跳转至

Partial identification with entropy regularized optimal transport

作者: Bruno N. Costa, Florian F. Gunsilius
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2609.40156


一、领域脉络与小综述

这个方向是什么

部分识别(partial identification)处理的是:在观测数据和先验假设不足以唯一确定模型参数时,如何刻画所有与数据相容的参数值所构成的集合(识别集),并对其中的目标泛函(如平均处理效应、政策相关参数)给出尽可能紧的界。该子领域自 Manski(2003)系统化以来,已发展出两条主要技术路线:一是随机集理论(random set theory),以 Molchanov、Molinari、Beresteanu 等为代表,用集合值映射描述不可观测异质性与观测分布之间的相容关系;二是线性规划方法,将识别集写成以观测分布为约束、以目标参数为目标的线性规划(LP),如 Balke 和 Pearl(1994, 1997)对二元工具变量模型的处理,以及 Lafférs(2019)、Tebaldi 等(2023)对更一般离散模型的扩展。当变量连续或异质性为函数时,LP 的决策变量是无限维分布,约束条件由连续指标集索引,直接求解和统计推断都面临根本困难。本文正是在这一交汇点上提出一种统一框架:把部分识别问题重新表述为路径空间上的最优传输问题,再通过熵正则化将其转化为可高效计算、且具有完整统计理论的对象。

发展脉络(从引言与参考文献梳理)

  • 奠基工作:Balke 和 Pearl(1994, 1997)用线性规划刻画二元工具变量模型下潜在结果分布的识别集,给出平均处理效应的紧界。这是"识别集 = 线性规划"范式的起点。Manski(2003)的专著将部分识别确立为处理弱假设下推断的一般框架。Tamer(2010)、Molinari(2020)的综述总结了随机集与矩不等式两条路线。
  • 随机集路线:Beresteanu、Molchanov 和 Molinari(2012)用随机集理论统一刻画不完全模型中的识别集,并给出推断方法。Chesher 和 Rosen(2017)进一步处理广义工具变量模型中的集合识别。这一路线擅长处理离散或有限维异质性,但对连续异质性(如整个响应函数)的表达和计算仍有限。
  • 线性规划与计算挑战:Lafférs(2019)将部分识别问题视为线性规划,并讨论离散情形下的算法。Tebaldi 等(2023)在需求估计中利用线性规划计算福利界,但依赖有限支撑假设。当处理连续工具变量或连续处理时,LP 的约束数变为不可数,传统单纯形或内点法失效;且无限维 LP 的对偶间隙、数值稳定性都缺乏系统处理。
  • 最优传输进入计量经济学:Galichon 和 Henry(2009, 2011)将不完全模型与最优传输联系起来,用传输映射的相容性刻画模型可检验性。Ekeland 等(2010)用最优传输研究经济模型的 falsifiability。Gunsilius(2019b)首次将工具变量模型中的部分识别问题等价于一个受约束的最优传输问题,并提出路径采样方法,但计算上仍依赖蒙特卡洛,缺乏收敛保证。Gunsilius(2025)进一步综述了最优传输在因果推断中的角色。
  • 熵正则化最优传输:Cuturi(2013)引入熵正则化使最优传输可被 Sinkhorn 迭代快速求解;Peyré 和 Cuturi(2019)系统总结了熵正则化 OT 的理论与算法。Weed(2018)、Nutz(2022)给出了熵正则化 OT 的稳定性与收敛性。Carlier(2022)证明了多边际 Sinkhorn 的线性收敛。这些工具为本文提供了计算与理论的基础。
  • 本文位置:作者明确说(引言第 1 节)"We develop a general method for approximating and estimating sharp bounds on partially identified averages that accommodates this functional heterogeneity and data restrictions across a continuous range of observed conditions." 即:在连续工具变量、连续处理、连续结果的设定下,把识别界问题转化为多边际熵正则化 OT,并给出 plug-in 估计的一致性(Theorem 2)和固定正则化下的渐近正态性(Theorem 3)。与 Gunsilius(2019b)的路径采样相比,本文用确定性离散化和 Sinkhorn 迭代替代随机采样,并给出了误差的显式控制。

子线索聚类

  1. 随机集与线性规划识别:Manski (2003), Tamer (2010), Molchanov & Molinari (2014), Beresteanu et al. (2012), Chesher & Rosen (2017), Balke & Pearl (1994, 1997), Lafférs (2019), Tebaldi et al. (2023), Russell (2021)。
  2. 最优传输在计量经济学与因果推断中的应用:Galichon & Henry (2009, 2011), Ekeland et al. (2010), Gunsilius (2019b, 2025), Gu & Russell (2024), Ober-Reynolds (2023), Fan et al. (2025), Voronin (2025), Tan et al. (2024, 2026), Gao et al. (2025)。
  3. 熵正则化 OT 的计算与统计理论:Cuturi (2013), Peyré & Cuturi (2019), Weed (2018), Nutz (2022), Carlier (2022), Eckstein & Nutz (2022), del Barrio et al. (2023), Lin et al. (2022), Altschuler & Boix-Adserà (2022), Strössner & Kressner (2023)。

这个方向在追问的核心问题

  1. 识别集的紧刻画:在给定观测分布和结构假设后,目标参数的下/上界能否写成可计算的优化问题?连续变量下如何避免枚举所有不等式?
  2. 计算可行性:无限维 LP 如何离散化?离散化误差如何控制?是否存在多项式时间算法?
  3. 统计推断:plug-in 估计量是否一致?收敛速度如何?能否构造置信区间?正则化参数如何选择以平衡偏差和方差?
  4. 形状约束的融入:单调性、凸性、Lipschitz 等结构信息如何自然地进入优化问题并收紧边界?

⚠️ 作者的 framing(这是作者的说法)

作者在引言中把缺口定义为:"Both approaches face substantial computational challenges when unobserved heterogeneity is unrestricted. Finite representations can grow exponentially with the observable supports – the 'curse of cardinality' (Beresteanu et al., 2012; Russell, 2021) – while continuous variables can require optimization over distributions of entire response functions (Gunsilius, 2019b)." 因此他们提出:"We develop a general method for approximating and estimating sharp bounds on partially identified averages that accommodates this functional heterogeneity and data restrictions across a continuous range of observed conditions." 他们强调自己的贡献是:(i) 将识别界等价于路径空间上的约束 OT;(ii) 通过熵正则化得到可 Sinkhorn 求解的凸问题;(iii) 给出联合的数值与统计误差分析。他们淡化了与随机集方法的直接比较,而是把 Gunsilius (2019b) 的路径采样作为主要对标对象,指出自己的方法是确定性的、有收敛保证的。竞争路线(如 Tan et al. 2026 的 Roy 模型分解)被描述为"requires such an analytical reduction and a specific Roy model setting",而本文"does not require such an analytical reduction"。

张力

  • 被引文献之间未见明显对立结论。但存在一个隐含张力:随机集方法强调集合的几何结构(如 Aumann 期望、选择期望),而 OT 方法强调传输代价的对偶性。本文选择后者,但并未讨论前者在连续设定下是否等价或更优。
  • 另一个张力是熵正则化的偏差:正则化使边界变宽(因为可行集变大),而离散化可能使边界变窄或变宽。作者通过联合极限控制两者,但固定正则化下的渐近分布并不直接给出关于真实边界的推断,而是关于正则化边界的推断。这一点在 Theorem 3 的陈述中明确,但作者没有深入讨论如何选择 ε 以平衡推断目标。

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

  • 可观测数据:独立同分布样本 \(\{(Z_i, X_i)\}_{i=1}^N\),其中 \(Z\) 是外生变量(工具变量/分配变量),取值于紧 Polish 空间 \(\mathcal{Z}\);\(X\) 是内生变量(处理与结果),取值于 \(\mathcal{X} \subseteq \mathcal{H}\),\(\mathcal{H}\) 为可分 Hilbert 空间,\(\mathcal{X}\) 为紧凸子集或有限集。
  • 潜在异质性:每个个体有一个潜在类型 \(\omega \in \Omega\),\(\Omega\) 为 Polish 空间。类型决定个体在所有可能外生状态下的行为,即一个响应函数 \(g(\omega) \in \mathcal{H} = L^1(\mathcal{Z}, \lambda; \mathcal{X})\),其中 \(g_z(\omega)\) 表示当外生变量取 \(z\) 时该个体的内生变量取值。
  • 结构方程:\(X = g_Z(\omega)\)。外生性假设为 \(Z \perp \omega\)(严格外生性),因此 \(Z\) 的边际分布 \(\lambda\) 与 \(\omega\) 独立。
  • 目标:估计 \(E_Q[\Lambda(\omega)]\),其中 \(\Lambda: \Omega \to [0,1]\) 是已知的效应函数(如处理效应、福利变化)。\(Q\) 是 \(\omega\) 的未知分布。
  • 识别约束:观测数据只给出 \(Z\) 的边际分布 \(\lambda\) 和条件分布 \(P_z = \text{Law}(X \mid Z=z)\)。因此,任何与数据相容的 \(Q\) 必须满足:对 \(\lambda\)-几乎所有的 \(z\),
    \[(g_z)_\# Q = P_z.\]
    这定义了识别集
    \[\mathcal{Q}(P,\lambda) = \{ Q \in \mathcal{P}(\Omega) : (g_z)_\# Q = P_z \text{ for } \lambda\text{-a.e. } z \}.\]
  • 目标量:下界
    \[v(P,\lambda) = \inf_{Q \in \mathcal{Q}(P,\lambda)} E_Q[\Lambda].\]
    这是一个无限维线性规划:决策变量是 \(Q\),约束是无穷多个边际条件。

第二步:最小内核——二元工具变量模型

最简设定:\(Z \in \{0,1\}\),\(X = (D, Y) \in \{0,1\}^2\),其中 \(D\) 是实际接受的处理,\(Y\) 是结果。潜在类型 \(\omega = (\omega_1, \omega_2)\),其中 \(\omega_1: \{0,1\} \to \{0,1\}\) 是处理选择函数(\(D = \omega_1(Z)\)),\(\omega_2: \{0,1\} \to \{0,1\}\) 是潜在结果函数(\(Y = \omega_2(D)\))。共有 4 种 \(\omega_1\) 类型(总是接受者、从不接受者、依从者、抗拒者)和 4 种 \(\omega_2\) 类型,共 16 种组合。观测数据给出 \(P(Z=z)\) 和 \(P(D=d, Y=y \mid Z=z)\),共 6 个独立概率(因为每个 \(z\) 下有 3 个自由概率)。未知 \(Q\) 是 16 个类型概率,满足 6 个线性约束(每个 \(z\) 下 \(P(D=d,Y=y \mid Z=z)\) 等于对应类型概率之和)。目标 \(E_Q[\Lambda]\) 是某个线性函数(如 \(E[Y(1)-Y(0)]\))。这就是一个标准的 LP,Balke 和 Pearl 给出了显式解。

OT 视角:把每个类型 \(\omega\) 看作一条"路径" \(z \mapsto (D(z), Y(D(z)))\)。观测数据给的是每个 \(z\) 处的"边际"分布 \(P_z\)。我们要在所有路径分布 \(Q\) 中,找到使 \(E_Q[\Lambda]\) 最小的那个。这正是一个多边际最优传输问题:有 \(|\mathcal{Z}|\) 个边际(每个 \(z\) 一个),每个边际必须等于 \(P_z\),路径空间是 \(\mathcal{X}^{\mathcal{Z}}\)(所有可能的响应函数),代价是 \(\Lambda(\omega)\)。当 \(Z\) 连续时,边际数量不可数,路径空间是函数空间,问题变成无限维 LP。

熵正则化:直接求解无限维 LP 不可行。本文的关键思想是:对路径分布 \(\mu\) 加一个相对熵惩罚 \(\epsilon H(\mu \| R)\),其中 \(R\) 是参考路径分布(例如独立耦合)。于是问题变成

\[u_{\epsilon,\delta,n,m}(P,\lambda) = \inf_{\mu \in \mathcal{C}_n(P,\lambda)} E_\mu[c_{\delta,n}] + \epsilon H(\mu \| R_n),\]
其中 \(\mathcal{C}_n\) 是离散化后的边际约束集,\(c_{\delta,n}\) 是惩罚后的代价函数。这个问题的对偶是光滑的、严格凸的,可以用 Sinkhorn 迭代求解。当 \(\epsilon \to 0\),正则化解收敛到原 LP 的解;当离散化加密 \(n,m \to \infty\),离散问题收敛到连续问题。

为什么这个内核是"最小"的:它保留了部分识别问题的全部三个要素——(1) 不可观测的异质性(类型/路径);(2) 可观测的边际约束(数据);(3) 目标泛函(代价)。同时,它展示了从无限维 LP 到可计算问题的两条路径:离散化(\(n,m\))和正则化(\(\epsilon,\delta\))。二元 IV 是这个内核的离散特例,连续 IV 是它的极限。理解了二元情形下"类型 = 路径"的对应,就理解了整个论文的构造。


三、这篇论文做了什么

三句话

  1. 研究问题:在观测数据与结构假设不足以点识别参数时,如何统一地刻画、计算并推断部分识别集的下界(上界同理),尤其当工具变量、处理、结果均为连续变量时。
  2. 核心方法:将部分识别下界重新表述为路径空间上的约束最优传输问题,通过离散化、支撑约束松弛(\(\delta\))和熵正则化(\(\epsilon\))转化为有限维严格凸问题,并用 Sinkhorn 迭代求解;plug-in 估计量由经验分布替换真实分布得到。
  3. 主要结论:在正则化参数与离散化参数适当选择时,估计量 \(L^1\) 一致收敛到真实下界(Theorem 2);固定正则化参数时,估计量 \(\sqrt{N}\) 渐近正态,且渐近方差可由数据估计(Theorem 3)。

关键设定与假设

  • 框架:观测 \((Z,X)\),\(Z\) 外生,\(X\) 内生,\(X\) 取值于紧凸集或有限集。潜在类型 \(\omega\) 通过已知机制函数 \(g: \Omega \to \mathcal{H}\) 映射为响应路径。目标为 \(E_Q[\Lambda]\),\(\Lambda\) 已知、连续、取值 \([0,1]\)。
  • 识别集:\(\mathcal{Q}(P,\lambda)\) 由所有满足 \((g_z)_\# Q = P_z\) 的 \(Q\) 组成。假设非空(模型与数据相容)。
  • 离散化:将 \(\mathcal{Z}\) 分成 \(n\) 个原子 \(\{A_{k,n}\}\),将 \(\mathcal{X}\) 分成 \(m\) 个原子 \(\{B_{\ell,m}\}\),用条件概率 \(P_{k,n}(B_{\ell,m})\) 近似 \(P_z\)。要求网格细化时 \(\rho_n, \rho_m \to 0\)。
  • 支撑松弛:用 \(\delta^{-1}\|\pi_n(g(\omega)) - \pi_n(e)\|_{\mathcal{H}}\) 惩罚不可达路径,而不是硬约束 \(\text{supp}(\mu) \subseteq \pi_n(\mathcal{K})\)。这保证了对偶问题的光滑性。
  • 熵正则化:参考测度 \(R_n\) 取为独立耦合 \(\bigotimes_{k} P_{k,n}\),惩罚系数 \(\epsilon > 0\)。
  • 统计假设:样本 \((Z_i,X_i)\) i.i.d.;\(P_z\) 关于 \(z\) 连续(或至少满足某种光滑性);\(\Lambda\) 和 \(g\) 连续;\(\mathcal{X}\) 紧致。这些条件保证离散化误差、正则化误差和抽样误差可以分离控制。

主要结果

  • Theorem 1(等价性):在假设 1 下,原部分识别下界 \(v(P,\lambda)\) 等于约束最优传输问题 \(u(P,\lambda)\) 的值。证明通过构造机制 \(g\) 的右逆(co-mechanism)\(i: \mathcal{K} \to \Omega\),使得 \(g \circ i = \text{id}\) 且 \(\Lambda(i(e)) = \Psi(e)\)(最坏情形效应函数)。这建立了潜在类型分布与路径分布之间的一一对应,且保持目标值。
  • Proposition 2(离散化收敛):当 \(n \to \infty\) 时,离散化问题的值 \(u_n(P,\lambda)\) 单调收敛到 \(u(P,\lambda)\)。证明依赖于 \(\pi_n\) 的一致收敛性和 \(\Psi_n \uparrow \Psi\) 的单调性。
  • Proposition 3(正则化收敛):固定 \(n\),当 \(\epsilon \to 0\) 且 \(\delta \to 0\) 时,\(u_{\epsilon,\delta,n}(P,\lambda) \to u_n(P,\lambda)\)。证明使用了对偶理论:熵正则化问题的对偶是强凸的,其最优值连续依赖于参数。
  • Theorem 2(一致性):若 \(\epsilon, \delta, \rho_n, \rho_m\) 随 \(N\) 适当趋于 0(例如 \(\epsilon \asymp N^{-1/4}\),\(\delta \asymp N^{-1/4}\),\(n \asymp N^{1/2}\),\(m \asymp N^{1/2}\)),则 \(\hat{v}_N \xrightarrow{L^1} v(P,\lambda)\)。证明将总误差分解为四项:抽样误差(由经验过程控制)、离散化误差(由 \(\rho_n,\rho_m\) 控制)、正则化误差(由 \(\epsilon,\delta\) 控制)、Sinkhorn 截断误差(由 \(I\) 控制),并分别给出界。
  • Theorem 3(渐近正态性):固定 \((\epsilon,\delta,n,m)\),令 \(I\) 随 \(N\) 充分大,则
    \[\sqrt{N}(\hat{v}_N - u_{\epsilon,\delta,n,m}(P,\lambda)) \Rightarrow N(0, \text{Var}_{(P,\lambda)}[\phi^*_\beta]),\]
    其中 \(\phi^*_\beta\) 是对偶最优势函数。方差可由 \(\widehat{\text{Var}} = \sum_{k,\ell} \hat{\phi}_{k,\ell}^2 \hat{p}_{k,\ell} \hat{\lambda}_k - (\sum_{k,\ell} \hat{\phi}_{k,\ell} \hat{p}_{k,\ell} \hat{\lambda}_k)^2\) 一致估计。证明基于 Delta 方法和 Sinkhorn 迭代的线性收敛性(Proposition 7)。

证明路线与技术技巧

  1. 路径空间重写:将潜在类型空间 \(\Omega\) 上的优化转化为路径空间 \(\mathcal{H}\) 上的优化。关键是用 co-mechanism \(i\) 将每个可行路径映射到最坏类型,从而把目标函数 \(E_Q[\Lambda]\) 转化为路径代价 \(E_\mu[\Psi]\)。这一步避免了直接处理 \(\Omega\) 的复杂几何。
  2. 离散化:用 \(\pi_n\) 将路径投影到有限维空间 \(\mathcal{X}^n\)。离散化误差通过 \(\Psi_n \uparrow \Psi\) 的单调收敛控制。这里利用了 \(\Psi\) 的下半连续性和 \(\pi_n\) 的一致收敛性。
  3. 支撑松弛:将硬支撑约束 \(\text{supp}(\mu) \subseteq \pi_n(\mathcal{K})\) 替换为代价惩罚 \(\delta^{-1}\|\pi_n(g(\omega)) - \pi_n(e)\|\)。这等价于对不可达路径征收线性罚金,使得对偶问题无约束且光滑。松弛误差通过 \(\delta \to 0\) 控制。
  4. 熵正则化:在目标中加入 \(\epsilon H(\mu \| R_n)\)。这使得原问题成为强凸问题,对偶问题成为光滑的有限维优化。利用 Fenchel 对偶,得到势函数 \(\phi_k\) 的迭代格式(Sinkhorn):
    \[\phi_k^{(t+1)}(x) = -\epsilon \log \mathbb{E}_{R_{-k,n}}\left[\exp\left(\frac{\phi_k^{(t)}(x) + \sum_{j\neq k} \phi_j^{(t)}(x_j) - c_{\delta,n}(x)}{\epsilon}\right)\right],\]
    其中 \(R_{-k,n}\) 是除第 \(k\) 个边际外的参考测度。该迭代等价于块坐标上升,且由 Carlier (2022) 的定理保证线性收敛。
  5. 统计误差:plug-in 估计用经验分布 \(\hat{P}_{k,n}\) 替换真实 \(P_{k,n}\)。抽样误差通过 \(\sqrt{N}\) 收敛和 Delta 方法控制。关键技巧是:固定正则化参数时,对偶势函数 \(\phi^*_\beta\) 是经验分布的连续可微函数,因此可以用 Delta 方法得到渐近正态性。
  6. 方差估计:利用对偶势函数的显式表达式,方差可以写成势函数在观测分布下的加权方差,从而可以直接用样本矩估计。

真实例子与应用

  • 模拟 1:Balke–Pearl 基准。二元 IV、二元处理、二元结果。比较熵正则化估计与精确 LP 解。结果显示,在 \(\epsilon = 0.0002, \delta = 0.25\) 时,最大绝对误差为 \(1.48 \times 10^{-4}\)(表 1)。图 10 显示误差随 \(\epsilon\) 减小而线性下降,与理论一致。
  • 模拟 2:连续处理与结果,二元 IV。验证统计性质。表 2 显示,在 \(N=500,2000,10000\) 下,95% Wald 区间覆盖率在 0.944–0.958 之间,标准误估计与经验标准差的比值在 0.949–1.031 之间,说明 Delta 方法有效。
  • 模拟 3:五值 IV。展示多值工具变量下的计算可行性。表 3 显示,加入结果单调性约束后,外区间宽度从 \([-0.9657, 0.5739]\) 收窄到 \([-0.9657, -0.1006]\)(8 bins)和 \([-0.9323, -0.1377]\)(12 bins),说明形状约束能显著收紧边界。
  • 应用:需求估计。使用 1995/96 英国家庭支出调查(FES)数据,估计食品和休闲支出份额对总支出变化的响应。工具变量为收入三分位。在仅假设 Lipschitz 连续性的情况下,得到的分布性处理效应边界较宽;加入单调性后,边界显著收窄,且与经济学直觉一致(食品为必需品,休闲为奢侈品)。计算时间:12 bins 全张量约 3 分钟(MacBook Pro 2.3 GHz 8 核)。

🔎 结论是否比证明窄

  • Theorem 2 的 \(L^1\) 一致性要求 \(\epsilon, \delta, \rho_n, \rho_m\) 同时趋于 0,但未给出这些参数与 \(N\) 的最优权衡。作者在讨论中承认,实际选择需要交叉验证或理论指导,但未提供自适应选择程序。
  • Theorem 3 的渐近正态性是在固定 \((\epsilon,\delta,n,m)\) 下成立的,因此它描述的是"正则化目标"的抽样分布,而非真实下界 \(v(P,\lambda)\) 的抽样分布。作者在 5.4 节明确说:"the limiting distribution is centered at the regularized value, not the sharp bound itself",并建议通过偏差校正或 undersmoothing 处理,但未给出具体方法。
  • 文中没有给出 \(\kappa(\beta)\)(偏差函数)的显式界,只说明"can be obtained from qualitative properties"。这意味着置信区间的实际构造需要额外的假设或数值估计。
  • 模拟和应用的网格选择(8 或 12 bins)是启发式的,没有理论指导。作者在 6.3 节提到"we chose the number of bins to balance computational cost and approximation error",但没有系统敏感性分析。

四、开放问题(点到为止,扎根具体语句)

  1. 正则化参数与离散化参数的自适应选择。Theorem 2 只给出了联合条件,但没有给出如何从数据中选择 \((\epsilon,\delta,n,m)\)。作者在 5.4 节说:"the choice of these tuning parameters in practice remains an open question, although cross-validation over the implied bounds is a natural approach." 这是一个可直接着手的问题:能否构造数据驱动的选择准则,使估计量在真实下界处达到最优收敛速率?

  2. 偏差校正与有效置信区间。Theorem 3 的极限分布中心在正则化值 \(u_{\epsilon,\delta,n,m}\) 而非 \(v\)。作者在 5.4 节指出:"constructing confidence intervals for the sharp bound itself requires either undersmoothing or an explicit estimate of the bias \(\kappa(\beta)\)." 目前 \(\kappa(\beta)\) 的显式界未给出。可以研究:在何种光滑性条件下,偏差项可估计并校正,从而得到覆盖真实下界的置信区间?

  3. 高维工具变量与张量结构。文中提到成本张量大小随 \(n\) 指数增长(\(m^n\)),并建议利用低秩近似(Strössner & Kressner 2023)。作者在 7 节说:"for larger \(n\), one can exploit the tensor structure of the cost to reduce the memory footprint, but the theoretical properties of such approximations are not yet understood." 这是一个明确的开放问题:低秩张量近似对估计量和推断的影响是什么?

  4. 形状约束的系统整合。模拟和需求应用表明单调性约束能大幅收紧边界,但文中只处理了 Lipschitz 和单调性两种约束。作者在 3.3 节说:"our framework accommodates any closed, convex shape constraint on the response functions, although the computational cost depends on the geometry of the constraint set." 如何将更一般的约束(如凸性、S 型、参数族)高效地编码进 Sinkhorn 迭代,并保持统计性质?

  5. 与随机集方法的理论联系。作者在引言中承认随机集方法在离散情形下等价,但未讨论连续情形下的关系。文中 1 节说:"whether the identified set characterized by our transport formulation coincides with the Aumann expectation of the random set in the continuous case is an open question." 这是一个理论问题:两种刻画在连续异质性下是否等价?若不等价,各自的紧性如何?

  6. 弱工具变量与有限样本偏差。文中假设 \(Z\) 的支撑离散化后每格概率为正,且 \(P_z\) 可一致估计。但弱工具变量下 \(P_z\) 的估计误差可能很大。作者在 4.2 节提到:"the plug-in estimator inherits the convergence rate of the empirical process for \(P_z\); in weak-instrument settings this rate may be slow, and the resulting bounds may be misleading." 如何对弱工具变量进行稳健推断,目前没有答案。

  7. 超越均值的目标泛函。本文只处理了 \(E_Q[\Lambda]\) 这种线性泛函。对于分位数、分布函数或其他非线性泛函,运输问题的对偶结构是否仍然成立?作者在结论中说:"extending the transport formulation to nonlinear functionals of the latent distribution is a natural next step, but requires new duality results." 这是一个有挑战性的方向。


提醒:要确认上述开放问题是否真实存在,建议去读该子领域近期约 5 篇论文的引言(例如 Gunsilius 2025、Tan et al. 2026、Gu & Russell 2024、Ober-Reynolds 2023、Voronin 2025)——如果它们都指向同一个缺口,那就是共识;如果互相矛盾,那就是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论