跳转至

Synthetic Control under Out-of-Span Common Shocks: Diagnosis, Exposure Balance and Correction

作者: Rok Spruk
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2610.05535


一、领域脉络与小综述

这个方向是什么:合成控制法(Synthetic Control Method, SCM)是 comparative case study 中最常用的因果推断工具之一。其核心逻辑是:若一个未受处理的供体单元的加权平均能精确复现处理单元在干预前的结果路径,则该加权平均在干预后的外推值即可作为处理单元的反事实。这一逻辑成立的关键假设是,预处理拟合所隐含的权重同时平衡了处理单元与合成控制之间在所有影响结果的未观测共同因子上的暴露。本文研究的是该假设失效的一类特定情形:存在一个可观测的共同冲击(如大宗商品价格),该冲击在预处理期与潜在因子高度相关(甚至共线),但在处理后偏离了这一关系。此时,预处理拟合对冲击暴露的失衡"视而不见",导致处理后偏差。

发展脉络(history):引言将本文置于四条相互交织的文献线索中。

  1. SCM 的奠基与识别假设:Abadie and Gardeazabal (2003) 与 Abadie et al. (2010, 2015) 建立了 SCM 的标准框架,其偏差界依赖于预处理拟合优度与因子数。Abadie et al. (2010) 的经典界要求预处理拟合完美且因子载荷矩阵满秩。本文的 Proposition 1 是对这一界的推广:不要求完美拟合,且允许因子载荷矩阵奇异(即允许共同冲击与潜在因子共线),代价是引入杠杆统计量 κ_t 作为偏差的放大器。
  2. 对预处理拟合不足的修正:Ferman and Pinto (2021) 证明,当预处理拟合不完美时,即使供体数量远大于时期数,SCM 的偏差也不会消失,并提出了去均值(demeaning)等修正。本文的 Proposition 1 与 Corollary 1 进一步指出,存在一类"静默因子"(silent factor),其预处理拟合误差为零(因为被共线的观测冲击吸收),但处理后偏差却可以任意大。这是对 Ferman and Pinto (2021) 结论的补充:预处理拟合不足不是偏差的唯一来源,预处理拟合"过度"(即吸收了本应属于冲击的变异)同样危险。
  3. 增强与修正估计量:Ben-Michael et al. (2021) 提出增强合成控制(Augmented SC),用岭回归修正预处理失配;Arkhangelsky et al. (2021) 提出合成 DiD,引入时间权重以允许时间趋势差异。本文的 EASC 属于同一家族,但增强项不是预处理结果的函数,而是暴露指数的函数。其理论依据是 Proposition 4:当跨供体回归(8)满足稀疏性条件时,EASC 的偏差由预处理期的杠杆 κ_{T0} 控制,而非处理后的 κ_t。这比 Ben-Michael et al. (2021) 的增强项更直接地针对"共同冲击"这一特定偏差源。
  4. 推断方法:传统 SCM 推断依赖置换检验(Abadie et al., 2010)或 conformal inference(Chernozhukov et al., 2021)。本文的 Proposition 5 将 Armstrong and Kolesár (2018, 2020) 的偏误感知置信区间引入 SCM 框架,以 M·κ·RMSPE 为偏误界。其新颖之处在于,偏误界中的 κ 是可计算的(由预处理数据估计),而非 Armstrong and Kolesár 中需要主观设定的光滑性参数。这与 Rambachan and Roth (2023) 的相对幅度界(relative magnitude bounds)思路一致,但将"幅度"具体化为杠杆统计量。

子线索聚类:上述文献可归为三条子线索:(a) 识别与偏差分析(Abadie et al. 2010; Ferman and Pinto 2021; Arkhangelsky and Hirshberg 2023),关注 SCM 在何种条件下无偏;(b) 估计量构造(Ben-Michael et al. 2021; Arkhangelsky et al. 2021; Abadie and L'Hour 2021),通过增强、正则化或重新参数化改进 SCM;(c) 推断与敏感性分析(Firpo and Possebom 2018; Chernozhukov et al. 2021; Rambachan and Roth 2023),关注如何在存在偏误时进行有效推断。本文横跨三条线索:它诊断了 (a) 中的盲区,提出了 (b) 中的新估计量,并借用了 (c) 中的推断工具。

⚠️ 作者的 framing:作者将缺口 frame 为"共同冲击的支撑外变异"(out-of-span common shocks)。具体而言,预处理期观测冲击 x_t 与潜在因子 λ_t 高度相关(R²≈0.92),使得预处理拟合无法识别暴露系数 θ_j;处理后 x_t 偏离 λ_t,导致偏差。作者强调,这一问题是可诊断的(通过偏杠杆 ℓ_t)且部分可纠正的(通过 EASC),但存在不可纠正的残余(Proposition 3 的下界)。作者淡化的竞争路线包括:(i) 将 x_t 直接作为协变量进入 SCM 的匹配(作者指出这等价于在预处理期加入一个与 λ_t 共线的变量,不改变识别问题);(ii) 使用负权重允许外推(作者指出这违反 SCM 的插值逻辑,且不解决支撑问题);(iii) 结构模型(作者认为其需要更强的先验)。什么明显该被引 / 该存在、却没出现在 intro 里?——引言未提及 Doudchenko and Imbens (2016) 关于 SCM 与回归估计量等价性的讨论,也未提及 Arkhangelsky and Hirshberg (2023) 关于供体池选择与偏差-方差权衡的最新结果。这两篇文献与本文的"暴露平衡 vs. 拟合"权衡直接相关,值得读者自行查阅。

张力:未见明显对立引用。但存在一个微妙的张力:Ferman and Pinto (2021) 强调预处理拟合不足是偏差主因,而本文强调预处理拟合"过度"(共线吸收)同样危险。两者并不矛盾,但读者需注意,本文的 Proposition 1 中 κ_t 的定义依赖于 S_0 的广义逆,当 S_0 接近奇异时,κ_t 可能对估计的潜在因子数量极其敏感(见第 6.5 节对 k=1,2,3 的敏感性分析)。


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

  • 单元与时间:J+1 个单元,t=1,…,T。单元 1 在 T_0+1 期接受处理;j=2,…,J+1 为供体。T_0 为预处理期长度。
  • 潜在结果:Y_{jt}^N 为未处理潜在结果;Y_{jt}(1) 为处理潜在结果。观测结果 Y_{jt} = Y_{jt}^N + D_{jt} τ_t,其中 D_{jt}=1 当且仅当 j=1 且 t>T_0。目标 estimand 是 τ_t = Y_{1t}(1) − Y_{1t}^N。
  • 因子模型(Assumption 1):Y_{jt}^N = δ_t + μ_j' λ_t + θ_j' x_t + ε_{jt}。其中:
  • λ_t ∈ R^r:未观测共同因子(含常数项,故 μ_j 含单元固定效应);
  • x_t ∈ R^q:可观测的共同冲击(本文中 q=1,即油价);
  • μ_j ∈ R^r、θ_j ∈ R^q:单元载荷/暴露系数;
  • ε_{jt}:均值为零的噪声,与因子和冲击独立。
  • 权重:w ∈ Δ_J = {w_j ≥ 0, Σ_{j≥2} w_j = 1}。合成控制估计 \hat{τ}t(w) = Y{1t} − Σ_{j≥2} w_j Y_{jt}。
  • 关键派生量:
  • 失衡向量 Δ(w) = β_1 − Σ_{j≥2} w_j β_j,其中 β_j = (μ_j', θ_j')' ∈ R^p,p = r+q。
  • 预处理因子矩阵 G_0(T_0 × p),行向量为 g_t' = (λ_t', x_t')。
  • 预处理二阶矩 S_0 = T_0^{-1} G_0' G_0。
  • 系统失配 η(w) = [Δ(w)' S_0 Δ(w)]^{1/2}(即预处理拟合的加权范数)。
  • 杠杆 κ_t = [g_t' S_0^{-1} g_t]^{1/2}(Mahalanobis 距离)。
  • 偏杠杆 ℓ_t = S_r^{-1/2} r_t,其中 r_t 是 x_t 对 λ_t 回归的残差(见 Corollary 1)。
  • 可观测数据:研究者能观测到所有单元的 Y_{jt}(处理前)、供体的 Y_{jt}(处理后)、观测冲击 x_t、暴露指数 s_j(如石油租金占 GDP 比重)。不能观测到 λ_t、μ_j、θ_j、ε_{jt}。

第二步:最小内核

考虑最简单的情形:r=1(一个潜在因子 λ_t,含常数项)、q=1(一个观测冲击 x_t)、J=2(两个供体 A、B)。设预处理期 T_0 足够长。模型为:

Y_{jt}^N = δ_t + μ_j λ_t + θ_j x_t + ε_{jt}.

核心矛盾:预处理拟合只能识别复合载荷 η_j = μ_j + θ_j · (x_t 对 λ_t 的回归系数)。若预处理期 x_t 与 λ_t 完全共线(例如 x_t = a + b λ_t),则 η_j 可被精确估计,但 μ_j 与 θ_j 不可分离。此时,任何权重 w 只要满足 Σ w_j η_j = η_1(即预处理拟合良好),就自动满足 Σ w_j μ_j = μ_1 和 Σ w_j θ_j = θ_1 的任意线性组合。换言之,预处理拟合对暴露失衡 Δ_θ(w) = θ_1 − Σ w_j θ_j 完全不设防。

杠杆统计量的作用:设预处理期 x_t 与 λ_t 的回归残差为 r_t(预处理期均值为零)。处理后,若 x_t 偏离其与 λ_t 的预处理关系,则 r_t 变大。此时,即使预处理拟合完美(η(w)=0),处理后偏差为:

E[\hat{τ}_t(w) − τ_t] = Δ_μ(w) λ_t + Δ_θ(w) x_t = Δ_θ(w) r_t.

而 Proposition 1 的界 |Δ(w)' g_t| ≤ κ_t η(w) 在这里退化为 |Δ_θ(w) r_t| ≤ κ_t η(w)。关键点:当 η(w)=0 时,这个界是平凡的(0 ≤ 0),但真实偏差 Δ_θ(w) r_t 可以很大。这正是"静默因子"的含义:预处理拟合无法发现它,但处理后它会显现。

偏杠杆与诊断:Corollary 1 将 κ_t^2 分解为 (κ_t^λ)^2 + ℓ_t^2。其中 ℓ_t 是 x_t 对 λ_t 回归的标准化残差。若预处理期 R² 接近 1(如本文的 0.92),则预处理期 ℓ_t 很小;但处理后若 x_t 与 λ_t 脱钩,ℓ_t 会急剧增大。因此,偏杠杆 ℓ_t 是一个无需处理单元处理后结果即可计算的诊断量:它只依赖 x_t 和从供体估计的 λ_t。

凸包与不可纠正性:Proposition 3 表明,若处理单元的暴露 s_1 落在供体暴露的凸包外(本文中 s_1=22.87,供体最大为 16.56),则任何单纯形权重 w 都有 |EI(w)| ≥ d_min = 6.31。此时,即使预处理拟合完美,暴露失衡也至少为 d_min,对应的偏差为 γ d_min r_t。这是 SCM 类方法的固有局限:它只能插值,不能外推。

EASC 的纠正逻辑:当凸包外时,用跨供体回归(8)估计 ϕ_t = Γ'(r_t − r_b)。这个回归利用了供体间的截面变异:不同供体的暴露 s_j 不同,其处理后结果 Y_{jt} − Y_{jb} 的差异中,由 r_t 驱动的部分就是 ϕ_t。只要供体的暴露范围覆盖处理单元(即 s_1 在回归支撑内),ϕ_t 就能识别出 r_t 的效应,即使权重 w 无法平衡暴露。这就是"暴露增强"的含义:用回归代替加权来纠正暴露失衡。

这个最小内核揭示了本文的核心数学贡献:将 SCM 的偏差从"预处理拟合误差"推广为"预处理拟合误差 × 杠杆",并证明杠杆可分解为潜在因子部分和观测冲击部分,后者可通过偏杠杆诊断、通过暴露增强纠正。


三、这篇论文做了什么

三句话: 1. 研究问题:当存在一个可观测的共同冲击(如油价)在预处理期与潜在因子共线、但在处理后偏离时,SCM 的预处理拟合无法识别暴露失衡,导致处理后偏差;本文提出偏杠杆统计量诊断此类"静默因子",并证明单纯形权重在凸包外时存在不可消除的暴露偏差下界。 2. 核心方法:推导杠杆界(Proposition 1)及其分解(Corollary 1),提出暴露平衡(EBSC-min)与暴露增强(EASC)两类修正,并构造偏误感知置信区间(Proposition 5)。 3. 主要结论:EASC 在跨供体回归正确设定下可消除暴露偏差,其残余偏差由预处理期杠杆 κ_{T0} 控制;但若处理单元在供体暴露凸包外且存在未观测的单元特异性冲击,则任何方法都无法识别长期效应。伊朗案例中,2012-15 年约 12% 的产出损失稳健,2016 年后的持续损失不稳健。

关键设定与假设(在第二节基础上补全): - Assumption 1(因子模型):Y_{jt}^N = δ_t + μ_j'λ_t + θ_j'x_t + ε_{jt}。相比 Abadie et al. (2010) 的假设,本文不要求预处理拟合完美,不要求 S_0 可逆(允许共线),不要求 ε_{jt} 同方差。代价是偏差界变为 κ_t η(w),其中 κ_t 可能很大。 - Assumption 2(暴露指数):θ_j = Γ s_j,s_j 为已知的预处理期暴露指数(如石油租金占 GDP 比重)。这是 EASC 可纠正性的关键:暴露是可观测的且线性进入模型。若暴露不可观测或非线性,EASC 失效。 - Assumption 3(跨供体回归的稀疏性):E[μ̃j | s_j, c_j] = α_0 + Π c_j,且 E[ε{jt} − ε_{jb} | s_j, c_j] = 0。这里 c_j 是供体的预处理增长特征。该假设意味着,在控制预处理增长后,供体的复合载荷与暴露无关。这是强假设:它排除了"暴露与潜在载荷相关"的情形(即高暴露供体恰好有更快的内在增长)。作者在附录 Remark ?? 中承认,当 S_r > 0 时该假设仅近似成立。 - 支撑条件:s_1 ∈ [min s_j, max s_j](凸包内)或 s_1 在凸包外但被回归支撑覆盖。前者是 EBSC-min 可行的条件,后者是 EASC 可行的条件。

主要结果(按逻辑顺序): - Lemma 1(误差分解):\hat{τ}_t(w) − τ_t = Δ(w)'g_t + u_t(w)。将偏差分解为系统性部分(失衡 × 因子)和噪声部分。 - Proposition 1(杠杆界):|Δ(w)'g| ≤ t η(w)。这是全文的基石。κ 是 g_t 在 S_0 度量下的 Malanobis 长度。关键推论:(i) 即使 η(w)=0(完美预处理拟合),偏差也可能非零,因为 κ 可以任意大;(ii) κ_t^2 的理平均等于 p(因子数),所以预处理期 κ 的典型值为 √p,但处理后可以远大于此- Corolly 1(静默因子分解):κ_t^2 = (κ_t^λ)^2 + ℓ_2。ℓ 是 对 λ_t 回归的标准化残差。**诊断价值*预处理 R² 高(ℓ 小味着静默因子存在;处理后 ℓ_t 大意味着偏差风险高。该分解完全基于可观测数据(x_t 和从供体估计的 λ_t),不依赖处理单元的结果。 - Proposition 2(暴露平衡):若 EI(w)=0,则偏差中不含 r_t 项。这为 EBSC-min 提供了理论依据:在凸包内,可以通过约束 EI(w)=0 来消除静默因子偏差,代价是预处理拟合变差(η(w) 增大)。 - Proposition 3(凸包与下界):若 s_1 ∉ conv{s_j},则 min_w |EI(w)| = d_min > 0。任何单纯形权重都有至少 d_min 的暴露失衡。这是不可能性结果:SCM 类方法(包括惩罚变体)无法消除暴露偏差。 - Proposition 4(EASC 的识别):在 Assumption 3 下,跨供体回归(8)的系数 ϕ_t 满足 E[ϕ_t] = Γ'(r_t − r_b)。因此,EASC 的偏差为 Δ̃(w)'λ_t + EI(w)'(ϕ_t − \hat{ϕ}_t) + u_t(w)。关键:当 \hat{ϕ}_t 一致估计 ϕ_t 时,暴露偏差从 EI(w)Γ'r_t 降为 EI(w)'(ϕ_t − \hat{ϕ}_t),其大小由估计误差而非 r_t 本身决定。若供体暴露覆盖 s_1,则 \hat{ϕ}_t 的方差随供体数量增大而减小。 - Proposition 5(偏误感知置信区间):在噪声正态且偏差界 B = M·κ·RMSPE 下,区间 [\bar{τ} ± σ·cv(M·RMSPE/σ)] 覆盖 τ_T 的概率至少为 1−α。cv_α(ρ) 是 |N(0,1)+ρ| 的分位数。关键:M 是敏感性参数,报告 M*(使区间不含零的最大 M)比报告单一置信区间更稳健。

证明路线与技术技巧: - 整体路线:从 Lemma 1 的分解出发,用 Cauchy-Schwarz 不等式得到 Proposition 1 的杠杆界。然后通过投影(将 x_t 对 λ_t 回归)得到 Corollary 1 的分解。Proposition 2 和 3 是凸分析(单纯形上的线性约束)。Proposition 4 的关键是跨供体回归的识别:利用 Assumption 3 的均值独立性,证明回归系数收敛到 Γ'(r_t − r_b)。Proposition 5 是 Armstrong-Kolesár 框架的直接应用。 - 关键技巧: 1. 广义逆:S_0 可能奇异(共线),故用 S_0^+ 而非 S_0^{-1}。这使 κ_t 在 S_0 奇异时仍可定义(取零特征值方向上的投影为零)。 2. 偏杠杆的构造:ℓ_t = S_r^{-1/2} r_t,其中 S_r 是 r_t 的预处理均方。这保证了 ℓ_t 的无量纲性,使其可跨期比较。 3. 双重稳健性:EASC 的偏差项中,EI(w) 与 (ϕ_t − \hat{ϕ}_t) 是乘积形式。因此,只要权重平衡暴露(EI≈0)或回归一致(\hat{ϕ}_t≈ϕ_t),偏差就小。这是双重稳健估计的思想。 4. 崩溃值(breakdown value):M* 的计算只需解一个方程,无需模拟,计算成本低。

真实例子与应用: - 数据:29 年(1996-2024)的跨国面板,处理单元为伊朗,19 个正常化供体(+2 个高暴露供体构成暴露可行池)。结果变量为 log GDP per capita (PPP)。暴露指数为石油租金占 GDP 比重(1996-2011 均值)。油价为 Brent 对数价格。 - 诊断结果:预处理期油价对两个潜在因子的回归 R²=0.92,偏杠杆 ℓ_t 在预处理期 |ℓ_t|≤1.8,但 2015 年后 |ℓ_t| 达到 6-11。这确认了油价是一个静默因子。SC 的 EI(\hat{w}) = 15.5 个百分点,远大于 d_min=6.31。 - 估计结果:标准 SCM 给出 2012-15 年损失约 12%,2016-24 年持续损失约 8-9%。EASC 在暴露可行池上给出 2012-15 年损失 12%(与 SCM 一致),但 2016-17 年效应接近零,2018-24 年为正(约 +11%)。EBSC-min 在正常化池上不可行(d_min=6.31 导致预处理 RMSPE 高达 0.35),在暴露可行池上给出与 EASC 相近的结果。 - 推断:SC 的 placebo p 值在 2012-15 年为 0.05(最小可能值),但 EASC 的 placebo p 值为 0.09。偏误感知区间显示,2012-15 年效应在 M≤0.41 时排除零,而 2018-24 年效应在 M=0 时已包含零。例子想说明:SC 的"显著"结果部分源于静默因子偏差,而非制裁效应;EASC 将这一偏差分离出来,显示长期效应不可识别。

🔎 结论是否比证明窄: - 论文在 Proposition 4 中假设暴露指数 s_j 是已知且无测量误差的。但在第 6.6 节,作者承认石油租金是内生的(受制裁影响),因此用 1996-2011 均值作为预处理值。这实际上假设了暴露指数在预处理期不受预期制裁影响,这是一个无法检验的假设。论文未对此进行正式讨论。 - Proposition 5 的置信区间要求噪声正态且已知 σ。作者用 placebo 估计 σ,但 placebo 分布可能不是纯噪声(如第 6.5 节所述,静默因子同样影响 placebo)。论文未给出 σ 估计的正式理论。 - 论文声称"EASC 的偏差由 κ_{T0} 控制"(Proposition 4d),但 κ_{T0} 是预处理期的杠杆,若处理后 λ_t 也偏离预处理范围(不仅仅是 x_t 偏离),则 κ_{T0} 可能低估真实杠杆。作者在附录 Remark ?? 中承认这一点,但未给出定量界。 - 最窄的环节:Assumption 3 的跨供体均值独立性。论文的蒙特卡洛设计 S8 检验了"载荷与暴露相关"的情形,结果显示 EASC 仍有偏(bias 0.074),但论文将此归因于"处理单元位于潜在载荷分布边缘"(S10),而非 Assumption 3 的失效。读者需注意,S8-S10 的区分在有限样本中可能不清晰。


四、开放问题

  1. 暴露指数的选择与内生性(扎根于第 6.6 节):论文用预处理期石油租金均值作为暴露指数,但若制裁预期在 2011 年前已影响伊朗的石油部门(如投资下降),则 s_1 本身是内生的。如何构造不受预期影响的暴露指数?能否用地理或地质特征(如储量、开采成本)作为工具变量?这是一个可直接上手的问题——需要形式化"暴露指数的外生性条件"并推导偏差公式。

  2. 跨供体回归的设定检验(扎根于 Proposition 4 与 Assumption 3):论文的 EASC 依赖回归(8)的正确设定,但仅通过蒙特卡洛检验了少数偏离情形。能否构造一个基于数据的检验,判断"供体载荷与暴露无关"是否成立?例如,利用供体间的预处理子时期稳定性:若回归系数 ϕ_t 在预处理子时期间不稳定,则说明存在未控制的载荷-暴露相关性。这需要推导检验统计量的零分布。

  3. 杠杆统计量的推断性质(扎根于 Proposition 1 与第 4.1 节):论文将 κ_t 作为确定性量,但 λ_t 和 S_0 是从供体估计的,存在估计误差。κ_t 的置信区间如何构造?能否用 bootstrap 或 delta method?这直接影响 M* 的可靠性——目前 M* 是点估计,没有不确定性度量。

  4. 多维暴露与非线性暴露(扎根于 Assumption 2 与 Remark 1):论文假设暴露是线性的(θ_j = Γ s_j)。若暴露是非线性的(如石油租金对 GDP 的凹函数),或存在多个共同冲击(油价、汇率、利率),EASC 的回归需要如何扩展?能否用非参数回归替代线性回归(8)?这需要重新推导 Proposition 4 的偏差界。

  5. 静默因子的可检测性极限(扎根于 Corollary 1 与第 6.5 节):论文的静默因子诊断依赖预处理期 R² 接近 1。但 R² 多高才算"接近"?是否存在一个形式化的检验,其功效取决于 T_0、J 和因子数?这可以转化为一个 minimax 检测问题:在给定信噪比下,静默因子能被检测到的最小强度是多少?

  6. 偏误感知区间的最优性(扎根于 Proposition 5):论文的区间在给定 M 下是保守的(覆盖至少 1−α),但可能过宽。能否构造自适应的 M 选择规则,例如基于预处理拟合的残差分布?或者,能否将 M 视为未知参数,用经验贝叶斯方法估计其分布?这需要将 Armstrong-Kolesár 框架与 SCM 的有限样本性质结合。

  7. 多个处理单元与交错采用(扎根于第 7 节的扩展讨论):论文只考虑单一处理单元和单一处理时点。当存在多个处理单元(如多个受制裁国家)或交错采用时,静默因子问题如何影响估计?EASC 的暴露增强能否扩展到 panel 数据中的交错 DID 设定?这需要重新定义"暴露平衡"在多个处理单元下的含义。

  8. 计算与实现(扎根于第 4.2 节与附录 F):论文的 EASC 需要求解凸二次规划(11),但未讨论大规模供体池(J > 1000)时的计算效率。能否利用暴露平衡约束的稀疏性,设计更快的算法?或者,能否将 (11) 重新参数化为一个标准的 lasso 问题,从而利用现成的高维优化工具?

提醒:要确认某条是不是真 gap,去读同子领域近期约 5 篇的 intro——都指向它 = 共识(真 gap),互相打架 = 机会。例如,问题 1 与 2 在最近的 SCM 文献(如 Arkhangelsky and Hirshberg 2023; Abadie and Vives-i Bastida 2022)中已有讨论,但问题 4 与 5 似乎较少被触及。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论