Forecast-Necessary Causal Discovery for Nonlinear Political Panel Data: Feedback, Functional Form, and the Dynamics of Democratization¶
作者: Michael Coppedge, Dmitry Zaytsev, Valentina Kuskova
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2609.34115
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是政治学面板数据中的因果发现(causal discovery),更具体地说,是"当传统线性动态模型给出零结果时,如何判断这个零意味着什么"。在比较政治学中,理论往往是非线性的、互惠的、长周期的(如民主化理论),而标准实证工具——面板VAR、结构方程模型(SEM)、递归路径模型——都施加了三个限制:递归性(因果只能单向流动)、常数效应(每个关系用一个系数概括)、低维度(因共线性而被迫删减变量)。当一个系数不显著时,它可能意味着四种完全不同的情况:(1) 关系真的不存在;(2) 关系存在但是非线性的,线性模型把正负相消的部分平均成了零;(3) 关系是互惠的,递归设定在构造上排除了反馈;(4) 关系存在但被共线性的其他变量挤出了模型。本文的核心主张是:标准线性工具无法区分这四种情况,而机器学习估计器(如神经加性向量自回归)加上预测必要性检验可以。
发展脉络(从 introduction 与参考文献构建)¶
奠基工作:现代化理论的实证争论。 这条线从 Lipset (1959) 开始,提出经济发展是民主化的前提。Przeworski et al. (2000) 用 1950–1990 年 141 国面板数据、线性概率模型和马尔可夫转移模型,得出著名结论:收入不影响民主转型,只影响民主存活。Epstein et al. (2006) 用三分类(民主/部分民主/专制)和更细的转移模型重新检验,发现现代化理论其实成立——部分民主国家在收入上升时更可能完成转型。Acemoglu et al. (2008) 用面板固定效应和动态估计,再次得到"收入与民主无因果"的结论。Benhabib et al. (2013) 用非线性估计发现关系确实存在但形态复杂。这场争论的核心僵局是:线性模型的不同设定(二分 vs 三分类、固定效应 vs 随机效应、水平 vs 差分)给出不同答案,但没有人能说清楚分歧来自函数形式、样本、还是真正的异质性。
方法论批评:预测建模进入政治学。 Beck, King, and Zeng (2000) 是这条线的关键节点。他们指出国际冲突研究中线性模型的三个问题——罕见事件偏差、函数形式误设、变量间复杂交互——并展示神经网络可以改善预测。但如本文引言所述,这类方法"以牺牲可解释性为代价"(原文:"what flexible estimators have lacked is discipline"),因此没有被因果推断主流接受。Cranmer and Desmarais (2017) 进一步呼吁用预测性能作为模型评价的补充标准,但同样没有提供"从预测到因果"的推断纪律。
可解释机器学习工具的出现。 Goldstein et al. (2015) 提出个体条件期望图(ICE plots),使得黑箱模型的逐变量函数形态可以被可视化。Bussmann et al. (2021) 提出神经加性向量自回归(NAVAR),在保持 VAR 加性结构的同时允许每个关系是非线性函数。这两个工具解决了"可解释性"问题:NAVAR 保留了"哪个变量预测哪个变量"的层面,ICE 曲线则刻画了关系的函数形态。本文的定位是:把这两个工具与预测必要性检验(Diebold and Mariano 1995)整合成一个完整的推断工作流,并应用于民主化研究。
当前 frontier 与本文位置。 当前前沿是"机器学习估计 + 因果解释"的交叉地带。本文的独特之处在于提出了一个四步工作流:(1) 用 ICC 筛选结构性外生变量;(2) 用 NAVAR 估计全部候选关系;(3) 用 Diebold–Mariano 检验逐条边的预测必要性;(4) 用 ICE 曲线对保留关系做函数形态分类。然后,用同一个数据集上的线性基准(相同变量、相同滞后、相同评估集)来分离"函数形式"与"变量集"的贡献。这个设计使得每个诊断结论都能追溯到具体原因。
子线索聚类¶
- 民主化的实质争论(Lipset 1959; Przeworski et al. 2000; Epstein et al. 2006; Acemoglu et al. 2008; Benhabib et al. 2013; Dahlum et al. 2019; Coppedge et al. 2022; Cuzán and Heggen 2025):核心问题是收入、教育、公民社会等变量是否以及如何影响民主化。本文的 baseline 是 Coppedge et al. (2022) 的因果序列模型,其"保护带"发现(公民社会、法治、政党制度化是民主化的近端决定因素)是本文要复现和检验的对象。
- 线性面板模型的局限与替代(Beck, King, Zeng 2000; Cranmer and Desmarais 2017; Storm, Baylis, Heckelei 2020):这条线批评线性模型的函数形式限制,主张用机器学习改善预测,但缺乏推断纪律。
- 可解释机器学习(Goldstein et al. 2015; Molnar 2022):ICE 曲线、部分依赖图等工具,使黑箱模型的逐变量效应可被描述。
- 预测精度比较检验(Diebold and Mariano 1995):这是本文必要性检验的统计基础,允许在非嵌套模型、非高斯误差、序列相关下比较预测精度。
这个方向在追问的核心问题¶
- 零结果的可解释性:一个不显著的系数,究竟意味着"没有关系"、"非线性关系被平均"、还是"被共线性掩盖"?
- 互惠关系的可估计性:当理论明确预测双向因果(如民主与公民社会相互强化)时,递归模型在构造上排除了反馈,如何在不做工具变量假设的情况下估计互惠关系?
- 高维共线性下的变量选择:当候选变量高度相关(如法治、公民社会、政党制度化之间相关系数可达 0.9)时,如何区分"直接效应"与"通过中间变量的间接效应"?
- 预测必要性与因果必要性的关系:一个变量对预测是必要的,是否意味着它对因果解释是必要的?本文的立场是"预测必要性是因果必要性的必要条件而非充分条件"(原文:"forecast necessity should not be interpreted as a claim of counterfactual causation")。
⚠️ 作者的 framing(这是作者的说法)¶
作者把缺口 frame 成:线性动态模型的三个限制(递归性、常数系数、低维度)共同制造了"虚假的零结果",而现有的机器学习替代方案虽然解决了函数形式问题,却缺乏"决定保留哪些关系的明确标准"。因此本文的贡献是"纪律"——把预测必要性检验变成保留关系的门槛,用自动阈值取代研究者任意的显著性判断,用同条件线性基准分离函数形式与变量集的贡献。
被淡化或回避的竞争路线:(1) Pearl 风格的因果发现(PC 算法、FCI 等),这类方法直接从条件独立关系出发,不需要时间顺序假设,但通常假设无隐藏共因或需要忠实性条件;(2) 现代 Granger 因果的稀疏化方法(如 DAG-Granger、VAR-LiNGAM),这些方法也处理非线性,但主要面向高斯或非高斯噪声的线性/可加结构;(3) 双重机器学习(DML)与去偏估计,这类方法在低维目标参数下有效,但不适用于本文这种"全系统关系发现"的目标。作者没有讨论这些方法为何不适用,只提到"flexible estimators have lacked discipline"。
什么明显该被引却没出现:没有引用 Pearl (2009) 的因果图框架,没有引用 Granger (1969) 之后关于因果发现与预测关系的哲学讨论(如"预测不等于因果"的经典论证),也没有引用面板数据中单位根/协整方法(虽然用了 8 年滞后,但未讨论非平稳性)。这些缺失本身可能暗示作者有意把工作定位在"预测必要性"而非"因果识别"。
张力¶
被引工作之间的张力:最明显的是 Przeworski et al. (2000) 与 Epstein et al. (2006) 之间的对立——前者用二分民主变量和线性概率模型得到"收入不影响转型",后者用三分类和更灵活的转移模型得到"收入影响转型"。本文的立场是:两者可能都对,因为收入的影响是非线性的(符号随发展水平变化),线性模型把正负效应平均掉了。这个张力是本文实证分析的核心动机之一。
未见明显对立的引用:在方法论层面,Beck et al. (2000)、Cranmer and Desmarais (2017)、Storm et al. (2020) 之间没有直接矛盾,都是"机器学习可以补充传统方法"的同一立场。真正的张力在实质结论层面(民主化研究),而非方法论层面。
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¶
符号(全部沿用论文第 3 节与附录 4 的记号):
| 记号 | 含义 | 类型 |
|---|---|---|
| \(N\) | 变量总数(本文 \(N=23\)) | 常数 |
| \(K\) | 滞后阶数(本文 \(K=8\)) | 常数 |
| \(y_{j,t}\) | 变量 \(j\) 在年份 \(t\) 的取值(标准化) | 可观测随机变量 |
| \(y_{i,t-K:t-1}\) | 变量 \(i\) 从 \(t-K\) 到 \(t-1\) 的滞后窗口 | 可观测随机向量 |
| \(f_{ij}(\cdot)\) | 变量 \(i\) 对变量 \(j\) 的贡献函数(小神经网络) | 待估函数 |
| \(b_j\) | 截距项 | 待估参数 |
| \(S_{ij}\) | 因果分数(causal score),衡量 \(i\) 对 \(j\) 预测的活跃度 | 由 \(f_{ij}\) 导出 |
| \(d_{ij,t}\) | 损失差(loss differential),移除边 \(ij\) 前后的预测损失差 | 检验统计量 |
| \(\lambda_1\) | L1 惩罚系数(本文 \(\lambda_1 = 0.15\)) | 超参数 |
| \(\tau\) | 自动阈值(本文 \(\tau = 5.48 \times 10^{-4}\)) | 由高斯混合拟合得到 |
模型(论文式 1):
每个 \(f_{ij}\) 是一个小型神经网络(1 个隐藏层、32 个节点),输入是变量 \(i\) 的 8 年滞后窗口,输出是它对变量 \(j\) 预测的加性贡献。加性结构是关键:它保证了"每个源变量对每个目标变量的贡献"是一个独立的、可解释的对象,这正是传统 VAR 中"系数"的角色,但现在允许是任意函数。
可观测数据:
- 面板结构:113 个国家 × 约 100 年(1900–2001),共 18,604 个"国家-年"原始行。
- 清洗后:剔除缺失后 5,166 个观测;每个观测是一个(国家,年份)对,其特征是 23 个变量的 8 年滞后窗口(即 \(23 \times 8 = 184\) 维输入),目标变量是 18 个动态变量的当期值。
- 划分:每个国家最后 5 年完全保留(485 个观测),不参与训练;训练集 4,681 个观测。
- 标准化:所有变量标准化(z-score),因此贡献函数的尺度可比。
哪些是参数 / 估计目标:
- 估计目标:23 个变量两两之间的 396 条候选关系(\(23 \times 18\),排除自效应和结构性外生变量作为目标)。
- 因果分数 \(S_{ij}\):衡量变量 \(i\) 对变量 \(j\) 预测的活跃度,由 \(f_{ij}\) 的权重和激活导出(具体公式见附录 4,论文未在正文给出闭式表达)。
- 保留决策:先做预测必要性检验(Diebold–Mariano),再对通过检验的边做"主导必要性"筛选(dominance threshold)。
哪些是假设而非数据:
- 时间顺序:原因在时间上先于结果(8 年滞后窗口),这是 Granger 式因果的基础。
- 加性结构:各源变量的贡献独立相加,排除了交互项(论文在附录 4 中承认这是限制)。
- 结构性外生:5 个变量(地理、宗教、殖民遗产等)通过 ICC > 0.88 被指定为只作原因、不作结果。
- 无隐藏共因:论文没有明确讨论,但这是所有观测数据因果推断的隐含假设。
第二步:最小内核¶
最简特例:两个变量 \(X\)(人均 GDP,对数)和 \(Y\)(民主指数,polyarchy),\(K=1\),线性模型。
传统分析:估计
得到 \(\hat{\beta} \approx 0\),\(p = 0.59\)(论文附录 8 的线性基准结果)。标准结论:"收入对民主没有直接效应"。
本文的工作流:
- 灵活估计:用 NAVAR 估计 \(f_{YX}(X_{t-1})\),不再假设它是直线。假设真实关系是 S 形:在低收入段,\(f_{YX}\) 为负(石油国家、资源诅咒);在高收入段,\(f_{YX}\) 为正(中产阶级推动民主化)。线性回归的 \(\hat{\beta}\) 是这两段的加权平均,恰好相消为零。
- 预测必要性检验:从拟合好的模型中精确移除 \(X \to Y\) 这条边(即把 \(f_{YX}\) 设为零,不重新训练),在固定评估集上比较预测损失。Diebold–Mariano 检验显示损失显著增大(\(p < 0.05\)),说明 \(X\) 对预测 \(Y\) 是必要的。
- 函数形态分类:画出 \(f_{YX}\) 的 ICE 曲线,发现它在低 \(X\) 段为负、高 \(X\) 段为正,且在每个民主水平段内符号稳定。分类为"变号"(sign-changing)。
- 线性基准对照:在完全相同的数据、变量、滞后和评估集上估计线性模型,确认线性模型确实给出零结果。于是诊断结论是:不是"收入不影响民主",而是"收入的影响随发展水平变化,线性模型把正负效应平均掉了"。
这个例子的核心:线性模型的常数效应假设,使得符号相反的非线性关系被平均为零。NAVAR 允许每个关系有自己的函数形态,预测必要性检验提供了"这个关系是否对系统重要"的客观标准,ICE 曲线则揭示了"为什么线性模型看不到它"。论文的整个工作流,本质上就是把这三个工具串成一个可复现的推断流程。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:动态面板数据中,一个不显著的系数可能代表"关系不存在"、"非线性关系被平均"、"互惠关系被递归设定排除"或"被共线性掩盖"四种情况,本文提出一个四步推断工作流来区分这些情况,并重新评估民主化因果序列模型中的三个弱效应。
- 核心工具 / 方法:神经加性向量自回归(NAVAR)估计全部 396 条候选关系,Diebold–Mariano 预测必要性检验逐条决定保留或删除,ICE 曲线对保留关系做函数形态分类(线性/阈值/饱和/变号),最后用同数据同变量的线性基准分离"函数形式"与"变量集"的贡献。
- 主要结论:保护带(公民社会、法治、政党制度化 → 民主)在灵活模型下存活且为非线性(低民主时近似线性、高民主时饱和);发现民主对公民社会、识字率、法治的反馈效应,线性模型无法检测;三个弱效应分别诊断为"通过中间路径的间接效应"(农业收入)、"符号随发展水平变化的平均化"(人均 GDP)、"被变量集缩减掩盖"(识字率)。
关键设定与假设¶
相比 baseline(Coppedge et al. 2022)放宽的假设:
| 假设 | baseline 线性递归模型 | 本文 NAVAR |
|---|---|---|
| 函数形式 | 常数系数(线性) | 每个关系独立函数 \(f_{ij}\) |
| 互惠性 | 递归设定,因果单向 | 所有变量同时作为源和目标,反馈可估计 |
| 变量集 | 10 个变量(因共线性删减) | 23 个变量(全部进入,L1 惩罚处理共线性) |
| 滞后阶数 | 1–2 年 | \(K=8\) 年 |
| 保留标准 | 系数显著性(\(p < 0.05\)) | 预测必要性(DM 检验)+ 自动阈值 |
保留的假设: - 加性结构:\(y_{j,t} = b_j + \sum_i f_{ij}(\cdot)\),各源变量贡献独立相加。论文在附录 4 中承认这排除了交互效应,但指出这是"关系层面可解释性"的代价。 - 时间顺序:原因先于结果(8 年滞后窗口),这是 Granger 式因果的基础。 - 结构性外生:ICC > 0.88 的 5 个变量只作原因不作结果。论文用 ICC 分布中的"宽空区间"(0.856 到 0.987)来证明这个阈值不是人为设定的。 - 无隐藏共因:论文没有明确讨论,但这是所有观测数据因果推断的隐含假设。
相比 baseline 收紧的假设: - 预测必要性 ≠ 因果必要性:论文明确声明(第 6 节)"forecast necessity should not be interpreted as a claim of counterfactual causation",即一个关系对预测是必要的,不等于它在干预意义上是因果的。
主要结果¶
结果 1:保护带复制(RQ1)。公民社会(CSO)、法治、政党制度化对民主的正向影响在 NAVAR 下全部保留,且排序与 baseline 一致(CSO 因果分数 0.073,约为法治 0.039 和政党制度化 0.033 的两倍)。但函数形态显示这些关系在低民主水平时近似线性、在高民主水平时饱和——这意味着 baseline 的线性系数低估了低民主国家的边际效应。
结果 2:反馈效应(RQ2)。民主对公民社会(0.047)、识字率(0.023)、法治(0.022)的反馈在 5/5 种子中保留。baseline 的递归设定在构造上排除了这些关系。线性基准(相同变量、相同滞后)无法检测这些反馈——说明它们是非线性的或滞后的。
结果 3:三个弱效应的三种诊断(RQ3)。 - 农业收入:直接效应在 0/5 种子中保留,但 4/6 条间接路径(农业收入 → 识字率/公民社会 → 民主)保留。诊断:间接效应,baseline 的负系数是遗漏中间变量的产物。 - 人均 GDP:4/5 种子保留,ICE 曲线显示符号在低收入段为负、高收入段为正。诊断:平均化的异质性,线性模型的零是正负相消的结果。 - 识字率:线性基准在扩展变量集后也能检测(\(p = 0.002\)),诊断:变量集缩减的掩盖,不是函数形式问题。
结果 4:预测性能。NAVAR 的留出 MSE 为 0.203,优于最佳线性基准 0.227(约 10% 的提升)。这个提升是"预测必要性"标准的基础——如果灵活模型不比线性模型预测得更好,那么非线性关系的证据就不成立。
证明路线¶
论文不是定理-证明结构,而是工作流 + 实证验证结构。其"证明"由四个环节组成:
- 估计:NAVAR 的加性结构保证了每个 \(f_{ij}\) 是独立可解释的对象。L1 惩罚(\(\lambda_1 = 0.15\))在 23 个高度相关变量(部分相关系数达 0.9)下保持稳定。
- 必要性检验:对每条候选边做精确留出(ablation)——从拟合好的模型中减去该边的贡献,不重新训练,在固定评估集上比较预测损失。DM 检验(Diebold and Mariano 1995)给出 \(p\) 值。这一步的关键设计是"不重新训练":如果重新训练,模型可能通过其他变量的权重补偿被删边的信息,从而低估该边的重要性。
- 主导性筛选:对通过 DM 检验的边,用双组分高斯混合拟合损失差的对数分布,取两个组分的交点作为自动阈值(本文为 \(5.48 \times 10^{-4}\))。这一步的目的是区分"统计上可检测的边"和"对系统组织真正重要的边"。
- 归因:对每条保留边,用 ICE 曲线(Goldstein et al. 2015)在三个民主水平(低/中/高)上计算斜率,分类为线性、阈值、饱和、变号。然后,用同数据同变量的线性基准(OLS 和岭回归)做对照,分离"函数形式"与"变量集"的贡献。
关键的技术细节: - 精确留出 vs 重新训练:论文选择精确留出,理由是"重新训练会让模型用其他变量的权重补偿被删边的信息,从而低估该边的重要性"(附录 5.1)。这个选择直接影响了 DM 检验的零分布——它检验的是"这条边在已估计的模型中是否冗余",而非"这条边在重新估计的模型中是否显著"。 - ICC 阈值的经验依据:5 个结构性外生变量的 ICC 在 0.987–1.000 之间,而动态变量的 ICC 最高为 0.856,中间有 0.13 的宽空区间。论文用这个空区间来证明 0.88 的阈值不是人为设定的。 - 种子集成:5 个种子的集成报告保留频率,而不是单次运行的二值结果。这承认了神经网络训练的随机性,并将稳定性本身作为证据的一部分。
真实例子与应用¶
数据:V-Dem 面板,113 国,1900–2001。23 个变量涵盖民主制度(polyarchy)、保护带(公民社会、法治、政党制度化)、现代化指标(人均 GDP、识字率、农业收入占比)、社会运动(非暴力运动、暴力运动)、制度设计(总统制、联邦制)等。
三个具体诊断案例: 1. 农业收入(baseline 报告边际显著的负效应):NAVAR 显示直接效应在 0/5 种子中保留,但 4/6 条间接路径保留。诊断:农业社会通过低识字率和弱公民社会间接抑制民主,而非直接抑制。baseline 的负系数是遗漏中间变量的产物。 2. 人均 GDP(baseline 报告零效应):NAVAR 显示 4/5 种子保留,ICE 曲线在低发展段为负、高发展段为正。诊断:收入的作用不是"无",而是"方向随发展水平变化"。这解释了 Przeworski et al. (2000) 与 Epstein et al. (2006) 的争论——两者可能都对,只是在不同发展区间。 3. 识字率(baseline 报告零效应):线性基准在扩展变量集后也能检测(\(p = 0.002\)),说明这是变量集缩减的掩盖,而非函数形式问题。
这个例子想说明什么:三个在 baseline 中同样"弱"的效应,在完整工作流下得到三种不同的诊断——间接效应、平均化异质性、变量集掩盖。这正是论文的核心主张:弱效应不是同质的,线性模型无法区分它们,而预测必要性 + 函数形态刻画可以。
🔎 结论是否比证明窄¶
是,且论文自己承认。具体表现在:
- 预测必要性 ≠ 因果必要性(第 6 节原文):"The estimated graph is therefore best understood as a disciplined representation of a system's dynamic dependencies and a demanding empirical benchmark against which proposed causal explanations can be evaluated, rather than as a design-based causal inference." 即论文证明的是"这些关系对预测是必要的",而非"这些关系在干预意义上是因果的"。
- 加性假设未经验证:论文承认 NAVAR 的加性结构排除了交互效应,但没有提供检验加性假设是否成立的方法。如果真实系统存在强交互(如"公民社会只有在法治健全时才促进民主"),加性模型会把这些交互效应分散到主效应中,产生误导性的函数形态。
- 无隐藏共因的讨论缺失:论文没有讨论未观测混杂如何影响预测必要性检验。如果存在同时影响源和目标的未观测变量(如"政治文化"),被删边的预测损失可能部分归因于该混杂变量,而非源变量本身。
- ICC 阈值的理论依据:论文用经验分布中的空区间来证明 0.88 的合理性,但没有给出理论上的选择标准。在其他数据集中,ICC 分布可能没有清晰的空区间。
- 种子集成只覆盖 5 个种子:论文报告了 5 个种子的保留频率,但没有讨论这个数量是否足以刻画训练随机性的全貌。
四、开放问题¶
以下开放问题均扎根于论文的具体语句,按"从近到远"排列:
-
从预测必要性到因果必要性的桥(扎根于第 6 节"forecast necessity should not be interpreted as a claim of counterfactual causation")。论文明确把因果推断的野心限制在"动态依赖关系的刻画"。要确认某条边是否真的因果,需要什么额外的识别假设?能否把工具变量、前门/后门准则或代理变量方法(proximal causal inference)嵌入这个工作流?这是最直接的下一步。
-
加性假设的检验与放松(扎根于附录 4 对加性结构的承认)。如果真实系统存在交互效应,NAVAR 会把交互分散到主效应中。能否构造一个"加性假设的检验"(如对比加性 NAVAR 与完整交互模型的预测性能)?能否用更高阶的加性结构(如二元交互项)扩展模型,同时保持关系层面的可解释性?
-
未观测混杂的敏感性分析(扎根于第 6 节对识别假设的讨论)。预测必要性检验在未观测混杂下会怎样表现?能否用 Rosenbaum 式敏感性分析或模糊断点设计来量化"需要多大的混杂才能推翻某条边的保留结论"?
-
ICC 阈值的理论化(扎根于第 3.1 节"ICC > 0.88"的经验选择)。在什么条件下,ICC 分布会呈现清晰的双峰结构?能否给出一个基于理论(如面板数据中组间/组内方差的渐近分布)的自动阈值选择方法?
-
滞后阶数与时间尺度的选择(扎根于 \(K=8\) 年的设定)。8 年滞后窗口对民主化这种长周期过程是否足够?更长滞后(如 20 年)是否会改变保护带效应的函数形态?能否用数据驱动的方法(如交叉验证)选择 \(K\)?
-
从相关到干预的验证设计(扎根于第 5 节"newly estimable"的反馈效应)。论文发现的民主 → 公民社会反馈是观察性的。能否用自然实验(如选举制度变革、去殖民化时间)来验证这些反馈的因果性?
-
方法向其他领域的迁移(扎根于第 6 节"nothing in the workflow depends specifically on V-Dem")。论文声称方法不依赖特定数据,但未给出其他领域的示例。能否在公共卫生(如健康政策与健康结果的互惠)、发展经济学(如制度与增长的反馈)中复现类似的工作流?
提醒:要确认上述某条是否是真 gap,建议去读同一子方向(政治学中的机器学习因果推断、面板数据因果发现)近 5 年的 5 篇左右 introduction——如果多篇都指向同一个缺口,那是共识(真 gap);如果各篇互相打架,那是机会(尚未收敛的问题)。
Maintained by 陈星宇 · Homepage · Source on GitHub