \(\beta_{12} > 0\) 表示 \(X_1\) 对 \(X_2\) 有直接因果效应。 - \(\epsilon_1 \in \text{RV}(\alpha_1)\)，\(\epsilon_2 \in \text{RV}(\alpha_2)\)，且 \(\epsilon_1\) 与 \(\epsilon_2\) 独立。 - 可观测数据：\(\{(X_{i,1}, X_{i,2})\}_{i=1}^n\)。

核心思路： CTC 定义为 \(\Gamma_{X_i \to X_j} = \lim_{u \to 1^-} E(F_j(X_j) | F_i(X_i) > u)\)。它度量了当 \(X_i\) 取极端大值时，\(X_j\) 的标准化秩的期望。

在这个特例下，Proposition 3.1 的核心结论退化为： - 如果 \(X_1 \to X_2\)（即 \(\beta_{12} > 0\)），则： - \(\Gamma_{X_1 \to X_2} = 1\)（总是成立，因为 \(X_1\) 的极端值直接导致 \(X_2\) 的极端值）。 - \(\Gamma_{X_2 \to X_1}\) 取决于尾指数的相对大小： - 若 \(\alpha_1 > \alpha_2\)（即 \(X_1\) 的尾比 \(X_2\) 轻），则 \(\Gamma_{X_2 \to X_1} = 0.5\)。 - 若 \(\alpha_1 = \alpha_2\)，则 \(\Gamma_{X_2 \to X_1} = c \in (0.5, 1)\)。 - 若 \(\alpha_1 < \alpha_2\)（即 \(X_1\) 的尾比 \(X_2\) 重），则 \(\Gamma_{X_2 \to X_1} = 1\)。

为什么这个特例揭示了核心思路？ 关键洞察在于：尾指数异质性本身就是识别信息。当 \(\alpha_1 > \alpha_2\) 时，\(X_2\) 的尾比 \(X_1\) 重。因此，\(X_2\) 的极端值更可能由它自己的重尾创新 \(\epsilon_2\) 驱动，而不是由 \(X_1\) 的传播驱动。所以，当以 \(X_2\) 的极端值为条件时，\(X_1\) 的秩分布趋近于均匀分布（期望 0.5），表明 \(X_2\) 的极端值不系统地导致 \(X_1\) 的极端值。相反，当以 \(X_1\) 的极端值为条件时，由于 \(X_1\) 的因果效应，\(X_2\) 的秩分布趋近于 1。

因此，通过比较 \(\Gamma_{X_1 \to X_2}\) 和 \(\Gamma_{X_2 \to X_1}\) 的差异（\(\Delta = \Gamma_{X_1 \to X_2} - \Gamma_{X_2 \to X_1}\)），可以识别因果方向：当 \(\alpha_1 > \alpha_2\) 时，\(\Delta = 0.5\) 明确指示 \(X_1 \to X_2\)。这个特例完美地展示了论文的核心贡献：尾指数异质性不是技术障碍，而是额外的识别信息。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在允许变量具有异质尾指数和存在潜在重尾混杂因子的一般条件下，研究线性结构因果模型中极端事件因果效应的识别与推断。
  2. 核心工具/方法：以 Causal Tail Coefficient (CTC) 及其调整版本（conditional CTC）为核心工具，结合极值理论（正则变化、GPD 近似）和生存 copula 理论，构建了识别框架和假设检验程序。
  3. 主要结论：① 尾指数异质性可以成为识别因果方向的额外信息，在某些情况下（\(\alpha_1 > \alpha_2\)）可以唯一识别；② 轻尾混杂因子渐近可忽略，但足够重尾的混杂因子可产生与直接因果效应不可区分的极端依赖模式；③ 当有合适的代理变量时，可通过调整后的 CTC 恢复识别；④ 构建了 CTC 的估计量，推导了其渐近正态性，并提出了因果方向检验和重尾混杂检验。

关键设定与假设

  • Assumption 1 (正则变化与尾指数异质性)：所有创新项 \(\epsilon_j\) 是独立的，且服从正则变化分布，尾指数 \(\alpha_j\) 可以不同。该假设是本文的核心，它允许不同变量具有不同的重尾程度。与 Gnecco et al. (2021) 的等尾假设相比，这是一个实质性放宽。
  • Assumption 2 (von Mises 条件)：所有变量及其创新项的边际分布满足 von Mises 条件，这是极值统计中保证 GPD 近似有效性的标准条件。该假设确保了 CTC 估计量的相合性。
  • Assumption 3 (生存 copula 偏导连续性)：生存 copula 的一阶偏导存在且连续。这是保证经验 copula 过程弱收敛的标准条件，用于推导 CTC 估计量的渐近分布。

主要结果

  • Proposition 3.1 (无混杂时的 CTC 极限行为)：给出了无混杂时，在不同尾指数组合下 CTC 的极限值。这是识别的基础。核心发现：当 \(\alpha_1 > \alpha_2\) 时，\(\Gamma_{X_1 \to X_2} = 1\) 且 \(\Gamma_{X_2 \to X_1} = 0.5\)，从而可以唯一识别因果方向 \(X_1 \to X_2\)。当 \(\alpha_1 < \alpha_2\) 时，两个 CTC 都等于 1，无法识别。
  • Proposition 3.2 (有混杂时的 CTC 极限行为)：给出了存在混杂因子 \(H\) 时 CTC 的极限行为。核心发现：① 轻尾混杂因子（\(\alpha_H > \max(\alpha_1, \alpha_2)\)）渐近可忽略，识别结果与无混杂时相同；② 重尾混杂因子（\(\alpha_H < \min(\alpha_1, \alpha_2)\)）会使两个 CTC 都等于 1，完全破坏识别；③ 调整后的 CTC \(\Gamma_{X_i \to X_j | H}\) 可以在任何 \(\alpha_H\) 下恢复识别（只要代理变量足够好）。
  • Theorem 4.1 (无因果时的渐近正态性)：在无因果且无混杂（或仅有轻尾混杂）的零假设下，CTC 估计量 \(\hat{\Gamma}_{X_i \to X_j}\) 的 \(\sqrt{k}(\hat{\Gamma} - 0.5)\) 渐近服从 \(N(0, 1/12)\)。该定理为因果方向检验提供了理论基础。技术难点：需要控制轻尾混杂因子带来的偏差，这要求阈值参数 \(k\) 的增长速度满足一个依赖于尾指数的速率条件（\(\nu < \min_j 2\rho_j / (\alpha_j + 2\rho_j)\)）。
  • Theorem 4.3 (一般情况下的渐近正态性)：在更一般的条件下，\(\sqrt{n}(\hat{\Gamma}_{X_1 \to X_2} - \Gamma_{X_1 \to X_2}(t))\) 渐近服从均值为零的正态分布。该定理通过生存 copula 的表示和弱收敛证明，为因果方向检验（基于 \(\hat{\Delta}\)）提供了理论基础。
  • Theorem 4.4 (重尾混杂检验的渐近分布)：在 \(X_1 \to X_2\) 且 \(\alpha_2 < \alpha_1\) 的设定下，若无非因果混杂，则检验统计量 \(T_C = \sqrt{k}(\hat{\Gamma}_{X_2 \to X_1} - 0.5)\) 渐近服从 \(N(0, 1/12)\)。该定理为重尾混杂检验提供了理论基础。

证明路线与技术技巧

整体路线（以 Theorem 4.1 为例）： 1. 处理重尾和分布尾：利用 Lemma A.1 和 Lemma A.2，证明在重尾和分布尾下，和分布的尾可以由最重尾的项主导。这是处理异质尾指数的关键技术。 2. 条件期望的渐近无偏性：利用 Lemma A.3 和 Corollary A.4，证明在轻尾混杂下，条件于 \(X_2\) 的极端值时，\(X_1\) 的条件分布趋近于其无条件分布。这是证明 \(\hat{\Gamma}_{X_2 \to X_1}\) 收敛到 0.5 的关键。 3. 条件中心极限定理：将估计量表示为条件于阈值 \(T_n\) 的独立同分布样本的均值，利用条件中心极限定理（Bulinski, 2017）得到其渐近正态性。 4. 处理经验分布函数替换：用 Dvoretzky-Kiefer-Wolfowitz 不等式证明，将真实分布函数 \(F_1\) 替换为经验分布函数 \(\hat{F}_1\) 带来的误差是 \(o_P(1/\sqrt{k})\)。

关键跳跃点： - Lemma A.2 的证明：这是整个证明中最吃功夫的部分。它需要精细地控制重尾和分布尾的误差项，通过将事件分解为 \(A_u \setminus B_u\) 和 \(B_u \setminus A_u\)，并利用 von Mises 条件（A.3）和 Potter 界来 bound 概率差。这个引理是处理异质尾指数下和分布尾行为的基础。 - Lemma 4.2 的 copula 表示：将 CTC 表示为生存 copula 的积分，是连接 CTC 与经验 copula 过程的关键桥梁，从而可以利用 copula 过程的弱收敛理论（Segers, 2012）来证明 Theorem 4.3。

技术技巧点名： - 正则变化与 Potter 界：用于处理重尾分布的和与积的渐近行为。 - von Mises 条件：用于控制条件分布函数的局部行为，是 Lemma A.2 和 A.3 证明的核心。 - 经验 copula 过程弱收敛：用于证明 Theorem 4.3 中 CTC 估计量的渐近正态性。 - 条件中心极限定理：用于证明 Theorem 4.1 和 4.4 中，在条件于阈值的情况下，估计量的渐近正态性。 - Dvoretzky-Kiefer-Wolfowitz 不等式：用于处理经验分布函数替换带来的误差。

真实例子与应用

本文包含三个真实数据应用，均用于验证方法在已知或未知因果方向场景下的有效性。

  1. 瑞士火车延误与降水：
  2. 数据：瑞士苏黎世至伯尔尼铁路线的火车延误数据（2021-2024年夏季，n=3994）与苏黎世气象站的降水数据。
  3. 方法应用：将 CTC 方法应用于“降水→延误”和“延误→降水”两个方向，并计算 \(\hat{\Delta}\) 和 Confounder-Test。
  4. 结果：对于当前降水和过去3小时累积降水，\(\hat{\Delta}_{\text{降水→延误}}\) 均超过临界值 \(\Delta_{0.05}\)，且 Confounder-Test 不显著（未发现重尾混杂）。因此，结论是极端降水对火车延误有因果影响。作为对比，经典 LiNGAM 未检测到因果链接，而 pairwise LiNGAM 识别了正确方向。

  5. 说明什么：验证了方法在已知因果方向（降水影响延误是常识）且尾指数不同（延误尾更重）的场景下的有效性，并展示了其相对于关注全部分布的方法（LiNGAM）的优势。

  6. 德国河流流量与降水：

  7. 数据：多瑙河（Passau）和美因河（Würzburg）的日平均流量与对应气象站的日降水量（夏季，n≈3000）。
  8. 方法应用：分析前一天降水对当天流量的因果影响。对于美因河，由于 Confounder-Test 显著，进一步使用上游美因河流量作为代理变量，应用调整后的 CTC。
  9. 结果：对于多瑙河，\(\hat{\Delta}_{\text{降水→河流}}\) 显著，Confounder-Test 不显著，结论是极端降水对多瑙河流量有因果影响。对于美因河，初始 Confounder-Test 显著，但使用上游流量调整后，Confounder-Test 不再显著，而 \(\hat{\Delta}\) 仍显著，结论是极端降水对美因河流量有因果影响。此外，还分析了不同时间滞后下的因果效应，发现极端尾部的效应衰减比全分布更快。

  10. 说明什么：展示了方法在存在重尾混杂（上游流量）时的处理能力，以及如何通过调整后的 CTC 恢复识别。同时，展示了方法可用于研究时间动态（滞后效应）。

  11. S&P 500 与比特币回报：

  12. 数据：S&P 500 和比特币的日度对数回报（2010-2024年，n=3620），并拟合 ARMA-GARCH 模型提取残差。
  13. 方法应用：分别分析正尾和负尾的因果方向。对于负尾，由于 Confounder-Test 显著，使用 VIX 和 MSCI Europe 指数作为代理变量，应用调整后的 CTC。
  14. 结果：对于正尾，\(\hat{\Delta}_{\text{S&P500→BTC}}\) 显著，Confounder-Test 不显著，结论是极端正回报从 S&P 500 因果地传播到比特币。对于负尾，初始 Confounder-Test 显著，但使用 MSCI Europe 调整后，Confounder-Test 不再显著，而 \(\hat{\Delta}\) 显著，结论是极端负回报从 S&P 500 因果地传播到比特币。LiNGAM 未检测到任何因果链接。
  15. 说明什么：展示了方法在因果方向未知且存在潜在混杂（市场波动）的金融场景中的应用，并发现了与现有文献（基于 VAR 或 GARCH 模型）一致的结论，但聚焦于极端尾部。

🔎 结论是否比证明窄

  • Theorem 4.4 的速率条件：该定理要求 \(k = \lfloor n^\nu \rfloor\) 且 \(\nu < 2\rho / (\alpha_2 + 2\rho)\)，其中 \(\rho = \min\{1, \alpha_1 - \alpha_2\}\)。作者在模拟中（Section 5.3.3）承认，对于某些尾指数组合（如 \(\alpha_1=4, \alpha_2=3\)），该条件要求 \(\nu < 0.4\)，而他们使用的 \(\nu=0.4\) 并不严格满足，这导致了 Confounder-Test 的尺寸扭曲（type-I error 高达 62.8%）。因此，定理的结论（渐近正态性）在模拟中并未被严格验证，其有限样本表现依赖于对 \(k\) 的谨慎选择。
  • Proposition 3.2 中调整后 CTC 的识别：该命题声称“对于所有 \(\alpha_H\)，调整后的 CTC 可以恢复识别”。然而，这个结论依赖于一个强假设：代理变量 \(H\) 必须“捕捉所有相关混杂效应”。在实证中，这个假设很难验证。作者在模拟中（Table 2）也承认，对于重尾混杂，调整后的 CTC 虽然比未调整的好，但“效果不能完全消除”（rejection rate 仍高达 93.6% 而非 100%）。因此，结论的适用范围比命题陈述的要窄，它依赖于代理变量的质量。
  • 因果方向检验的适用性：Proposition 3.1 指出，当 \(\alpha_1 < \alpha_2\) 时，两个 CTC 都等于 1，无法识别方向。然而，作者在模拟中（Section 5.2）发现，对于有限样本，当 \(\beta_{12}\) 足够小时，\(\hat{\Delta}\) 仍然可以足够大以揭示因果效应。这表明理论结论（无法识别）比实际模拟表现要保守，但作者没有给出理论解释，只是将其作为模拟发现报告。

四、开放问题

  1. 非线性结构模型下的 CTC 性质：本文所有结果均基于线性结构因果模型。作者在结论中承认“未来工作可以探索 CTC 在非线性结构模型下的理论性质”。这是一个明确的开放问题：在非线性（但可能尾部近似线性）的模型中，CTC 的极限行为是什么？能否用于识别？
  2. 时序依赖的显式处理：本文假设 i.i.d. 观测，但实证应用中常存在时序依赖。作者在结论中指出“下一步是显式考虑时间依赖性，并将检验理论应用于 Bodik et al. (2024) 的调整后 CTC 版本”。这是一个具体的后续工作：如何将本文的识别与推断理论扩展到 ARMA-GARCH 等时序模型？
  3. 效应量估计：本文主要关注方向识别（是否存在因果效应），而非效应大小估计。作者在结论中承认“在量化因果效应大小方面仍存在显著差距”。这是一个重要的开放问题：如何估计 \(\beta_{12}\) 在极端尾部的值？其识别条件是什么？估计量的收敛速率如何？
  4. 更一般的代理变量条件：调整后的 CTC 要求代理变量 \(H\) 捕捉所有相关混杂效应。这个条件在实证中很难满足。一个开放问题是：能否在更弱的代理变量假设（如存在多个代理变量，或代理变量仅部分捕捉混杂）下，仍然实现识别？这与 Proximal Causal Inference 框架有潜在联系。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论