Endogenous Selection and Spillovers: Bayesian Inference for Policy-Relevant Causal Effects

作者: Duong Trinh
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.25720

---

一、领域脉络与小综述

• 这个方向是什么：本子方向要解决的根本问题是：在同时存在内生选择（self-selection into treatment）和网络/空间溢出效应（spillover / interference） 的场景下，如何识别和估计政策相关的因果效应。传统因果推断方法要么依赖“无混淆性”（unconfoundedness），要么依赖“无干扰假设”（no-interference / SUTVA），但在这类场景下两者都违反。该方向当前处于“从方法框架到实际应用”的过渡阶段，已有若干识别策略，但缺乏一个能同时处理内生选择、溢出效应，并直接回答“如果改变政策规则会怎样”的统一框架。

• 发展脉络（history）：作者在 intro 中把相关工作串成三条子线索，下面按时间顺序梳理关键节点：

  1. 奠基工作：干扰下的因果推断。Hudgens & Halloran (2008) 和 Sobel (2006) 提出部分干扰（partial interference）框架，假设干扰只发生在预先定义好的、外生的簇（cluster）内。Manski (2013) 从识别角度系统讨论了社会互动下的处理效应。这些工作奠定了“干扰存在时因果推断”的基本问题意识，但都假设处理是随机分配或条件可忽略的。
  2. 主要进展：放松处理外生性 + 一般干扰。Aronow & Samii (2017) 和 Leung (2020) 将干扰框架推广到单个大网络（而非簇），通过低维暴露映射（exposure mapping）来总结邻居处理状态，但仍依赖随机化或无混淆性。Forastiere et al. (2021, 2022) 进一步在观测研究中用倾向得分处理网络干扰。关键缺口：这些工作都假设处理是外生的（或给定协变量可忽略），没有处理内生选择。
  3. 当前 frontier：同时处理内生选择与干扰。Hoshino & Yanagi (2024) 使用工具变量暴露映射（instrumental exposure mapping）来识别非依从（noncompliance）下的局部直接和间接效应。Chen & Sasaki (2025) 将处理选择建模为网络均衡，识别异质性边际暴露效应。Munro et al. (2025) 研究干扰通过市场均衡变量传导时的政策效应，但处理是随机化的。本文的位置：作者声称，现有工作要么没有同时处理内生选择和溢出，要么定义的效应不直接对应可行的政策变化。本文通过提出 Spillover Roy 模型，将 Generalized Roy 框架（Heckman & Vytlacil, 2005）扩展到网络/空间干扰场景，从而同时处理内生选择、溢出效应，并定义政策相关直接、溢出和总效应。

• 子线索聚类：

  • 线索一：干扰下的因果推断（Causal inference under interference）。核心问题：当单位间存在干扰时，如何定义和识别因果效应？主要方法：部分干扰（Hudgens & Halloran, 2008; Sobel, 2006; Manski, 2013）、暴露映射（Aronow & Samii, 2017; Leung, 2020; Forastiere et al., 2021, 2022）。瓶颈：大多假设处理外生或可忽略。
  • 线索二：政策相关处理效应与内生选择（Policy-relevant treatment effects under endogenous selection）。核心问题：当处理是内生选择时，如何评估一个可行的政策变化（如扩大资格）的因果效应？主要方法：Marginal Treatment Effect (MTE) 框架（Heckman & Vytlacil, 2005, 2007），Policy-Relevant Treatment Effect (PRTE)（Carneiro et al., 2011; Mogstad et al., 2018; Sasaki & Ura, 2023）。瓶颈：这些框架假设无干扰（SUTVA）。
  • 线索三：贝叶斯方法用于内生选择与潜在指数模型（Bayesian methods for endogenous selection and latent-index models）。核心问题：如何对存在不可观测依赖参数的内生选择模型进行推断？主要方法：数据增广（Poirier & Tobias, 2003）、参数扩展（Ding, 2014; Doğan & Taşpinar, 2018; Zhang, 2026）。本文贡献：为 Spillover Roy 模型开发定制的参数扩展 Gibbs 采样器。

• 这个方向在追问的核心问题：

  1. 识别：在同时存在内生选择和网络/空间溢出时，哪些因果参数（如 MTE、平均处理效应、政策效应）是可识别的？需要什么假设？
  2. 估计：如何对这类复杂模型进行有效且一致的估计和推断？贝叶斯方法 vs. 频率学派方法（如 GMM、DML）的优劣？
  3. 政策评估：如何定义和估计“政策相关”的效应，使其能直接回答“如果改变政策规则会怎样”的问题，而不仅仅是“在给定处理状态下的效应”？
  4. 异质性：处理效应如何沿着潜在抵抗处理程度（latent resistance to treatment）和邻居暴露程度（neighborhood exposure）这两个维度变化？

• ⚠️ 作者的 framing：作者把缺口 frame 成“现有方法要么只处理内生选择（如 MTE 框架），要么只处理干扰（如暴露映射框架），但没有同时处理两者，并且定义的效应不直接对应可行的政策变化”。因此，本文的 Spillover Roy 模型和 PRDE/PRSE/PRTOT 被呈现为“显然的下一步”。作者淡化了部分干扰方法（如 Hudgens & Halloran, 2008）的实用性，以及随机化实验（如 Munro et al., 2025）在解决内生性上的优势。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网络工具变量（network IV）或空间计量经济学中处理内生空间自回归模型（如 Kelejian & Prucha, 1998; Lee, 2007）的文献。这些文献也处理内生性和空间溢出，但通常不聚焦于“政策相关效应”的分解。这是一个值得研究者去查的张力点。

• 张力：未见明显对立引用。各子线索的工作在各自的假设下是自洽的，主要张力在于不同假设的强弱和适用场景。

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：

  • \(i = 1, \dots, n\)：单位（如个人、普查区）。
  • \(D_i \in \{0, 1\}\)：可观测的二元处理变量（1=接受处理，0=未接受）。
  • \(Y_i\)：可观测的结果变量。
  • \(D^*_i\)：潜在（不可观测）的处理选择潜变量（net benefit）。\(D_i = 1\{D^*_i \ge 0\}\)。
  • \(Z_i\)：可观测的工具变量（excluded variable），影响处理选择但不直接影响结果。
  • \(X_i\)：可观测的协变量向量，可能同时影响处理和结果。
  • \(V_i\)：潜在（不可观测）的“抵抗处理程度”（latent resistance to treatment），\(V_i \sim U(0,1)\)。\(D_i = 1\{\nu(Z_i, X_i) \ge V_i\}\)，其中\(\nu(\cdot)\)是处理倾向得分。
  • \(\bar{D}_{N_i}\)：可观测的邻居处理暴露度（exposure mapping），本文特指加权邻居处理比例：\(\bar{D}_{N_i} = \sum_{j \neq i} w_{ij} D_j\)，权重\(w_{ij}\)已知且行和为1。
  • \(Y^{(1)}_i(\bar{d}_N)\) 和 \(Y^{(0)}_i(\bar{d}_N)\)：潜在（反事实）结果，分别表示当自己接受处理（1）或未接受处理（0），且邻居暴露度为\(\bar{d}_N\)时的结果。
  • \(\varepsilon^{(D)}_i, \varepsilon^{(1)}_i, \varepsilon^{(0)}_i\)：潜在（不可观测的） 扰动项，分别对应处理选择方程、处理组结果方程、对照组结果方程。它们之间可以任意相关，导致内生选择。
  • \(\delta^{(1)}, \delta^{(0)}\)：待估参数，分别表示处理组和对照组中邻居暴露度的边际效应（spillover effect）。
  • \(\sigma_{1D} = \text{Cov}(\varepsilon^{(1)}_i, \varepsilon^{(D)}_i)\)，\(\sigma_{0D} = \text{Cov}(\varepsilon^{(0)}_i, \varepsilon^{(D)}_i)\)：待估参数，刻画内生选择的程度。

• 模型：数据由 Spillover Roy 模型生成（式 6）：

  • 处理选择：\(D_i = 1\{Z_i \alpha + X_i \beta^{(D)} + \varepsilon^{(D)}_i > 0\}\)。这是一个标准的潜变量选择模型，\(Z_i\)是工具变量。
  • 暴露映射：\(\bar{D}_{N_i} = \sum_{j \neq i} w_{ij} D_j\)。邻居暴露度是已知权重下邻居处理状态的加权平均。
  • 潜在结果：\(Y^{(1)}_i = \delta^{(1)} \bar{D}_{N_i} + X_i \beta^{(1)} + \varepsilon^{(1)}_i\)，\(Y^{(0)}_i = \delta^{(0)} \bar{D}_{N_i} + X_i \beta^{(0)} + \varepsilon^{(0)}_i\)。潜在结果是邻居暴露度和协变量的线性函数。
  • 可观测结果：\(Y_i = D_i Y^{(1)}_i + (1-D_i) Y^{(0)}_i\)。这是标准的“切换方程”（switching equation）。
  • 扰动项分布：\((\varepsilon^{(D)}_i, \varepsilon^{(1)}_i, \varepsilon^{(0)}_i)\) 独立同分布于一个有限混合高斯分布（finite mixture of normals），且\(\text{Var}(\varepsilon^{(D)}_i) = 1\)（尺度归一化）。

• 可观测数据：研究者能观测到的是 \((Y_i, D_i, X_i, Z_i, W)\)，其中\(W\)是已知的网络/空间权重矩阵。想要但观测不到的是：潜变量\(D^*_i\)，两个潜在结果\(Y^{(1)}_i, Y^{(0)}_i\)（每个单位只观测到一个），以及所有扰动项\(\varepsilon\)。识别和估计完全依赖于模型假设和工具变量\(Z_i\)。

第二步：讲最小内核

本文的核心思路是将 Generalized Roy 模型（处理内生选择）与暴露映射（处理溢出）结合起来。最小内核是：在只有两个单位（\(n=2\)）、线性模型、单一高斯扰动（\(G=1\)）的最简情形下，展示如何识别和估计处理效应和溢出效应。

• 最简特例：设 \(n=2\)，单位1和单位2互为邻居，权重\(w_{12}=w_{21}=1\)。因此，\(\bar{D}_{N_1} = D_2\)，\(\bar{D}_{N_2} = D_1\)。假设扰动项服从三元联合正态分布（即混合成分数\(G=1\)），且所有协变量\(X_i\)和工具变量\(Z_i\)都是标量（为简化，可设\(X_i=0\)）。模型退化为：

  • 处理选择：\(D_i = 1\{Z_i \alpha + \varepsilon^{(D)}_i > 0\}\)。
  • 潜在结果：\(Y^{(1)}_i = \delta^{(1)} D_{-i} + \varepsilon^{(1)}_i\)，\(Y^{(0)}_i = \delta^{(0)} D_{-i} + \varepsilon^{(0)}_i\)。
  • 可观测结果：\(Y_i = D_i Y^{(1)}_i + (1-D_i) Y^{(0)}_i\)。
  • 扰动项：\((\varepsilon^{(D)}_1, \varepsilon^{(1)}_1, \varepsilon^{(0)}_1, \varepsilon^{(D)}_2, \varepsilon^{(1)}_2, \varepsilon^{(0)}_2)\) 独立同分布于 \(N(0, \Sigma)\)，其中\(\Sigma_{11}=1\)。

• 核心思路：识别策略是控制函数方法（control function approach）。由于内生性，\(E[\varepsilon^{(1)}_i | D_i=1] \neq 0\)。但通过工具变量\(Z_i\)和模型假设，可以计算出这个条件期望，并将其作为额外的回归量加入结果方程，从而消除内生性偏误。

• 具体步骤：

  1. 识别处理选择方程：由于\(\text{Var}(\varepsilon^{(D)}_i)=1\)，\(P(D_i=1|Z_i) = \Phi(Z_i \alpha)\)。通过Probit回归可以一致地估计\(\alpha\)。
  2. 计算控制函数：对于处理组（\(D_i=1\)），\(E[\varepsilon^{(1)}_i | D_i=1, Z_i] = \sigma_{1D} \lambda(Z_i \alpha)\)，其中\(\lambda(\cdot) = \phi(\cdot)/\Phi(\cdot)\)是逆米尔斯比率（Inverse Mills Ratio）。类似地，对于对照组（\(D_i=0\)），\(E[\varepsilon^{(0)}_i | D_i=0, Z_i] = -\sigma_{0D} \lambda(-Z_i \alpha)\)。
  3. 识别结果方程：将控制函数代入结果方程的条件期望：
     • 对于处理组：\(E[Y_i | D_i=1, D_{-i}, Z_i] = \delta^{(1)} D_{-i} + \sigma_{1D} \lambda(Z_i \alpha)\)。
     • 对于对照组：\(E[Y_i | D_i=0, D_{-i}, Z_i] = \delta^{(0)} D_{-i} - \sigma_{0D} \lambda(-Z_i \alpha)\)。
  4. 估计：通过OLS回归（或更一般的矩估计）即可得到\(\delta^{(1)}, \delta^{(0)}, \sigma_{1D}, \sigma_{0D}\)的一致估计。例如，用处理组样本将\(Y_i\)对\(D_{-i}\)和\(\hat{\lambda}(Z_i \hat{\alpha})\)回归，系数\(\delta^{(1)}\)就是处理组的溢出效应。
  5. 计算因果效应：
     • Marginal Treatment Effect (MTE)：\(MTE(\bar{d}_N, v) = (\delta^{(1)} - \delta^{(0)}) \bar{d}_N + E[\varepsilon^{(1)}_i - \varepsilon^{(0)}_i | V_i=v]\)。在正态假设下，\(E[\varepsilon^{(1)}_i - \varepsilon^{(0)}_i | V_i=v] = -(\sigma_{1D} - \sigma_{0D}) \Phi^{-1}(v)\)。所以MTE是\(\bar{d}_N\)和\(v\)的线性函数。
     • Policy-Relevant Direct Effect (PRDE)：假设一个政策将处理概率从\(P_a(Z_i)\)提高到\(P_{a'}(Z_i)\)。PRDE衡量的是那些被政策“诱导”进入处理组的人（即\(P_a(Z_i) < V_i \le P_{a'}(Z_i)\)）的平均处理效应，但邻居暴露度固定在基准政策\(a\)的水平。它等于MTE在诱导人群上的加权平均。
     • Policy-Relevant Spillover Effect (PRSE)：PRSE衡量的是，由于政策导致邻居暴露度变化（从\(\bar{D}^a_{N_i}\)变为\(\bar{D}^{a'}_{N_i}\)）而产生的平均效应，但每个人的处理状态固定在新政策\(a'\)的水平。在本文线性模型下，它简化为\(E[\delta^{(D^{a'}_i)} (\bar{D}^{a'}_{N_i} - \bar{D}^a_{N_i})] / \Delta P\)。

这个最简例子清晰地展示了：本文的核心数学贡献不是发明了新的识别技巧，而是将经典的“控制函数”思想（来自Heckman选择模型）与“暴露映射”思想（来自网络因果推断）巧妙地结合在一个统一的线性框架下，并进一步定义了政策相关的分解效应。一般情形（高维协变量、有限混合扰动）只是这个最小内核的“加壳”，增加了计算复杂性，但核心识别逻辑不变。

三、这篇论文做了什么

• 三句话：

  1. 研究了什么问题：在存在内生选择（处理非随机）和网络/空间溢出效应（邻居处理影响自身结果）的单一大型网络或空间场景中，如何识别和估计政策相关的因果效应（直接效应、溢出效应、总效应）。
  2. 核心工具/方法：提出了 Spillover Roy 模型，该模型将 Generalized Roy 选择模型与低维暴露映射相结合，并开发了带参数扩展的贝叶斯数据增广算法（parameter-expanded Gibbs sampler）进行估计和推断。
  3. 主要结论：证明了在参数线性模型和有限混合高斯扰动假设下，模型参数、边际处理效应（MTE）、边际溢出效应（MSE）以及政策相关效应（PRDE, PRSE, PRTOT）都是可识别的。蒙特卡洛模拟表明方法有效，忽略溢出效应会导致严重偏误。对美国机会区（OZ）项目的应用发现，OZ 指定对住房开发有正向直接效应，但溢出效应有限，且政策扩张存在边际收益递减。

• 关键设定与假设：

  • Assumption 1 (Exposure Mapping)：存在一个已知的低维映射\(T(i, D_{-i}, W)\)，使得潜在结果只通过这个映射依赖于其他单位的处理状态。本文特例化为加权邻居处理比例\(\bar{D}_{N_i}\)。这比“部分干扰”更灵活，但比“完全一般干扰”更可行。
  • Assumption 2 (Parametric Spillover Roy Model)：假设处理选择指数和潜在结果都是线性的（式6）。这是很强的参数假设，但也是识别和贝叶斯计算可行的关键。相比已有文献（如 Forastiere et al., 2021 的非参数倾向得分），本文的假设更强，但换来了处理内生性的能力。
  • Assumption 3 (Instrument Validity)：工具变量\(Z_i\)满足外生性（与所有扰动项独立）和相关性（对处理选择有非退化影响）。这是标准的 IV 假设，但这里要求\(Z_i\)与所有三个扰动项独立，比一般 IV 更强。
  • Assumption 4 (Finite-Mixture Distribution and Cross-Unit Independence)：扰动项向量独立同分布于一个有限混合高斯分布，且\(\text{Var}(\varepsilon^{(D)}_i)=1\)。这个假设比直接假设联合正态更灵活，可以近似非高斯异质性。跨单元独立性是关键：它意味着给定网络结构\(W\)，邻居的处理状态\(\bar{D}_{N_i}\)不包含关于本单位扰动项的额外信息（除了通过\(D_i\)）。这实际上是一个无混淆的暴露映射假设，是识别的基础。

• 主要结果：

  • Theorem 1 (Identification of the Spillover Roy Model)：在 Assumptions 1-4 下，模型的所有参数（\(\alpha, \beta^{(D)}, \beta^{(1)}, \beta^{(0)}, \delta^{(1)}, \delta^{(0)}, \sigma_{1D}, \sigma_{0D}\)）都是可识别的。证明思路：先用 Probit 识别选择方程，再用控制函数方法（逆米尔斯比率）识别结果方程参数和协方差。
  • Theorem 2 (Identification of Marginal Structural Objects)：MTE 和 MSE 是可识别的，并且有显式表达式（式10, 11）。MTE 是邻居暴露度\(\bar{d}_N\)和潜在抵抗程度\(v\)的线性函数。MSE 是常数\(\delta^{(d)}\)。这揭示了处理效应的异质性来源。
  • Theorem 3 (Identification of Policy-Relevant Effects)：PRDE、PRSE 和 PRTOT 是可识别的。PRDE 是 MTE 在诱导人群上的加权平均（权重由政策倾向得分决定）。PRSE 简化为\(\delta^{(D^{a'}_i)}\)与邻居暴露度变化的乘积的期望。总效应可分解为直接效应和溢出效应之和。

• 证明路线与技术技巧：

  • 整体路线：
    1. 识别选择方程：利用 Probit 模型和工具变量\(Z_i\)识别\(\alpha, \beta^{(D)}\)。
    2. 计算控制函数：利用正态/混合正态假设，计算\(E[\varepsilon^{(d)}_i | D_i, Z_i, X_i]\)，得到逆米尔斯比率\(\lambda(\cdot)\)。
    3. 识别结果方程：将控制函数作为额外回归量加入结果方程的条件期望中，通过矩条件识别\(\delta^{(d)}, \beta^{(d)}, \sigma_{dD}\)。
    4. 推导 MTE/MSE：利用模型线性结构和正态性，直接写出 MTE 和 MSE 关于参数和\(v\)的显式表达式。
    5. 推导 PRDE/PRSE：利用政策单调性和 MTE 的定义，将 PRDE 表示为 MTE 的加权积分。利用 MSE 是常数，将 PRSE 简化为一个期望。
  • 关键跳跃点：从“识别模型参数”到“识别政策相关效应”是关键跳跃。这需要将政策变化（改变处理概率）与 MTE 框架联系起来。作者通过定义“诱导参与者”（\(P_a < V_i \le P_{a'}\)）和“政策权重”\(h_{PR}(v)\)，成功地将 PRDE 表示为 MTE 的加权平均。这个跳跃依赖于政策单调性假设（\(P_{a'} \ge P_a\)）和潜在抵抗\(V_i\)在政策间不变的假设。
  • 技术技巧点名：
    • 控制函数方法：用于处理内生选择，通过逆米尔斯比率将选择偏差显式建模。
    • 有限混合高斯分布：用于灵活建模扰动项的联合分布，同时保持计算上的可处理性（条件共轭性）。
    • 贝叶斯数据增广：将潜变量\(D^*_i\)和缺失的潜在结果\(Y^{mis}_i\)视为待估参数，通过 Gibbs 采样进行后验推断。
    • 参数扩展：为了解决协方差矩阵\(\Sigma_g\)中\(\Sigma_{g,11}=1\)的归一化约束，引入扩展参数\(\tau_g\)，在无约束空间上采样\(\tilde{\Sigma}_g\)，再变换回约束空间。这简化了 MCMC 更新。

• 真实例子与应用：

  • 数据/场景：美国机会区（Opportunity Zones, OZ）项目。分析单位是加州符合条件的普查区（tract）。处理\(D_i\)是是否被指定为 OZ。结果\(Y_i\)是 2017-2022 年住房单元增长率。工具变量\(Z_i\)是“该普查区在州立法下院的代表是否与州长同属一个政党”（政治结盟）。邻居暴露度\(\bar{D}_{N_i}\)是相邻普查区中被指定为 OZ 的比例。
  • 方法应用：将 Spillover Roy 模型应用于该数据，使用贝叶斯算法进行后验推断。
  • 结果：
    • 参数估计（Table 3）：政治结盟显著增加被指定概率。OZ 指定对自身住房增长有正向直接效应（\(\delta^{(1)} > 0\)），但对非 OZ 区的溢出效应（\(\delta^{(0)}\)）很小且不显著。存在正向的“选择收益”（selection on gains）：预期收益越高的区越可能被指定（\(\sigma_{1D} - \sigma_{0D} > 0\)）。
    • MTE 异质性（Figure 1）：MTE 随潜在抵抗程度\(v\)增加而下降（负向选择），随邻居暴露度增加而略有上升。
    • 政策反事实（Figure 2, 3）：模拟扩大 OZ 指定范围（\(\tau\)从0.05到0.75）。发现直接效应（PRDE）递减，最终变负；溢出效应（PRSE）递增，但不足以抵消直接效应的下降，导致总效应（PRTOT）递减并最终变负。溢出效应主要惠及被新指定的区和始终被指定的区，对从未被指定的区影响很小。
  • 例子想说明什么：验证了方法在真实复杂场景中的可行性，展示了其揭示政策非线性效应和异质性的能力，为政策制定（如 OZ 扩张的边际收益递减）提供了量化依据。

• 🔎 结论是否比证明窄：是的。所有识别和估计结果都建立在强参数假设（线性模型、有限混合高斯扰动）之上。作者在结论中承认了这一点，并指出未来方向是“放松参数结构，发展半参数或非参数识别和推断”。因此，本文的严格证明是在参数模型下完成的，但其声称的贡献（一个处理内生选择和溢出的通用框架）在更一般的非参数设定下是否成立，仍是开放问题。具体语句：结论部分“A second direction is to relax the parametric structure and develop semiparametric or nonparametric identification and inference...”。

四、开放问题

1. 非参数/半参数识别：本文的识别严重依赖线性参数模型和有限混合高斯假设。能否在更弱的半参数或非参数假设下（例如，仅假设 MTE 是光滑函数，或使用非参数工具变量方法）识别 PRDE、PRSE 和 PRTOT？这直接扎根于论文结论中的“A second direction is to relax the parametric structure”。
2. 策略性处理选择：本文假设处理选择是独立的（给定协变量和工具变量），但未考虑单位间处理选择的策略性互动（例如，一个区是否申请 OZ 取决于邻居是否申请）。如果存在这种互动，本文的识别策略（特别是跨单元独立性假设）会失效。这扎根于结论中的“One is to allow treatment choices themselves to interact strategically”。
3. 计算复杂性：本文的贝叶斯算法在大规模网络（\(n\)很大）下的计算可行性如何？特别是当混合成分数\(G\)较大时，MCMC 的混合和收敛速度如何？这与研究者对“高阶 U 统计量的计算复杂性（treewidth / einsum）”的兴趣有潜在联系：暴露映射\(\bar{D}_{N_i}\)的计算本身就是一个简单的线性运算，但后验推断中涉及的高维协方差矩阵求逆可能成为瓶颈。
4. 效率界：在本文设定的参数模型下，贝叶斯估计量的频率性质（如后验一致性、收敛速度）如何？是否存在一个半参数效率界？本文的贝叶斯估计量是否达到了这个界？这直接关联研究者的“半参数效率理论”和“M 估计理论”武器库。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论