跳转至

Agnostic Model-Assisted Estimation with Machine Learning for Survey Data

作者: Ziming An, Mehdi Dagdoug, David Haziza, Yves Tillé
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2609.10904

一、领域脉络与小综述

这个方向是什么

本方向是有限总体抽样中的模型辅助估计（model-assisted estimation）。核心问题是：在基于抽样设计（design-based）的推断框架下，如何利用辅助信息（auxiliary variables）和灵活的预测模型（如机器学习）来提高有限总体参数（如均值、总量）的估计效率，同时保持推断对抽样设计的依赖（即设计一致性、渐近正态性、有效方差估计）。当前成熟度：经典线性模型（GREG）的理论已非常成熟，但针对现代机器学习预测方法的统一理论框架尚不完整。

发展脉络（history）

  • 奠基工作（1940s-1970s）：Cochran (1942) 和 Cassel et al. (1976) 奠定了回归估计和广义差分估计的基础。Robinson and Särndal (1983) 建立了广义回归估计量（GREG）的渐近性质。Särndal et al. (1992) 的专著系统总结了经典模型辅助估计框架。
  • 非参数与半参数扩展（2000s）：Breidt and Opsomer (2000) 首次将局部多项式回归引入模型辅助估计，建立了√n-一致性和渐近正态性，并证明了达到 Godambe–Joshi 下界。Goga (2005) 使用 B-splines，Breidt et al. (2005) 使用惩罚样条，Opsomer et al. (2007) 使用可加模型。这些工作表明，预测规则不需要以参数速率收敛，模型辅助估计量仍可保持√n-速率——这源于其 Neyman 正交性。
  • 机器学习方法引入（2010s-2020s）：Montanari and Ranalli (2005) 使用神经网络，Toth and Eltinge (2011) 和 McConville and Toth (2019) 使用树方法，Dagdoug et al. (2023) 使用随机森林。但这些工作的理论结果都是方法特定的（method-specific），需要针对每种预测方法单独分析。
  • 当前 frontier 与本文位置：Chernozhukov et al. (2018) 的 double/debiased machine learning 框架在因果推断中展示了正交估计方程和 cross-fitting 的价值。Lu et al. (2025) 在随机化实验中提出了条件 cross-fitting 方法。本文（An et al., 2026）将这两个思想系统化到 survey sampling 框架中，提出了一个learner-agnostic（与学习器无关）的统一理论，仅对抽样设计和预测误差施加一般性条件，从而避免了对每种预测方法进行单独分析。

子线索聚类

  1. 经典线性模型辅助估计：GREG 估计量及其变体（Cassel et al., 1976; Robinson and Särndal, 1983; Särndal et al., 1992）。核心是线性工作模型，仅需总体辅助变量总量。
  2. 非参数/半参数模型辅助估计：局部多项式（Breidt and Opsomer, 2000）、B-splines（Goga, 2005）、惩罚样条（Breidt et al., 2005）、可加模型（Opsomer et al., 2007）。需要每个总体单元的辅助变量值，但允许更灵活的关系。
  3. 机器学习模型辅助估计：神经网络（Montanari and Ranalli, 2005）、树方法（Toth and Eltinge, 2011; McConville and Toth, 2019）、随机森林（Dagdoug et al., 2023）。理论结果方法特定，且面临数据重用导致的偏差和方差低估问题。
  4. Cross-fitting 与正交估计：Chernozhukov et al. (2018) 的 DML 框架，Lu et al. (2025) 的条件 cross-fitting 用于随机化实验，Seaman (2025) 用于概率与非概率样本整合，Dagdoug and Haziza (2026) 用于项目无回答插补。本文将这些思想系统化到 survey 设计下。

这个方向在追问的核心问题

  1. 如何统一处理不同预测方法？ 现有理论结果方法特定，能否建立仅依赖预测误差一般条件的统一框架？
  2. 如何解决数据重用导致的偏差和方差低估？ 使用同一数据拟合预测规则和构造估计量，导致设计偏差（公式4）和方差低估。Cross-fitting 能否在 survey 设计下有效解决？
  3. 如何实现渐近最优性？ 在什么条件下，模型辅助估计量能达到 Godambe–Joshi 下界（即设计无偏估计量的最小方差下界）？
  4. 条件包含概率与原始包含概率的选择？ 使用条件包含概率可达到精确设计无偏性，但计算更复杂；使用原始包含概率更简单，但会引入额外偏差。两者何时一阶等价？

⚠️ 作者的 framing

作者将缺口 frame 为：现有模型辅助估计的理论结果都是方法特定的（method-specific），缺乏一个与学习器无关（learner-agnostic）的统一框架。作者声称本文的贡献是“用对抽样设计和预测误差的一般性条件替代对每个学习器的单独分析”。竞争路线（如直接使用 model-based 估计）被淡化——作者在 2.1 节明确指出 model-based 估计量不满足 Neyman 正交性，预测误差会以一阶进入估计量。值得研究者去查的问题：作者在 intro 中引用了 Breidt and Opsomer (2017) 的综述，但未提及该综述中讨论的某些方法（如 boosting、support vector machines）——这些方法是否已被尝试用于模型辅助估计？如果已有但未被引用，是遗漏还是刻意回避？另外，作者引用了 Lu et al. (2025) 的条件 cross-fitting，但 Lu et al. 的工作是 2025 年的 arXiv 论文，尚未经过同行评审——这是否意味着该领域正在快速发展，但核心结果尚未稳定？

张力

未见明显对立引用。所有被引工作基本一致认为：模型辅助估计在保持设计推断的同时能提升效率，但需要解决数据重用问题。Breidt and Opsomer (2000) 与 Dagdoug et al. (2023) 之间的差异主要在于预测方法不同，而非理论框架冲突。

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： - \(U = \{1, \ldots, N\}\)：有限总体，大小为 \(N\)。 - \(S \subset U\)：样本，大小为 \(n\)。 - \(I_k \in \{0, 1\}\)：单元 \(k\) 的抽样指示变量（\(I_k = 1\) 表示 \(k \in S\)）。 - \(\pi_k = P(I_k = 1)\)：一阶包含概率（设计已知）。 - \(\pi_{kl} = P(I_k = 1, I_l = 1)\)：二阶包含概率。 - \(y_k\)：研究变量 \(Y\) 在单元 \(k\) 的值（固定值，非随机）。 - \(x_k \in \mathbb{R}^p\)：\(p\) 维辅助变量向量（已知，固定）。 - \(\mu = N^{-1} \sum_{k \in U} y_k\)：目标参数（总体均值）。 - \(m(x) = E[Y|X=x]\)：真实回归函数（未知）。 - \(\tilde{m}(x)\)：确定性目标预测规则（如总体水平的最小二乘拟合），视为固定。 - \(\hat{m}(\cdot)\)：从样本数据拟合的预测规则（随机，依赖于 \(S\)）。 - \(\hat{m}_{(-k)}(\cdot)\)：不使用包含单元 \(k\) 的折（fold）拟合的预测规则。 - \(\pi_{k|A} = P(I_k = 1 | A)\)：条件包含概率，其中 \(A\) 是条件变量（如折划分和折内样本量）。 - \(\Delta_{kl|A} = \pi_{kl|A} - \pi_{k|A} \pi_{l|A}\)：条件设计协方差。 - \(\tilde{e}_k = y_k - \tilde{m}(x_k)\)：oracle 残差。 - \(\hat{e}_{(-k)} = y_k - \hat{m}_{(-k)}(x_k)\)：交叉拟合残差。

模型： - 工作关系：\(y_k = m(x_k) + \epsilon_k\)，其中 \(E(\epsilon_k | x_k) = 0\)。但模型仅用于提高效率，不用于证明方法有效性——推断完全基于抽样设计。 - 抽样设计 \(p(\cdot)\)：决定样本如何从总体中抽取。标准假设包括：一阶包含概率有正下界（D2），抽样协方差衰减足够快（D3），四阶矩条件（D4）。 - 渐近框架（Isaki and Fuller, 1982）：考虑递增的总体序列 \(\{U_v\}_{v \in \mathbb{N}}\)，\(n_v / N_v \to \pi^* > 0\)。

可观测数据： - 可观测：样本 \(S\) 中每个单元 \(k\) 的 \((x_k, y_k)\)，以及总体中所有单元的 \(x_k\)（即辅助变量在总体层面已知）。 - 不可观测：非样本单元的 \(y_k\)（需要预测），以及真实回归函数 \(m(\cdot)\)。 - 关键区分：\(\tilde{m}(x_k)\) 是确定性目标（可视为总体水平的最优预测），但不可直接观测；\(\hat{m}(x_k)\) 是样本拟合的预测，可计算但依赖于抽样指示变量。

第二步：最小内核——SRSWOR 下 M=2 折的简单情形

最简特例：简单随机无放回抽样（SRSWOR），\(M=2\) 折，使用设计感知交叉拟合（Algorithm 2）。

设定： - 总体 \(U\) 大小 \(N\)，样本 \(S\) 大小 \(n\)，SRSWOR。 - 将总体均匀随机分成两折 \(U_1\) 和 \(U_2\)，大小分别为 \(N_1 = N_2 = N/2\)。 - 将样本 \(S\) 均匀随机分成 \(S_1\) 和 \(S_2\)，大小分别为 \(n_1\) 和 \(n_2\)（\(n_1 + n_2 = n\)）。 - 将非样本 \(U \setminus S\) 均匀随机分成 \(R_1\) 和 \(R_2\)，大小分别为 \(N_1 - n_1\) 和 \(N_2 - n_2\)。 - 定义折：\(U_1 = S_1 \cup R_1\)，\(U_2 = S_2 \cup R_2\)。 - 条件变量 \(A = \delta\)（折划分本身）。在此构造下，条件包含概率为： - 若 \(k \in U_1\)，则 \(\pi_{k|A} = n_1 / N_1 = 2n_1 / N\)。 - 若 \(k \in U_2\)，则 \(\pi_{k|A} = n_2 / N_2 = 2n_2 / N\)。 - 原始包含概率：\(\pi_k = n / N\)。

核心思路： 1. 条件独立性：给定折划分 \(\delta\)，两折的抽样指示变量条件独立（因为 \(S_1\) 和 \(S_2\) 是独立均匀随机划分的）。即 \(\{I_k\}_{k \in U_1} \perp \perp \{I_k\}_{k \in U_2} | \delta\)。 2. 条件无偏性：使用条件包含概率 \(\pi_{k|A}\) 的交叉拟合估计量（公式8）是精确设计无偏的（Proposition 2）。证明：对折 \(j\) 中的单元 \(k\)，条件期望 \(E[I_k | A, \{I_l\}_{l \in U \setminus U_j}] = \pi_{k|A}\)，因此折内估计量的条件期望等于 \(y_k\)。 3. Oracle 等价性：当预测误差 \(\hat{m}_{(-k)}(x_k) - \tilde{m}(x_k)\) 在 \(L_2\) 意义下趋于 0 时（M1），交叉拟合估计量与 oracle 估计量（使用已知 \(\tilde{m}\)）一阶等价（Theorem 3）。这意味着预测规则的收敛速率不影响估计量的 \(\sqrt{n}\)-速率。 4. 方差估计：使用交叉拟合残差 \(\hat{e}_{(-k)} = y_k - \hat{m}_{(-k)}(x_k)\) 构造方差估计量（公式在 Theorem 5 前）。由于 \(\hat{m}_{(-k)}\) 不使用单元 \(k\) 所在折的数据，残差不会被人为缩小，从而避免了方差低估。

为什么这个特例抓住了核心： - 它展示了 cross-fitting 如何通过条件独立性消除设计偏差（Proposition 2）。 - 它展示了 oracle 等价性如何允许使用任意慢速收敛的预测规则（Theorem 3）。 - 它展示了交叉拟合残差如何解决方差低估问题（Theorem 5 的模拟验证）。 - 一般情形（任意抽样设计、任意折数）的证明只是这个特例的“加壳”——核心机制（条件独立性 → 条件无偏性 → oracle 等价性 → 方差估计一致性）完全相同。

三、这篇论文做了什么

三句话

  1. 研究问题：在 survey sampling 的 design-based 推断框架下，建立一个与学习器无关（learner-agnostic）的模型辅助估计理论，使得任意机器学习预测方法（线性回归、随机森林、KNN、回归树等）都能在统一条件下获得设计一致性、渐近正态性和有效方差估计。
  2. 核心工具/方法：交叉拟合（cross-fitting）与条件包含概率。区分了设计感知（design-aware）和设计无关（design-agnostic）两种交叉拟合方案，刻画了它们产生条件独立性的条件；基于交叉拟合残差构造方差估计量。
  3. 主要结论：在一般性条件下，交叉拟合模型辅助估计量与 oracle 估计量一阶等价，从而获得 \(\sqrt{n}\)-一致性和渐近正态性；方差估计量一致；在额外模型条件下达到 Godambe–Joshi 下界（渐近最优性）。

关键设定与假设

抽样设计假设（D1-D4）： - (D1) 期望抽样分数收敛到正常数 \(\pi^* > 0\)。 - (D2) 一阶和二阶包含概率有正下界。 - (D3) 抽样协方差 \(\Delta_{kl} = \pi_{kl} - \pi_k \pi_l\) 以 \(O(1/n)\) 速率衰减。 - (D4) 四阶矩条件：四元组 \((i,j,k,l)\) 的期望乘积趋于 0。

交叉拟合假设（CF1-CF6）： - (CF1) 折比例收敛到 \((0,1)\) 内的常数。 - (CF2) 条件包含概率有正下界（几乎必然或概率趋于 1）。 - (CF3) 条件与无条件包含概率的均方差异为 \(O(1/n)\)。 - (CF4) 条件抽样协方差以 \(O(1/n)\) 速率衰减（几乎必然）。 - (CF5) 条件四阶矩条件。 - (CF6) 条件包含概率的负幂矩有界。

预测规则假设（M1-M2）： - (M1) 预测误差 \(\hat{m}_{(-k)}(x_k) - \tilde{m}(x_k)\) 在有限总体 \(L_2\) 意义下趋于 0（不要求速率）。 - (M2) Oracle 残差 \(\tilde{e}_k = y_k - \tilde{m}(x_k)\) 的二阶矩（M2a）和四阶矩（M2b）有界。

相比已有文献的放宽/强化： - 放宽：不要求预测规则的收敛速率（Breidt and Opsomer 2000 要求局部多项式估计的特定速率；Dagdoug et al. 2023 要求随机森林的特定条件）。 - 强化：需要总体层面所有单元的辅助变量值（经典 GREG 仅需总体总量），但作者指出这在行政记录、注册数据等场景中越来越现实。

主要结果

Theorem 3（Oracle 等价性，条件估计量）：在 (Ind-A)、(D1)、(CF2,a)、(CF4)、(M1) 下，

\[\sqrt{n_v} \left\{ \hat{\mu}_{\text{cf}}(\hat{m}, \pi|A) - \hat{\mu}_{\text{ma}}(\tilde{m}, \pi|A) \right\} = o_P(1).\]
- 直觉：交叉拟合估计量与使用已知 \(\tilde{m}\) 的 oracle 估计量之间的差异由预测误差驱动，但该差异以 \(o_P(1/\sqrt{n})\) 速率消失，因此不影响 \(\sqrt{n}\)-渐近分布。 - 必要条件：预测误差的 \(L_2\) 收敛（M1）和条件包含概率的正下界（CF2,a）。 - 技术难点：需要控制 \((I_k - \pi_{k|A})\) 与预测误差的乘积的期望，通过 Lemma 2（条件二阶矩界）解决。

Theorem 6（Oracle 等价性，无条件估计量）：在 (Ind-A)、(D1)、(D2)、(CF3)、(CF4)、(M1) 下，

\[\sqrt{n_v} \left\{ \hat{\mu}_{\text{cf}}(\hat{m}, \pi) - \hat{\mu}_{\text{ma}}(\tilde{m}, \pi) \right\} = o_P(1).\]
- 与 Theorem 3 的区别：使用原始包含概率 \(\pi_k\) 而非条件概率 \(\pi_{k|A}\)，因此需要额外假设 (CF3) 控制条件与无条件概率的差异。 - 技术难点：偏差项 \((\pi_{k|A}/\pi_k - 1)\) 与预测误差的乘积需要通过 Cauchy-Schwarz 和 (CF3) 控制。

Theorem 5（方差估计一致性，条件估计量）：在 (CF2,a,b)、(CF4)、(CF5)、(CF6)、(M1)、(M2,b) 下，

\[n_v \left[ \hat{V}_{\text{cf}}(\hat{m}, \pi|A) - V_p\{\hat{\mu}_{\text{ma}}(\tilde{m}, \pi|A)\} \right] = o_P(1).\]
- 直觉：基于交叉拟合残差的方差估计量一致地估计 oracle 估计量的方差。 - 技术难点：需要处理残差替换误差（\(\hat{e}_{(-k)}\hat{e}_{(-l)} - \tilde{e}_k\tilde{e}_l\)），通过 Cauchy-Schwarz 和 (M1) 控制。

Theorem 8（方差估计一致性，无条件估计量）：在 (D1)-(D4)、(M1)、(M2,b) 下，

\[n_v \left| \hat{V}_{\text{cf}}(\hat{m}, \pi) - V_p\{\hat{\mu}_{\text{ma}}(\tilde{m}, \pi)\} \right| = o_P(1).\]
- 与 Theorem 5 的区别：使用原始包含概率和原始设计协方差，因此需要 (D3) 和 (D4) 而非条件版本。

Theorem 11（Godambe-Joshi 渐近最优性）：在额外模型条件（i.i.d. 超总体、非信息抽样、预测误差有界）下，条件估计量（在 \(\pi_{k|A}\) 与 \(\pi_k\) 的差异足够小时）和无条件估计量（在交叉项足够小时）均达到 Godambe–Joshi 下界。 - 意义：在最优条件下，模型辅助估计量的渐近方差等于设计无偏估计量的最小可能方差。

证明路线与技术技巧

整体路线（以 Theorem 3 为例）： 1. 分解差异：将 \(\hat{\mu}_{\text{cf}}(\hat{m}, \pi|A) - \hat{\mu}_{\text{ma}}(\tilde{m}, \pi|A)\) 写成 \(-\frac{1}{N_v} \sum_{k \in U_v} (I_k - \pi_{k|A}) \rho_k / \pi_{k|A}\)，其中 \(\rho_k = \hat{m}_{(-k)}(x_k) - \tilde{m}(x_k)\)。 2. 条件二阶矩界（Lemma 2）：对条件独立折内的中心化求和，证明 \(n_v E_p[(\cdot)^2] \leq \frac{C}{N_v} \sum_{k \in U_v} E_p(\rho_k^2)\)。 3. 应用 (M1)：\(\frac{1}{N_v} \sum_{k \in U_v} E_p(\rho_k^2) \to 0\)，因此 \(n_v E_p[(\cdot)^2] \to 0\)，由 Markov 不等式得 \(\sqrt{n_v}(\cdot) = o_P(1)\)。

关键跳跃点： - Lemma 2 的证明：需要利用条件独立性将折内求和的条件二阶矩分解为对角项和交叉项，然后使用 (CF4) 控制交叉项。这是整个证明的核心技术引理。 - Theorem 5 的证明：需要同时处理条件方差估计量的两个误差源：① 用交叉拟合残差替换 oracle 残差（\(B_v\) 项）；② 条件方差与无条件方差的差异（\(T_{2v}\) 项）。前者通过 Cauchy-Schwarz 和 (M1) 控制，后者通过 (CF2,b) 和 (CF6) 控制。

技术技巧点名： - Empirical process / 矩方法：Lemma 2 本质上是条件二阶矩的界，不涉及经验过程理论，而是直接计算条件期望。 - Cauchy-Schwarz 不等式：反复用于控制交叉项和乘积项（如 Theorem 5 的 \(B_v\) 项、Theorem 6 的 \(T^{(2)}_{j,v}\) 项）。 - 条件期望与全期望公式：Proposition 2 使用全期望公式证明条件无偏性；Theorem 10 使用全方差公式分解方差。 - Markov 不等式：用于从矩收敛推导概率收敛（Theorem 3, 6, 8）。 - Slutsky 定理：Corollary 1 和 2 用于从 oracle CLT 推导可行估计量的 CLT。

真实例子与应用

模拟研究（Section 7）： - 数据生成：\(N \in \{1000, 2500, 5000\}\)，\(p=20\) 个辅助变量独立生成自 \(N(5, 2)\)。研究变量 \(y_k\) 由线性模型或非线性模型生成。每个总体固定，\(R=20,000\) 次 SRSWOR 抽样，\(n=0.2N\)。 - 预测方法：线性回归、随机森林（\(B=200, n_0=5\)）、KNN（\(K=5\)）、回归树（\(n_0=5\)）。 - 比较的估计量：① 标准模型辅助估计量 \(\hat{\mu}_{\text{ma}}(\hat{m}, \pi)\)（无交叉拟合）；② 设计感知交叉拟合（条件概率，均衡/非均衡折）；③ 设计无关交叉拟合（条件概率）；④ 设计无关交叉拟合（原始概率）。 - 评估指标：相对偏倚（RB）、相对效率（RE，以 HT 估计量为基准）、方差估计量的相对偏倚（RB-Var）、Wald 置信区间覆盖率（CP）。 - 核心结果： - 偏倚：标准估计量在非线性关系下对灵活学习器有持续小偏倚（如随机森林 RB 约 -0.7% 到 -1.1%），而交叉拟合估计量几乎无偏（RB ≈ 0%）。 - 效率：线性模型正确指定时，交叉拟合有适度效率损失（如随机森林 RE 从 47.7% 升至 51.4%），但随样本量增加而减小。非线性关系下，交叉拟合可提升效率（如随机森林 RE 从 31.2% 降至 25.2%）。 - 方差估计：标准估计量的方差估计严重向下偏倚（随机森林 RB-Var 约 -68%，回归树约 -81%），导致覆盖率严重不足（随机森林 CP 约 73%，回归树约 61%）。交叉拟合几乎消除方差偏倚（RB-Var 约 0%），覆盖率接近名义水平（约 94-95%）。 - 折均衡性：设计感知交叉拟合中，非均衡折（80/20）会降低效率（如随机森林 RE 从 51.4% 升至 86.2%），但方差估计受影响较小。 - 这个例子想说明：交叉拟合能有效消除灵活学习器带来的有限样本偏倚和方差低估，使推断在非线性关系和复杂预测方法下仍然有效。设计感知与设计无关方案表现相似，条件与无条件包含概率的选择影响不大。

🔎 结论是否比证明窄

  • Theorem 11（Godambe-Joshi 最优性） 的证明依赖于额外假设：预测误差有界（uniformly bounded）、\(\tilde{m} = m\)（真实回归函数）、非信息抽样。这些条件在实际中可能不成立。作者在 Appendix C 中明确陈述了这些条件，但在正文的结论陈述中未强调这些限制。
  • Theorem 5 和 8（方差估计一致性） 的证明依赖于 (CF5) 和 (CF6) 等条件，这些条件在 SRSWOR 下成立（Proposition 1），但对更复杂的设计（如分层抽样、PPS 抽样）是否成立，作者仅声称“similar results are expected”（Section 3.4 末尾），未给出证明。
  • Corollary 1 和 2（渐近正态性） 依赖于 oracle 估计量的 CLT，但作者未证明 oracle CLT 在给定条件下成立，而是将其作为假设。这意味着可行估计量的 CLT 的证明是不完整的——它依赖于一个未证明的 oracle CLT。

四、开放问题

  1. 扩展到估计方程（Section 8）：作者提出将框架扩展到有限总体参数 \(\theta_N\) 满足的普查估计方程 \(\Psi(\theta) = N^{-1} \sum_{k \in U} \psi(y_k, \theta) = 0\)。这需要构造交叉拟合的模型辅助估计方程，并建立其渐近性质。扎根于：Section 8 第一段。

  2. 更复杂抽样设计的条件包含概率：作者在 Proposition 1 中验证了 SRSWOR 下条件包含概率满足所有假设，但对 Poisson 抽样、条件 Poisson 抽样、分层抽样等，仅声称“similar results are expected”（Section 3.4 末尾）。需要具体验证 (CF2)-(CF6) 在这些设计下是否成立。扎根于：Section 3.4 末尾。

  3. 条件与无条件包含概率的一阶等价条件：Theorem 9 和 10 表明两者不一定一阶等价（Appendix H.3 给出反例），且条件 oracle 至少与无条件 oracle 一样有效。但何时等价？Appendix H.4 给出了 SRSWOR 下的一个充分条件（折内残差均值相等），但一般设计下的条件未知。扎根于：Section 6 和 Appendix H.4。

  4. Godambe-Joshi 下界达到的充分条件：Theorem 11 给出了两个充分条件（条件 (i) 和 (ii)），但条件 (ii) 涉及预测误差与概率差异的交叉项，难以验证。是否存在更简洁、更易验证的条件？扎根于：Appendix C 的 Theorem 11。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论