跳转至

Doubly robust target inference for generalized linear regression with completely missing covariates

作者: Huali Zhao (School of Mathematics and Statistics, Huazhong University of Science and Technology), Ke Deng (Department of Statistics and Data Science, Tsinghua University)
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2609.24086

一、领域脉络与小综述

这个方向是什么：本文属于"迁移学习 × 缺失数据"的交叉地带，具体而言是跨人群（source–target）的回归参数推断问题：目标人群（target population）中某个关键协变量块完全未被观测，但一个相关的源人群（source population）中该协变量与结果、其他协变量均被完整观测。核心统计问题是：在什么样的人群间可迁移性假设下，目标人群的回归参数可以被识别、估计并做有效推断？这个方向区别于传统单样本缺失数据问题（如 MAR 下的 IPW / 多重插补）之处在于：缺失不是"部分个体缺部分变量"，而是整个目标样本缺整个变量块，因此任何依赖目标样本中 X 的部分观测的方法（IPW、MI、predict-then-debias）都失效，必须借助外部源数据。

发展脉络：从参考文献可以串出三条线索。

  • 线索 A：协变量偏移下的重要性加权回归。Liu et al. (2023) 的 ATReL 和 Zhou et al. (2024, 2025) 的 DRAMATIC 处理的是"目标人群无标签、源人群有标签"的协变量偏移问题，核心工具是密度比加权。但这类方法要求源、目标人群共享条件结果分布（即 Y|X 可迁移），且协变量偏移只发生在 X 的边缘分布上。本文明确指出现有 covariate shift 方法"breaks down for completely missing covariates, because a full covariate density ratio involving X is not estimable from the target data"——这是它们留下的口子。
  • 线索 B：标签偏移 / 逆概率加权。Lee et al. (2025) 的 doubly flexible estimation 假设 X|Y 跨人群不变（label shift），这比 covariate shift 更接近本文的设定，但作者指出它"can be restrictive in heterogeneous biomedical studies because the observed covariates Z may themselves encode demographic, geographic, clinical, or … heterogeneity"——即 Z 的边缘分布也被允许变化时，label shift 不够用。
  • 线索 C：完全缺失协变量的线性回归。Zhao and Wang (2026a, 2026b) 是本文的直接前作。Zhao and Wang (2026a) 提出了本文沿用的子群体偏移假设（sub-population shift）：允许 (Y,Z) 的联合分布在人群间任意变化，但要求 X|(Y,Z) 跨人群不变。该文处理的是线性回归（估计方程是 X 和 Z 的线性函数），其插补只需 X 的一阶条件矩 E(X|Y,Z)。本文的贡献是把这一框架从线性推广到广义线性模型（GLM），而 GLM 的得分函数包含 g(X^Tβ_x + Z^Tβ_z) 这种参数索引的非线性条件泛函，不再是固定阶矩，这是技术上真正的难点。

子线索聚类：被引文献大致落在四条子线索上——(i) 协变量偏移与密度比加权（ATReL、DRAMATIC）；(ii) 标签偏移与条件分布可迁移性（Lee et al. 2025）；(iii) 缺失协变量的估计方程方法（Zhao & Wang 2026a/b、Lipsitz et al. 1999、Bang & Robins 2005）；(iv) 半参数效率与双重稳健估计的一般理论（Chernozhukov et al. 2018 的 DML 框架作为未来方向被引用）。本文的位置在 (iii) 与 (iv) 的交汇处：它把 (iii) 的完全缺失协变量设定从线性推广到 GLM，并用 (iv) 的效率理论刻画了最优性。

这个方向在追问的核心问题：(1) 识别：在什么假设下，目标人群参数 β₀ 是观测数据的泛函？(2) 估计：如何构造在 nuisance 误设下仍然一致的估计量？(3) 效率：估计量能否达到半参数效率界？(4) 稳健性：当源、目标人群异质性超出假设时，方法会怎样失效？目前主流方法（ATReL、DRAMATIC、STRIFLE）的已知瓶颈是：要么要求 Y|X 可迁移（covariate shift），要么要求 X|Y 可迁移（label shift），要么只处理线性模型（Zhao & Wang 2026a）。本文的子群体偏移假设 X|(Y,Z) 不变是三者中较弱的（因为它允许 (Y,Z) 的联合分布完全变化），但代价是该假设本身在目标数据中完全不可检验——因为 X 在目标中一个都没观测到。

⚠️ 作者的 framing（这是作者的说法）：作者把缺口定义为"非线性目标估计方程需要参数索引的条件泛函（parameter-indexed conditional functionals）而非固定低阶条件矩"。具体来说，线性回归只需 E(X|Y,Z) 和 E(XX^T|Y,Z) 这类固定矩，而 GLM 的得分需要 E{g(X^Tβ_x + Z^Tβ_z)|Y,Z} 和 E{X g(X^Tβ_x + Z^Tβ_z)|Y,Z}，它们随 β 变化，不能预先计算。作者据此声称"imputing X, or even imputing finitely many low-order moments of X, is generally insufficient"，从而把本文定位为 Zhao and Wang (2026a) 的"显然的下一步"。被淡化或回避的竞争路线包括：(i) 完全非参数地估计 p(x|y,z) 再做积分（作者只用参数模型，回避了非参数收敛速率问题）；(ii) proximal causal inference 中的 negative control 框架（该框架处理的是"代理变量"而非"完全缺失变量块"，但数学结构上有亲缘性，作者未提及）；(iii) 分布鲁棒 / 敏感性分析视角（即当 X|(Y,Z) 不完全不变时，估计量偏倚有多大，作者未讨论）。什么明显该被引却没出现：proximal causal inference 的 negative control 文献（Tchetgen Tchetgen et al. 2020 等）——它处理的是"目标数据中协变量完全不可观测、但存在代理变量"的识别问题，与本文的"完全缺失 + 外部源"在识别策略上互补；以及 double machine learning 中 nuisance 估计误差的一阶不敏感性理论（Chernozhukov et al. 2018 虽被引，但只作为未来方向，未用于本文的证明）。

张力：未见明显对立引用。但有一个隐含张力值得注意：Zhao and Wang (2026a) 的线性方法只需一阶矩，而本文声称"有限阶矩不够"——这暗示当 GLM 的链接函数接近线性时，低阶矩方法可能近似有效，但本文没有给出这种近似的误差界。另一个张力是：STRIFLE (Cai et al. 2025) 声称三稳健（triple robustness），而本文只做到双稳健，两者对 nuisance 误设的容忍度不同，但设定也不同（STRIFLE 有半监督标签，本文没有），作者未做比较。

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

设源人群（s=1）有 n 个 i.i.d. 样本 {(Yᵢ, Xᵢ, Zᵢ)}，目标人群（s=0）有 N 个 i.i.d. 样本 {(Yᵢ, Zᵢ)}，其中 X 在目标中完全缺失。记：

  • Y ∈ ℝ：结果变量（二值或连续，取决于 GLM 设定），在源、目标中均可观测。
  • X ∈ ℝᵖ：目标中完全缺失的协变量块，仅在源中可观测。
  • Z ∈ ℝᵍ（含截距 1）：双方均可观测的协变量块。
  • β = (β_xᵀ, β_zᵀ)ᵀ ∈ ℝᵖ⁺ᵍ：目标参数（estimand），定义为目标人群估计方程的唯一解： β₀ : E₀{φ(Y, X, Z; β)} = 0，其中 φ(Y, X, Z; β) = (Xᵀ, Zᵀ)ᵀ {Y − g(Xᵀβ_x + Zᵀβ_z)}。 这里 g 是已知链接函数（logistic、probit 等）。若目标条件均值 E₀(Y|X,Z) = g(Xᵀβ_x + Zᵀβ_z) 正确，则 β₀ 就是目标人群的 GLM 系数；更一般地，β₀ 是"工作参数"（working parameter）。
  • p_s(y, x, z)：人群 s 的联合密度。子群体偏移假设（本文核心识别条件）： p_s(y, x, z) = p_s(y, z) · p(x|y, z)，s ∈ {0,1}。 即 X|(Y,Z) 的条件分布在两人群间完全相同，但 (Y,Z) 的边缘/联合分布可以任意不同。
  • w(y, z) = p₀(y,z) / p₁(y,z)：目标 vs 源 的 (Y,Z) 密度比。这是需要估计的 nuisance 函数之一。
  • q(x|y,z;γ)：X|(Y,Z) 的工作模型（如高斯线性回归或伯努利 logistic），γ 由源数据估计。这是第二个 nuisance 函数。

可观测数据总结：源数据提供 (Y, X, Z) 三元组，目标数据只提供 (Y, Z) 二元组。研究者观测不到目标中的 X，也观测不到真实的 w(y,z) 和 p(x|y,z)，只能从源数据估计后两者。

第二步：最小内核——为什么线性回归容易，GLM 难？

线性回归情形（Zhao and Wang 2026a 的处理对象）：估计函数 φ = (Xᵀ, Zᵀ)ᵀ (Y − Xᵀβ_x − Zᵀβ_z)。对目标人群取期望，条件于 (Y,Z) 后： E₀{φ | Y, Z} = (E₀(X|Y,Z)ᵀ, Zᵀ)ᵀ {Y − E₀(X|Y,Z)ᵀβ_x − Zᵀβ_z}。 注意这里只需要 E(X|Y,Z)（一阶条件矩）。因为线性模型的得分关于 X 是线性的，条件期望可以"穿进去"。于是策略是：从源数据估计 μ₁(y,z) = E(X|Y=y,Z=z)，代入目标数据构造估计方程，解出 β̂。这就是"插补"（imputation）路线。类似地，"重要性加权"路线用 w(y,z) 加权源数据，因为 E₀{φ} = E₁{w(Y,Z) φ}，也只需要 w 而无需 X 的条件分布。

GLM 情形（本文的处理对象）：估计函数 φ = (Xᵀ, Zᵀ)ᵀ {Y − g(Xᵀβ_x + Zᵀβ_z)}。条件于 (Y,Z) 后： E₀{φ | Y, Z} = (E₀{X g(Xᵀβ_x + Zᵀβ_z)|Y,Z}ᵀ, Zᵀ {Y − E₀{g(Xᵀβ_x + Zᵀβ_z)|Y,Z}})ᵀ。 这里出现了 E{g(Xᵀβ_x + Zᵀβ_z)|Y,Z} 和 E{X g(Xᵀβ_x + Zᵀβ_z)|Y,Z}。这两个条件泛函依赖未知参数 β（因为 β_x 出现在 g 的自变量里），且 g 非线性时无法用 X 的有限阶矩表示。这就是本文反复强调的"parameter-indexed conditional functionals"——它是线性情形"插补一阶矩"策略失效的根本原因。

最小内核的数学问题：给定源数据估计的 nuisance（密度比 ŵ 或条件分布 q̂），如何构造关于 β 的估计方程，使得： 1. 当 w 正确但 q 错误时，方程在 β₀ 处期望为零（w-识别）； 2. 当 q 正确但 w 错误时，方程在 β₀ 处期望为零（q-识别）； 3. 当两者都正确时，估计量达到半参数效率界。

一个可手算的特例：设 p=1（X 是一维），g 是 logistic 函数，X|(Y,Z) 是伯努利分布。那么 E{g(Xᵀβ_x + Zᵀβ_z)|Y,Z} = g(β_x + Zᵀβ_z) · P(X=1|Y,Z) + g(Zᵀβ_z) · P(X=0|Y,Z)。 这个表达式显式依赖 β_x，且需要知道完整的条件概率 P(X=1|Y,Z)，而不是某个矩。如果 q 是 logistic 回归模型，这个概率有闭式；如果 q 是更复杂的模型，就需要蒙特卡洛积分（论文第 3.2 节提到的方案）。这就是"参数索引条件泛函"的最小实例。

双重稳健方程的结构（直觉版）：本文的估计方程（10）形如 Ψ_DR(β; ŵ, q̂) = E₀{φ̄_q̂(Y,Z;β)} + E₁[ ŵ(Y,Z) {φ(Y,X,Z;β) − φ̄_q̂(Y,Z;β)} ] = 0， 其中 φ̄_q̂ = ∫ φ(y,x,z;β) q̂(x|y,z) dx 是"插补后的条件得分"。第一项是纯插补项（只用目标数据 + q̂），第二项是加权纠偏项（用源数据 + ŵ 修正插补误差）。当 q̂ = p(x|y,z) 时，φ̄_q̂ = E(φ|Y,Z)，第二项期望为零，方程退化为插补方程；当 ŵ = w 时，第二项把源数据分布"搬"到目标分布，第一项与第二项合并后等于 E₀{φ}。这就是"双稳健"的直观机制。

三、这篇论文做了什么

三句话： ① 研究问题：在目标人群的协变量 X 完全缺失、源人群完整观测 (Y,X,Z) 的设定下，如何对目标人群的广义线性回归参数 β₀ 做一致估计和有效推断。 ② 核心方法：提出 DRTL-CMC（Doubly Robust Transfer Learning for Completely Missing Covariates），构造结合重要性加权与条件泛函插补的增强估计方程，其中插补项是参数索引的条件泛函而非固定矩。 ③ 主要结论：在子群体偏移假设下，当密度比模型或条件协变量模型之一正确设定时估计量一致；两者均正确时达到半参数效率界；模拟和两个真实数据（UK Biobank、NHANES）验证了有限样本表现。

关键设定与假设：

  • 识别假设（子群体偏移）：p_s(y,x,z) = p_s(y,z) p(x|y,z)，即 X|(Y,Z) 跨人群不变。这是全文的基石，等价于"缺失协变量关于观测变量条件可迁移"。作者明确承认该假设在目标数据中不可检验（第 6 节用 UK Biobank 的人工遮蔽做间接验证）。
  • 密度比工作模型：w(y,z;η) = exp(yη_y + zᵀη_z)，指数倾斜族。η 通过最小化（12）式的对偶目标估计。这是参数化的，正确性依赖模型设定。
  • 条件协变量工作模型：q(x|y,z;γ)，高斯或伯努利（15）（16）。γ 由源数据极大似然估计。
  • 正则条件：附录 1.2 包括矩条件、估计方程解的唯一性、nuisance 估计的收敛速率（要求 η̂ − η̄ = o_p(n^{-1/4}) 之类的 DML 型条件，论文未在正文给出显式速率，但定理 3 的渐近展开依赖此类条件）。
  • 样本量条件：n, N → ∞ 且 n/(n+N) → ρ ∈ (0,1)，即源、目标样本量同阶增长。

主要结果：

  • 定理 1（双重稳健性）：在子群体偏移假设下，若 w = w（密度比正确）或 q = p（条件协变量正确），则 Ψ_DR(β₀; w, q) = 0。这是识别层面的结果，保证估计方程在 β₀ 处无偏。
  • 定理 2（一致性）：在定理 1 的条件下，β̂_DR → β₀ in probability。证明依赖估计方程的一致收敛性和 nuisance 估计的相容性。
  • 定理 3（渐近正态性）：√n cᵀ(β̂_DR − β₀) ⇒ N(0, σ²)，其中 σ² 的表达式涉及源、目标两个样本的贡献以及 nuisance 估计的一阶影响。关键结论是：当两个 nuisance 模型都正确时，nuisance 估计误差不进入一阶渐近方差（即"双稳健 + 效率"）。
  • 定理 4（半参数效率）：当 w 和 q 均正确时，β̂_DR 达到半参数效率界，效率界由定理 3 中的 V₀ 给出。V₀ 的形式是 J₀ V₀ J₀ᵀ，其中 V₀ 包含目标人群得分方差和源人群加权纠偏方差两项，对应"目标数据直接信息 + 源数据迁移信息"的叠加。

证明路线（基于附录 1.1–1.8 的推断）：

  1. 识别（定理 1）：直接计算 Ψ_DR(β₀; w, q) 在两种情形下的期望。若 q = p，则 φ̄_q = E(φ|Y,Z)，第二项 E₁[w(φ − φ̄)] = E₀(φ) − E₀(φ̄) = 0，故 Ψ_DR = E₀(φ̄) = E₀(φ) = 0。若 w = w，则 E₁[w φ] = E₀(φ) = 0 且 E₁[w φ̄_q] = E₀(φ̄_q)，两项相消。关键是两项的期望在交叉项上精确抵消，这是双重稳健的代数本质。
  2. 一致性（定理 2）：将 β̂_DR 视为估计方程的 M-估计量。需要验证：(a) 估计方程在 β₀ 处依概率收敛到零（由定理 1 + nuisance 相容性）；(b) 估计方程的导数矩阵在 β₀ 附近一致可逆（正则条件保证）；(c) nuisance 估计的收敛速率足够快（o_p(1) 即可，因为目标方程是"无偏"的）。
  3. 渐近正态性（定理 3）：对估计方程做一阶 Taylor 展开（von Mises 型），得到 √n(β̂_DR − β₀) = −J₀⁻¹ · (1/√n) Σᵢ [ 源项 + 目标项 ] + o_p(1)。 源项来自加权纠偏部分，目标项来自插补部分。关键步骤是证明 nuisance 估计（η̂, γ̂）的贡献在两个模型都正确时为零（因为影响函数是"双无偏"的），在只有一个正确时贡献为 o_p(1) 但不影响一致性。这里用到了" nuisance 估计的收敛速率 × 影响函数的期望 = 0"这一双重稳健标准论证。
  4. 效率（定理 4）：计算半参数效率界。将模型视为半参数模型，其中 nuisance 是 (p₀(y,z), p₁(y,z), p(x|y,z))。证明 β̂_DR 的影响函数等于效率影响函数（通过计算切空间上的投影）。V₀ 的两项分别对应目标数据的信息和源数据通过条件分布共享提供的信息。

技术技巧点名：

  • 参数索引条件泛函的插补：这是全文最核心的技巧。线性回归只需 μ₁ = E(X|Y,Z)，而 GLM 需要 μ₂(β) = E{g(Xᵀβ_x + Zᵀβ_z)|Y,Z} 和 μ₃(β) = E{X g(Xᵀβ_x + Zᵀβ_z)|Y,Z}。论文的处理是：先用源数据拟合 q(x|y,z;γ̂)，然后对每个目标样本 (Yᵢ,Zᵢ) 计算这些泛函（解析或蒙特卡洛）。这本质上是"参数化插补"——用参数模型把无穷维条件分布压缩为有限维参数。
  • 指数倾斜密度比模型：w(y,z;η) = exp(yη_y + zᵀη_z)，配合（12）式的对偶估计。这个选择使得密度比估计可以写成凸优化，且与条件协变量模型有天然的对偶关系（当 q 是高斯时，w 的指数倾斜形式恰好对应均值平移）。
  • 双重稳健方程的设计：方程（10）的结构是"插补项 + 加权纠偏项"，这是从线性情形（Zhao and Wang 2026a）推广到非线性情形的关键。线性情形中 φ̄_q 是 β 的线性函数，方程可以直接求解；非线性情形中 φ̄_q 是 β 的非线性函数，需要数值求解，但双重稳健结构不变。
  • 蒙特卡洛积分：当 q 没有解析条件矩时（如 probit 链接），用 (17) 式的样本均值近似 μ₂ 和 μ₃。这引入了额外的蒙特卡洛误差，但论文声称在正则条件下不影响一阶渐近性质（附录未给出详细证明，这是一个潜在的技术缺口）。

真实例子与应用：

  • UK Biobank（第 6 节）：构造两个遮蔽场景。Case I：目标人群为 ≥65 岁老年人（N=2,991），源人群为 <65 岁（n=4,928），X 为 BMI 多基因风险评分（PRS），Z 为总能量摄入和性别，Y 为肥胖（BMI≥30）。Case II：目标人群为吸烟者（N=3,150），源人群为不吸烟者（n=4,759），Z 增加年龄。做法是人为遮蔽目标中的 X，从而可以用完整数据计算基准 β₀，再比较各方法的偏倚。结果：DRTL-CMC 在两种遮蔽下均接近基准，而 IW 在 Case II 中对 sex 的系数有明显偏倚（表 4 中 IW 的 sex 系数与基准差 0.087，DRTL-CMC 差 0.010），IMP 在 Case I 中表现尚可但 Coverage 偏低（表 2 中 IMP 对 β_x 的 Coverage 为 0.705，低于名义水平）。
  • NHANES（第 7 节）：目标人群为 2001–2002 非西班牙裔白人（N=3,624），源人群为 2015–2016 非西班牙裔白人（n=1,827），X 为平均夜间睡眠时长，Y 为肥胖，Z 为总能量摄入、性别、年龄。这是一个真实缺失场景（2001–2002 未测量睡眠），无法验证基准，只能比较不同方法之间的一致性。结果：DRTL-CMC 与 IMP 的估计接近，而 IW 对 age 的系数估计明显不同（表 5 中 IW 的 age 系数 0.142 vs DRTL-CMC 的 0.575），说明密度比模型在此例中可能误设，而插补模型更可靠。

🔎 结论是否比证明窄：是，有若干处。具体来说：

  • 定理 3 和 4 的渐近理论只覆盖了参数化 nuisance 的情形（η̂, γ̂ 是有限维 M-估计量）。论文在讨论部分提到"random forests and neural networks could be incorporated"，但没有给出非参数 nuisance 下的收敛速率条件。这意味着"双稳健 + 效率"的结论目前只在参数模型下严格成立。
  • 定理 1 的双重稳健性要求密度比模型或条件协变量模型之一完全正确。但论文的模拟只考虑了"一个正确一个错误"的单一模式（M_cor/W_cor、M_mis/W_cor、M_cor/W_mis），没有考虑两个都错误的情形。从表 2 看，DRTL-CMC 在 Configuration (II) 和 (III) 下的 Coverage 仍低于 0.95（如 β_x 的 Coverage 为 0.855 和 0.930），说明双稳健性在有限样本下并不完美。
  • 论文声称"attains the semiparametric efficiency bound"，但效率界 V₀ 的表达式在附录 1.8 中给出，没有与现有方法（如 ATReL、STRIFLE）的效率做数值比较。模拟部分只报告了 MSE，没有报告效率损失比例。
  • 一个更微妙的点：论文的估计方程（10）要求 E₁[w(φ − φ̄_q)] 中的 φ 和 φ̄_q 使用同一个 β。当 q 正确但 w 错误时，第二项的期望不为零但被第一项抵消；这个抵消依赖于 φ̄_q 是精确的条件期望。如果 q 是近似正确的（如高斯混合被拟合成单高斯），抵消就不精确，偏倚的量级没有给出。

四、开放问题

以下问题均扎根于本文的具体语句或直接缺口，只列出，不做可行性判断：

  1. 非参数 nuisance 的理论扩展。论文在讨论部分明确说"More flexible nuisance estimators, including random forests and neural networks, could be incorporated to reduce reliance on parametric specifications"，但定理 3–4 只覆盖参数化 nuisance。要补的命题是：在 nuisance 估计速率为 o_p(n^{-1/4}) 或更弱的条件下，DRTL-CMC 是否仍 √n 一致且渐近正态？这需要 DML 式的交叉拟合论证，而本文的估计方程（10）涉及参数索引的条件泛函，其 nuisance 影响函数比标准 DML 更复杂。

  2. 子群体偏移假设的检验与敏感性分析。论文承认"the plausibility of the sub-population shift assumption cannot be verified from the observed target data alone"（第 6 节）。一个自然的后续问题是：能否构造对 X|(Y,Z) 跨人群不变性的部分检验（例如利用源数据内部的异质性，或利用目标数据中可观测的高阶矩约束）？以及当该假设被违反时，估计量的偏倚是否有可计算的界（类似 Rosenbaum 敏感性分析）？

  3. 效率损失的显式刻画。定理 4 给出了效率界 V₀，但没有回答：当密度比模型和条件协变量模型都正确时，DRTL-CML 相比"已知 w 或已知 q"的 oracle 估计量损失多少效率？模拟中 DRTL-CMC 的 MSE 在 Configuration (I) 下大于 IW 和 IMP（表 1），这个有限样本效率损失的理论解释是什么？

  4. 高维 X 或 Z 的情形。论文的 nuisance 模型（11）（15）（16）都是低维参数模型。当 X 或 Z 的维度随样本量增长时，密度比估计和条件泛函估计的收敛速率会退化，双重稳健性是否还能保持？这与研究者熟悉的高维统计（restricted eigenvalue、Lasso 类估计）直接相关。

  5. 与 proximal causal inference 的衔接。本文的"完全缺失协变量 + 外部源数据"在结构上与 proximal causal inference 中的"不可观测混杂 + negative control"有数学亲缘性（都是利用辅助数据源识别目标参数）。本文未引用该文献。一个具体的衔接问题是：能否把本文的密度比-插补双重稳健结构推广到"目标人群中 X 完全缺失、且源人群中存在未测量混杂"的设定？

  6. 蒙特卡洛近似的理论保证。第 3.2 节提到当条件泛函无解析形式时用蒙特卡洛近似（17），但附录没有给出蒙特卡洛样本量 K 对估计量渐近方差的影响。当 K 固定时，β̂_DR 是否仍 √n 一致？还是需要 K → ∞ 且 K/n → ∞？这是一个具体的、可验证的技术缺口。

提醒一句：若要确认上述哪条是真正的空白而非"作者故意留给自己后续论文"的坑，建议去读同一子领域近期约 5 篇论文（尤其是 Zhao and Wang 2026a 的后续、以及引用 ATReL/DRAMATIC 的最新工作）的引言和讨论部分——如果多篇都指向同一个问题，那大概率是共识性缺口；如果各说各话，则更可能是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论