Designing Spatial Treatments¶

作者: Stefan Faridani, Michael P. Leung
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2609.08335

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是空间因果推断中的实验设计。根本的科学问题是：当干预（treatment）被施加于空间中的某些位置（如警察巡逻点、新超市、生态保护区），而响应单元（如犯罪率、人流量、物种多样性）位于其他位置，且响应随与干预点的距离增加而衰减时，如何设计干预点的空间布局（即“在哪里放置干预”），使得我们能以最优的统计精度估计一个“干净”的因果效应——即单个干预点对所有可能位置的平均影响。这个方向当前处于从识别框架向最优设计过渡的阶段：Pollmann (2026) 和 Wang et al. (2025) 建立了空间处理的因果识别框架，但他们的 estimand 是“污染”的（受多个干预点共同影响），且设计是给定的而非优化的。本文首次将实验设计（而非仅估计）引入空间处理设定，并给出了 minimax 最优的设计。

发展脉络¶

奠基工作：空间处理的因果框架。Pollmann (2026) 和 Wang et al. (2025) 是本文的直接前驱。Pollmann (2026) 提出了空间处理的潜在结果框架，定义了“污染”效应（比较 E[Y_x(S ∪ {s}) - Y_x(S \ {s})]），并假设处理效应在固定距离 d₀ 外终止。Wang et al. (2025) 在类似设定下定义了“平均边际化效应”（AME），并证明了随机化足以非参数识别 AME。留下的口子：两者的 estimand 都依赖于处理位置的分布（设计依赖），因此无法研究最优设计；且假设效应在固定距离外完全消失（c·1{s ≤ d₀}），比本文的幂律衰减（c·s^{-γ}）更强。
主要进展：空间干扰（spatial interference）下的最优设计。Faridani and Niehaus (2026) 和 Leung (2022, 2025) 研究的是空间干扰（干预分配给单元本身，而非空间位置）下的最优设计。Leung (2022) 提出了簇随机化设计，用 Horvitz-Thompson 估计量，并推导了估计量的收敛速率与设计参数的关系，证明了近最优速率。Faridani and Niehaus (2026) 在此基础上建立了 minimax 率最优性。留下的口子：这些工作处理的是“单元级干预+单元间干扰”，而非“位置级干预+单元响应”。本文的设定不同：干预是空间位置，响应单元是另一个集合，因此依赖结构是局部依赖（local dependence）而非簇依赖或近邻依赖（near-epoch dependence），中心极限定理完全不同。
当前 frontier：二分图干扰（bipartite interference）。Lu et al. (2025)、Zigler and Papadogeorgou (2021)、Zigler et al. (2025) 研究了干预单元与响应单元不同的二分图设定。这可以视为连续空间处理的离散类比。留下的口子：这些工作通常假设二分图结构已知（如大气传输模型），而本文的设定是连续的、基于距离的衰减，没有预设的图结构。
本文的位置：本文是空间处理最优设计的首篇工作。它填补了从“识别”到“设计”的缺口，将 minimax 率最优性从空间干扰推广到空间处理，并处理了因连续衰减导致的偏差-方差权衡。作者在引言中明确说：“We build on their contributions by studying optimal design”（第2页）。

子线索聚类¶

线索 A：空间处理的因果识别（Pollmann 2026, Wang et al. 2025）。核心问题：在观测或实验数据下，如何识别空间处理的因果效应？方法：潜在结果框架 + 基于距离的假设（固定截断或衰减）。瓶颈：estimand 设计依赖，无法优化设计。
线索 B：空间干扰下的最优设计（Faridani and Niehaus 2026, Leung 2022, 2025）。核心问题：当干预分配给单元且存在单元间干扰时，如何设计实验（如簇随机化）以最优估计全局平均处理效应？方法：簇随机化 + Horvitz-Thompson 估计 + minimax 率分析。瓶颈：设定不同（单元级 vs. 位置级），依赖结构不同。
线索 C：二分图干扰（Lu et al. 2025, Zigler and Papadogeorgou 2021, Zigler et al. 2025）。核心问题：当干预单元与响应单元不同且由二分图连接时，如何估计因果效应？方法：逆概率加权、倾向得分调整。瓶颈：图结构已知，连续空间设定是更一般的推广。

这个方向在追问的核心问题¶

如何定义“干净”的因果效应？ 当多个干预点同时存在时，如何分离单个干预点的贡献？本文用“无污染”效应（Y_x({s}) - Y_x(∅)）来定义，而 Pollmann/Wang 用“污染”效应（E[Y_x(S ∪ {s}) - Y_x(S \ {s})]）。
如何平衡偏差与方差？ 干预点越分散，偏差越小（更接近无污染效应），但有效样本量越小，方差越大。最优设计需要找到最佳分离距离 r。
最优收敛速率是多少？ 它取决于区域大小（Vol(R)）、衰减速率 γ，以及设计参数。本文给出 minimax 速率 λ_n^{-d/(2 + d/γ)}。
如何做推断？ 在局部依赖结构下，如何建立中心极限定理并构造有效的方差估计？本文用更紧的 Wasserstein 界来获得最优速率。

⚠️ 作者的 framing¶

作者把缺口 frame 成：“现有工作（Pollmann, Wang）的 estimand 是设计依赖的，因此无法研究最优设计；我们定义了一个设计独立的 estimand（无污染效应），从而可以研究最优设计。” 同时，作者淡化了以下竞争路线： - 空间干扰文献（Faridani & Niehaus, Leung）：作者承认这些工作研究的是不同设定（单元级干预），但强调“central limit theory is substantially different”（第3页），从而将本文定位为独立贡献。 - 二分图干扰文献：作者将其定位为“discrete analog”（第3页），暗示本文的连续设定更一般。 - 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空间点过程设计（如泊松点过程、Matérn 过程本身）的统计文献（如 Moller & Waagepetersen 的专著）。虽然本文使用了 Matérn 点过程，但引用的是其作为“thinning”机制，而非作为空间统计的设计工具。这可能是作者有意为之（因为本文的 Matérn 设计是作为实验设计工具，而非空间统计模型），但值得研究者去查：空间统计中是否有更优的点过程设计（如 Strauss 过程、惩罚似然）可用于本文的设定？

张力¶

未见明显对立引用。所有被引工作基本在各自设定下自洽，没有在相同设定下得出相反结论的。

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：
R ⊆ ℝ^d：紧致空间区域，干预点只能放在这里。
S：实际被处理的干预点集合（随机变量），是 R 的有限子集。
x ∈ ℝ^d：响应单元的位置。
η：响应单元的空间分布（测度），可观测。
Y_x(S)：位置 x 处的潜在结果，如果干预点集合是 S。不可观测（反事实）。
θ₀：目标 estimand，即“无污染”平均因果效应。
τ(s) = μ(s, {s}) - μ(s, ∅)：位置 s 处的“无污染”效应。
μ(s, S)：在 s 周围环形区域 Δ 内，响应单元在干预集 S 下的平均结果。
F：分析者指定的、在 R 上的连续分布，用于加权 τ(s) 得到 θ₀。
n：proto-site（候选干预点）的数量。
X_i：第 i 个 proto-site 的位置，i.i.d. 来自 F。
U_i：第 i 个 proto-site 的标记（mark），i.i.d. Uniform(0,1)。
r：Matérn thinning 的半径（设计参数）。
M_r：经过 thinning 后保留的“潜在站点”（potential sites）的索引集。
D_i：第 i 个潜在站点的处理分配（0/1），i.i.d. Bernoulli(p)。
ρ_i = P(i ∈ M_r | X_n)：第 i 个 proto-site 成为潜在站点的概率。
γ：衰减速率（Assumption 1 中的指数）。
λ_n：区域 R 的尺度参数（R = λ_n · R₀，Vol(R) = O(λ_n^d)）。
β_n = r_n / λ_n：归一化的 Matérn 半径。
Δ：定义 μ(s, S) 的环形区域（区间）。
c：Assumption 1 中的常数。
d：空间维度。
模型：
数据生成机制：
1. 生成 n 个 proto-site X_i i.i.d. ~ F（连续分布，支撑在 R 内）。
2. 生成标记 U_i i.i.d. ~ Uniform(0,1)。
3. Matérn thinning：保留那些在其 r-球内标记最小的 proto-site，得到潜在站点集 M_r。
4. 对每个潜在站点，独立分配处理 D_i ~ Bernoulli(p)。
5. 实际处理集 S = {X_i : i ∈ M_r, D_i = 1}。
6. 响应单元的位置由测度 η 生成（可观测）。
7. 每个响应单元 x 的潜在结果 Y_x(S) 由非随机的函数决定，满足 Assumption 1（幂律衰减）。
已知：F、η、p、r、Δ、n 由分析者选择或已知。γ 未知但假设存在一个下界。
要估的对象：θ₀ = ∫ τ(x) dF(x)。
可观测数据：
可观测：所有 proto-site 的位置 {X_i}、它们的标记 {U_i}、处理分配 {D_i}、响应单元的位置（由 η 给出）、每个响应单元在 S 下的实际结果 Y_x(S)。
不可观测：任何反事实结果（如 Y_x(∅)、Y_x({s}) 当 s 不是实际处理点时）。所有 Y_x(S') 对于 S' ≠ S 都是反事实。
关键识别假设：Assumption 1（幂律衰减）将不可观测的反事实与实际观测联系起来。

第二步：最小内核¶

本文的核心思路可以用一个一维、线性衰减、两个 proto-site 的特例来理解。

最简特例：
设 d = 1（一维空间），R = [0, L] 是一个线段。
设 F 是 [0, L] 上的均匀分布。
设 n = 2，只有两个 proto-site：X₁ 和 X₂，i.i.d. ~ Uniform[0, L]。
设 Δ = [0, δ] 是一个很小的区间（即我们只关心离处理点很近的单元）。
设响应单元均匀分布在 [0, L] 上（η 是 Lebesgue 测度）。
设衰减是线性的：Y_x({s}) - Y_x(∅) = c · max(0, 1 - |x - s| / γ)，即效应在距离 γ 内线性衰减到 0（这满足 Assumption 1，但更简单）。
设 r 是 Matérn 半径。
在这个特例下，核心问题是什么？
我们想估计 θ₀ = (1/L) ∫₀^L τ(s) ds，其中 τ(s) = (1/(2δ)) ∫_{s-δ}^{s+δ} [Y_x({s}) - Y_x(∅)] dx（近似为 c，如果 δ 很小且 s 离边界够远）。
Matérn thinning：如果 |X₁ - X₂| < r，则标记较小的那个被保留为潜在站点，另一个被丢弃。如果 |X₁ - X₂| ≥ r，则两者都被保留。
假设 |X₁ - X₂| ≥ r，两者都被保留。然后随机分配处理：D₁, D₂ ~ Bernoulli(p)。
假设 D₁ = 1, D₂ = 0。则 S = {X₁}。
我们观测到 Y_x({X₁}) 对所有 x。
Horvitz-Thompson 估计量：
```
θ̂ = (1/2) * [ μ(X₁, {X₁}) * (1/ρ₁) * (1/p - 0/(1-p)) + μ(X₂, {X₁}) * (1/ρ₂) * (0/p - 1/(1-p)) ]
```
其中 ρ₁ = 1/|B(X₁, r) ∩ {X₁, X₂}|。如果 |X₁ - X₂| ≥ r，则 ρ₁ = ρ₂ = 1。如果 |X₁ - X₂| < r，则只有一个被保留，ρ 会调整。
偏差：μ(X₂, {X₁}) 不是 μ(X₂, {X₂})。因为 X₁ 是唯一的处理点，X₂ 处的“无污染”效应应该是 τ(X₂) = μ(X₂, {X₂}) - μ(X₂, ∅)，但我们观测到的是 μ(X₂, {X₁})。偏差来自 |μ(X₂, {X₁}) - μ(X₂, {X₂})|。如果 |X₁ - X₂| 很大（远大于 γ），则 Y_x({X₁}) ≈ Y_x(∅) 对 x 靠近 X₂，所以 μ(X₂, {X₁}) ≈ μ(X₂, ∅)，偏差 ≈ τ(X₂)（很大！）。如果 |X₁ - X₂| 很小，则 Y_x({X₁}) ≈ Y_x({X₂}) 对 x 靠近 X₂，偏差 ≈ 0。所以，处理点越分散（r 越大），偏差越小。
方差：有效样本量是潜在站点的数量。如果 r 很大，两个 proto-site 很可能被 thinning 成一个，有效样本量 ≈ 1，方差很大。如果 r 很小，两个都被保留，有效样本量 ≈ 2，方差较小。所以，r 越大，方差越大。
最优 r：平衡偏差（O(r^{-γ})，这里 γ=1）和方差（O(1/(n r))，因为有效样本量 ≈ n r / L）。令 r^{-1} ≈ 1/(n r)，解得 r ≈ n^{-1/2}。此时收敛速率 ≈ n^{-1/2}。在一维、线性衰减下，这就是 minimax 速率。
这个特例揭示了论文的核心数学困难：偏差和方差都依赖于 r，且 r 的选择必须同时控制两者。一般情形（d 维、幂律衰减）只是这个一维例子的“加壳”：偏差阶 r^{-γ}，方差阶 (n r^d)^{-1}（因为有效样本量 ≈ n r^d），平衡得 r ∝ n^{-1/(d+2γ)}，速率 n^{-γ/(d+2γ)}。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在空间处理设定下，当响应随与处理点的距离幂律衰减时，如何设计处理点的空间布局（Matérn thinning 设计）以最优估计“无污染”平均因果效应 θ₀。
核心工具/方法：提出基于 Matérn type II 点过程的设计，通过半径 r 控制处理点间的分离距离；采用 Horvitz-Thompson 估计量；利用局部依赖中心极限定理（用更紧的 Wasserstein 界）建立渐近正态性；通过构造最坏情形的潜在结果证明 minimax 率最优性。
主要结论：存在一个率最优的 r 选择（r ∝ λ_n^{1/(1 + 0.5d/γ)}），使得 θ̂ 的收敛速率 λ_n^{-d/(2 + d/γ)} 是 minimax 最优的；该速率不依赖于 proto-site 数量 n（只要 n 足够大）；在弱条件下 θ̂ 渐近正态，且方差估计量是渐近保守的。

关键设定与假设¶

Assumption 1 (Spillovers)：|Y_x(S) - Y_x(S')| ≤ c · s^{-γ}，如果 S 和 S' 在 B(x, s) 内相同。含义：处理效应随距离幂律衰减，γ 控制衰减速度。相比已有文献：比 Pollmann (2026) 和 Wang et al. (2025) 的固定截断假设（c·1{s ≤ d₀}）更一般，允许长程衰减。
Assumption 2 (Bounded Response)：μ(s, S) 有界，且环形区域 Δ 内总有足够多的响应单元。含义：技术性假设，保证矩存在。
Assumption 3 (Density)：f（F 的密度）连续、有界、有正下界，支撑有 Lipschitz 边界。含义：保证局部体积的渐近行为良好（如 Lemma B.1）。
Assumption 4 (Non-degeneracy)：liminf β_n^{-d} σ_n^2 > 0 a.s. 含义：方差不会退化到零，保证中心极限定理非平凡。
Assumption 5 (Scale-invariance)：μ(X₁, {X₁}) 和 μ(X₁, ∅) 只依赖于归一化位置 X̃₁ = X₁/λ_n。含义：用于推导极限方差的闭式表达式。例子包括平移不变性或尺度归一化。

主要结果¶

Theorem 1 (偏差界与渐近正态性)：
陈述：|θ̂ - θ̂*| = O_p(r_n^{-γ})（偏差阶），且 (θ̂* - θ₀)/σ_n → N(0,1)（渐近正态）。
直觉：θ̂* 是一个不可实现的“无偏”版本（用真实的反事实 Y_x({X_i}) 和 Y_x(∅) 代替观测的 Y_x(S)）。偏差来自用 Y_x(S) 近似 Y_x({X_i})，由 Assumption 1 控制。θ̂* 的渐近正态性由局部依赖 CLT 保证。
必要条件：β_n → 0（r_n → ∞ 但慢于 λ_n），Assumption 4（非退化方差）。
解决的技术难点：标准局部依赖 CLT（如 Ross 2011, Theorem 3.6）要求 Ψ^2/(nσ_n)^3 · Σ E|Z_i^*|^3 → 0，其中 Ψ = O(nβ_n^d) 是依赖图的最大度。这会导致次优的速率条件（如 γ > 2d）。本文使用 Lemma B.5 中更紧的 Wasserstein 界，只要求 β_n → 0，从而允许任意 γ > 0。
Theorem 2 (Minimax 率最优性)：
陈述：对任何线性估计量 θ̂_ω 和任何设计，存在满足 Assumptions 1-2 的潜在结果，使得 limsup P(b_n λ_n^{d/(2+d/γ)} |θ̂_ω - θ₀| > δ) > 0 对任何 b_n → ∞。
直觉：构造两类“坏”的潜在结果，一类使估计量有偏（Step 1），另一类使估计量有方差（Steps 2-3），从而证明任何线性估计量都不能比 λ_n^{-d/(2+d/γ)} 更快收敛。
必要条件：λ_n → ∞（区域扩大），γ > 0。
解决的技术难点：Step 1 需要将连续空间离散化（用 packing number），并构造一个依赖于处理点位置的潜在结果（Y_x(S) = a_n^{-1} D_{k(x)}），使得估计量退化为一个加权和。这比 Faridani and Niehaus (2026) 的类似步骤更复杂，因为处理点是连续的而非离散的单元。
Theorem 3 (极限方差)：
陈述：在 Assumption 5 和 nβ_n^d / log n → c 下，β_n^{-d} σ_n^2 几乎必然收敛到一个由 μ₁, μ₀, f 和几何量 v_d(·) 表达的极限。
直觉：方差由两部分组成：来自单个潜在站点的方差（第一项积分）和来自距离在 (r, 2r] 内的潜在站点对的协方差（第二项积分）。
必要条件：nβ_n^d 不能太小（对数阶），以保证 U-统计量的 Borel-Cantelli 收敛。
Theorem 4 (方差估计)：
陈述：(σ̂² - B_n)/σ_n² → 1，其中 B_n 是协方差项的和。在额外条件下，B_n 收敛到一个正极限（Vol(B(0,2)) ∫ (τ₈(x) - τ̄₈)² f(x)² dx），因此 σ̂² 是渐近保守的（倾向于高估方差）。
直觉：σ̂² 包含了所有距离 ≤ 2r 的站点对的交叉项，而 B_n 正是这些交叉项的期望。由于 B_n 的极限是正的，σ̂² 的期望大于 σ_n²，导致保守的置信区间。

证明路线与技术技巧¶

整体路线（Theorem 1 的证明）：
偏差控制：用 Assumption 1 将 θ̂ - θ̂* 的绝对值 bound 为 c r_n^{-γ} · (1/n) Σ (1/ρ_i) · (D_i/p + (1-D_i)/(1-p))。然后证明 (1/n) Σ 1/ρ_i 的方差是 o(1)（因为 β_n → 0），从而 θ̂ - θ̂* = O_p(r_n^{-γ})。
分解：θ̂* - θ₀ = (θ̂* - E[θ̂*|X_n]) + (E[θ̂*|X_n] - θ₀)。第二项是 O_p(n^{-1/2})，相对于第一项（O_p(β_n^{d/2})）可忽略，因为 nβ_n^d → ∞。
局部依赖 CLT：对 Z_i^*（θ̂* 的去均值版本）应用 Lemma B.5。关键是要 bound (B.7) 中的两个项。
- 第一项（三阶矩项）：(1/σ³) Σ_{i,j,k} E[|Z_i^* Z_j^* Z_k^*|] A_{ij} A_{ik}。通过 case analysis（i=j=k, i=j≠k, i≠j≠k）和 Lemma B.3（矩 bound），证明该项是 O(β_n^{d/2}) = o(1)。
- 第二项（四阶协方差项）：(√2/(πσ⁴)) Var(Σ_{i,j} Z_i^* Z_j^* A_{ij})^{1/2}。同样通过 case analysis 和 Lemma B.3，证明该项是 o(1)。
关键跳跃点：标准局部依赖 CLT 要求 bound Ψ²/(nσ)³ Σ E[|Z_i^*|³]，其中 Ψ = O(nβ_n^d) 是最大度。这会导致 O(n²β_n^{5d/2}) 的 bound，需要 β_n = o(n^{-4/(5d)}) 才能趋于 0。而 Lemma B.5 的 bound 只要求 O(β_n^{d/2})，允许 β_n → 0 任意慢。作者绕过的办法是：不使用现成的、但保守的 CLT 版本，而是回到 Stein's method 的中间步骤，直接 bound Wasserstein 距离，从而获得更紧的界。
技术技巧点名：
Stein's method / Wasserstein 距离：用于证明局部依赖 CLT（Lemma B.5）。
局部依赖图：A_{ij} = 1{||X_i - X_j|| ≤ 2r_n}，用于刻画 Z_i^* 的条件独立性。
高阶矩 bound：Lemma B.3 给出了 N_i · E[M_i | X_n] 等量的 bound，用于控制 CLT 证明中的矩。
U-统计量 + Borel-Cantelli：用于证明 Theorem 3 中 T₃ 的几乎必然收敛（因为 nβ_n^d / log n → ∞ 保证指数型不等式可求和）。
Packing number + 最坏情形构造：用于 Theorem 2 的 minimax 下界证明。Step 1 用 packing 将连续空间离散化，构造依赖于处理的潜在结果；Step 2-3 用 Rademacher 随机化和 Paley-Zygmund 不等式构造依赖于设计的潜在结果。
Lebesgue 微分定理：用于 Lemma B.1 中局部体积的渐近近似。

真实例子与应用¶

本文包含一个模拟实验（Section 5），没有真实数据例子。

数据/场景：R = λ_n [-1,1]²（二维正方形），η 是强度为 1 的齐次泊松点过程。Δ = [0, 0.5]，F 是 [-1,1]² 上的均匀分布。潜在结果：Y_x(S) = I_x(S) Σ_{s∈S} w_{xs} α_x + ε_x，其中 w_{xs} = min(||x-s||^{-4}, 1)（满足 Assumption 1 对任何 γ ∈ (0,3)），α_x = 1 + x₁/λ_n（空间趋势），ε_x ~ N(0,1)。
如何应用方法：选择 β_n 按 (6) 式（undersmoothed design），γ̃ ∈ {1,2}。对不同的 n（500, 1k, 2k）和 λ_n（20, 30, 40, 80, 120, 160）进行 5000 次模拟。计算 θ̂、σ̂、覆盖率等。
结果：
σ̂（SE）总是大于 σ_n（SE）和 σ̄_n（SE*），支持 Theorem 4 的保守性结论。
当 γ̃=1（更保守，r 更大）时，n*（有效样本量）更小，SE 更大，但偏差更小（θ̂ 接近 θ₀）。
当 γ̃=2（r 较小）时，n* 更大，SE 更小，但偏差可能更大（最后三行，当 r 被人为减半时，θ̂ 明显偏离 θ₀，覆盖率下降）。
覆盖率在 γ̃=1 和 γ̃=2 下都接近 95%，但最后三行（高偏差）的“oracle”覆盖率（CI 和 CI*）显著下降，而 σ̂ 的覆盖率（CI）下降较少，说明 σ̂ 的保守性部分补偿了偏差。
这个例子想说明什么：
验证了理论结果（偏差-方差权衡、保守方差估计）。
展示了 undersmoothed design 在实际中的表现（覆盖率接近名义水平）。
说明了当偏差不可忽略时，保守的方差估计可以提供更稳健的推断。

🔎 结论是否比证明窄¶

Theorem 1 的渐近正态性：证明中假设 β_n → 0 且 nβ_n^d → ∞。但结论中写的是“under weak conditions”。实际上，β_n → 0 是必要的（否则偏差不消失），nβ_n^d → ∞ 也是必要的（否则方差不趋于 0）。这两个条件在论文中明确给出（第8页）。没有过度 claim。
Theorem 2 的 minimax 性：结论是“for any design and linear estimator”。证明中确实只考虑了线性估计量（形式为 ∫ ω_x(S) Y_x(S) dη）。作者没有 claim 这对非线性估计量（如基于机器学习的估计量）也成立。这是一个窄结论：minimax 下界只对线性估计量类成立。非线性估计量可能达到更快的速率吗？作者没有讨论，这是一个开放问题。
Theorem 4 的方差估计：结论是 σ̂² 是渐近保守的。证明中假设 nβ_n^d / log n → c 足够大。如果 nβ_n^d 增长太慢（如对数阶），则 B_n 的收敛性可能不成立。作者在 Theorem 3 的陈述中明确了这个条件。

四、开放问题¶

非线性估计量的 minimax 率：Theorem 2 的 minimax 下界只对线性估计量（形式为 ∫ ω_x(S) Y_x(S) dη）成立。是否存在非线性估计量（如基于核平滑、神经网络或双机器学习的方法）能突破这个速率？这扎根于 Theorem 2 的陈述本身（“Let θ̂_ω be any estimator of the form (4)”）。研究者可以尝试构造一个非线性估计量，并证明其速率优于 λ_n^{-d/(2+d/γ)}，或者证明这个速率对所有估计量都是 minimax 的（即证明一个无假设的下界）。
未知衰减速率 γ 的自适应设计：本文的设计依赖于已知的（或保守估计的）衰减速率 γ。如果 γ 完全未知，能否构造一个自适应设计，在不事先指定 γ 的情况下达到最优速率？这扎根于 Section 4 的校准方法（“we propose to calibrate as follows... it is easier in practice to form a worst-case prior over P rather than γ directly”）。研究者可以探索用数据驱动的方法（如交叉验证）选择 r，或使用更复杂的点过程（如 Strauss 过程）来适应未知的 γ。
“污染”效应的最优设计：本文只研究了“无污染”效应 θ₀。对于 Pollmann (2026) 和 Wang et al. (2025) 研究的“污染”效应（如 E[Y_x(S ∪ {s}) - Y_x(S \ {s})]），是否存在类似的最优设计？这扎根于引言中的对比（“Their primary estimand... is design-dependent, which precludes a study of optimal design”）。研究者可以尝试重新定义“污染”效应的 estimand，使其设计独立，然后研究其最优设计。
更一般的衰减模型：Assumption 1 假设幂律衰减（c s^{-γ}）。如果衰减是其他形式（如指数衰减 c e^{-γ s}、或具有未知函数形式），本文的设计和理论如何推广？这扎根于 Assumption 1 本身。研究者可以探索在更一般的衰减模型下，minimax 速率是否仍然由某个“有效衰减指数”决定，以及 Matérn 设计是否仍然最优。

Maintained by 陈星宇 · Homepage · Source on GitHub