Comment: Performance of Double-Robust Estimators When ``Inverse Probability'' Weights Are Highly Variable¶
作者: James Robins, Mariela Sued, Quanhong Lei-Gomez, Andrea Rotnitzky
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/0804.2965
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双重稳健(Double-Robust, DR)估计量的有限样本行为研究,核心关注点在于:当倾向得分(propensity score)模型被错误设定、且逆概率权重(inverse probability weights)高度可变时,DR 估计量是否仍然可靠。这个问题的根本张力在于:DR 估计量的理论保证(一致性与渐近正态性)建立在"至少一个模型正确"的渐近框架下,但有限样本中,即使满足理论条件,极端权重的出现也可能导致估计量的实际表现远差于理论预期。该方向处于半参数效率理论与实际数据分析的交界处,成熟度较高但仍有大量未解决的问题。
发展脉络¶
- 奠基工作:Robins, Rotnitzky 和 Zhao (1995) 在 JASA 上提出了增强逆概率加权(AIPW)估计量的框架,奠定了 DR 估计量的理论基础。该工作证明了 DR 估计量在倾向得分或结果回归模型之一正确时具有一致性,并给出了半参数效率界。这是本文所有讨论的起点。
- DR 估计量的推广与系统化:Bang 和 Robins (2005) 在 Biometrics 上将 DR 思想推广到纵向数据和因果推断场景,提出了"双重稳健估计"这一术语,并给出了构造 DR 估计量的系统方法。本文开头引用的"routine use of DR estimators"即出自此文。Robins 和 Wang (2000) 在 Biometrika 上关于插补估计量的论文则首次明确提出了"当逆概率权重方差很大时,DR 估计量可能表现不佳"的警告——这是本文的核心出发点。
- DR 估计量的多样性:Robins (2000)、Robins (2002)、Tan (2006) 和 van der Laan 与 Robins (2003) 分别提出了不同的 DR 估计量构造方法。Tan (2006) 特别关注了权重的经验校准(empirical calibration),试图通过约束估计方程来降低权重变异性。van der Laan 与 Rubin (2006) 提出的 Targeted Maximum Likelihood Estimation (TMLE) 则是另一种构造 DR 估计量的途径。
- 高阶影响函数与多鲁棒性:Robins, Li, Tchetgen 和 van der Vaart (2007) 提出了高阶影响函数理论,将 DR 估计量推广为 m-鲁棒估计量(m-robust estimators),即当 m 个模型中有任意一个正确时估计量保持一致。这一工作将 DR 估计量从 2-鲁棒推广到任意阶,但代价是估计量成为 (m−1) 维 U-统计量,其计算复杂度和有限样本变异性都显著增加。本文的第七节"Further Considerations"直接引用了这一工作,并指出 m-鲁棒估计量的有限样本性质尚未被研究——这是本文留下的一个重要缺口。
- Kang 与 Schafer 的模拟研究:Kang 和 Schafer (2007) 的原始论文(本文所评论的对象)通过精心设计的模拟实验展示了 DR 估计量在"两个模型都轻微错误设定"时的灾难性表现,引发了关于 DR 估计量实用性的广泛争论。本文是对该论文的正式评论。
子线索聚类¶
- DR 估计量的构造与效率:这条线索关注如何构造 DR 估计量使其在模型正确时达到半参数效率界。代表工作:Robins, Rotnitzky 和 Zhao (1995)、Bang 和 Robins (2005)、Tan (2006)、van der Laan 与 Rubin (2006)。核心问题是:不同的 DR 估计量在有限样本中的表现差异有多大?是否存在一个"最优"的 DR 估计量?
- DR 估计量的鲁棒性边界:这条线索关注 DR 估计量在模型错误设定下的行为。代表工作:Robins 和 Wang (2000)、Kang 和 Schafer (2007)、本文。核心问题是:当两个模型都错误时,DR 估计量的偏差有多大?能否通过权重截断、协变量扩展等策略降低风险?
- 高阶鲁棒性与高阶影响函数:这条线索试图超越双重鲁棒性,构造对多个模型同时错误设定都鲁棒的估计量。代表工作:Robins, Li, Tchetgen 和 van der Vaart (2007)。核心问题是:m-鲁棒估计量的最优收敛速率是什么?其有限样本性质如何?
这个方向在追问的核心问题¶
- DR 估计量的"双重鲁棒性"在有限样本中是否真的成立? 当两个模型都轻微错误设定时,DR 估计量的偏差是否可控?Kang 和 Schafer 的模拟表明答案是否定的,但本文作者认为这取决于具体的错误设定模式。
- 如何在高维或复杂数据中可靠地估计倾向得分? 当协变量维度很高时,倾向得分模型的错误设定几乎是不可避免的,此时 DR 估计量的表现如何?
- 是否存在比 DR 估计量更鲁棒的替代方法? 本文提出的"有界"DR 估计量(bounded DR estimators)和 m-鲁棒估计量是两种候选方案,但它们的理论性质和实际表现仍需进一步研究。
⚠️ 作者的 framing(这是作者的说法)¶
作者将 Kang 和 Schafer 的模拟结果重新解读为:"Kang 和 Schafer 的模拟实验并非展示了 DR 估计量的普遍缺陷,而是展示了一个特定数据生成过程下、特定错误设定模式导致的极端情况。" 作者认为,Kang 和 Schafer 选择的数据生成过程具有三个特殊特征:(1) 倾向得分与结果回归模型都严重错误设定;(2) 逆概率权重的方差极大(部分权重超过 17,000);(3) 结果回归模型对非响应单元的预测几乎完全失败。作者强调,"这些特征共同作用才导致了 DR 估计量的灾难性表现,而单独任何一个特征都不足以产生如此极端的结果。" 作者进一步提出,"有界"DR 估计量(通过权重截断或协变量扩展实现)可以在保持双重鲁棒性的同时避免极端权重的影响。作者淡化了 Kang 和 Schafer 的核心结论——即 DR 估计量在实际应用中可能不可靠——而将问题重新定义为"如何构造更好的 DR 估计量"。 值得注意的是,作者在第七节承认 m-鲁棒估计量的有限样本性质"尚未被研究"("have yet to be studied even by simulation"),这实际上是对 DR 估计量家族整体可靠性的一种隐含保留。
张力¶
未见明显对立引用。 但存在一个微妙的张力:Robins 等人自己的早期工作(Robins, Rotnitzky 和 Zhao, 1995)强调了 DR 估计量的渐近最优性,而本文则承认在有限样本中 DR 估计量可能表现不佳。这种张力在作者对 m-鲁棒估计量的讨论中最为明显——他们承认 m-鲁棒估计量虽然理论性质更好,但"有限样本性质尚未被研究",这暗示了理论最优性与实际可靠性之间的潜在冲突。
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¶
设定:缺失数据问题。我们观测到 \(n\) 个独立同分布的样本 \(O_i = (T_i, X_i, T_i Y_i)\),其中:
- \(T_i \in \{0, 1\}\):响应指示变量(\(T_i = 1\) 表示第 \(i\) 个单元的 \(Y\) 被观测到)
- \(X_i \in \mathbb{R}^d\):协变量向量(始终可观测)
- \(Y_i \in \mathbb{R}\):感兴趣的结果变量(仅当 \(T_i = 1\) 时可观测)
目标量(estimand):总体均值 \(\mu = E(Y)\)。
缺失机制假设:响应缺失是随机的(MAR),即 \(T \perp Y \mid X\)。这意味着给定协变量 \(X\),\(Y\) 的缺失不依赖于 \(Y\) 本身。
模型: - 倾向得分模型:\(\pi(X; \alpha) = P(T = 1 \mid X)\),参数化模型,例如 logistic 回归 \(\pi(X; \alpha) = \text{expit}(X^T \alpha)\)。真实倾向得分记为 \(\pi_0(X)\)。 - 结果回归模型:\(m(X; \beta) = E(Y \mid X, T = 1)\),参数化模型,例如线性回归 \(m(X; \beta) = X^T \beta\)。真实结果回归记为 \(m_0(X)\)。
估计量: - 逆概率加权(IPW)估计量:\(\hat{\mu}_{IPW} = P_n\{T Y / \hat{\pi}(X)\}\),其中 \(\hat{\pi}(X)\) 是 \(\pi_0(X)\) 的估计。 - 回归估计量:\(\hat{\mu}_{REG} = P_n\{\hat{m}(X)\}\),其中 \(\hat{m}(X)\) 是 \(m_0(X)\) 的估计。 - 双重稳健(DR)估计量(两种形式): - 非标准化形式:\(\hat{\mu}_{DR}(\hat{\pi}, \hat{m}) = P_n\{\hat{m}(X)\} + P_n\left[\frac{T}{\hat{\pi}(X)}\{Y - \hat{m}(X)\}\right]\) - 标准化(有界)形式:\(\hat{\mu}_{B-DR}(\hat{\pi}, \hat{m}) = P_n\{\hat{m}(X)\} + \frac{P_n[T/\hat{\pi}(X)\{Y - \hat{m}(X)\}]}{P_n\{T/\hat{\pi}(X)\}}\)
关键性质:DR 估计量在以下两种情况下都是一致且渐近正态的(CAN): 1. 倾向得分模型正确(\(\pi(X; \alpha^*) = \pi_0(X)\)),无论结果回归模型是否正确; 2. 结果回归模型正确(\(m(X; \beta^*) = m_0(X)\)),无论倾向得分模型是否正确。
可观测数据:研究者观测到 \((T_i, X_i, T_i Y_i)\),即每个单元要么有完整的 \((X_i, Y_i)\)(当 \(T_i = 1\)),要么只有 \(X_i\)(当 \(T_i = 0\))。关键点:\(Y\) 对非响应单元(\(T_i = 0\))是完全不可观测的,因此无法直接验证结果回归模型的正确性。
第二步:最小内核¶
核心问题:当倾向得分模型和结果回归模型都错误设定时,DR 估计量会怎样?
最小例子:考虑最简单的设定——\(X\) 是一维的,真实数据生成过程为:
- \(X \sim N(0, 1)\)
- 真实倾向得分:\(\pi_0(X) = \text{expit}(0.5 + X)\)(即 \(\logit(\pi_0(X)) = 0.5 + X\))
- 真实结果回归:\(E(Y \mid X, T = 1) = 1 + X\),\(Y = 1 + X + \varepsilon\),\(\varepsilon \sim N(0, 1)\)
错误设定:研究者错误地假设: - 倾向得分模型:\(\logit(\pi(X; \alpha)) = \alpha_0\)(仅截距,不含 \(X\)) - 结果回归模型:\(m(X; \beta) = \beta_0\)(仅截距,不含 \(X\))
DR 估计量的行为:
-
当两个模型都正确时:\(\hat{\mu}_{DR}\) 是 \(\mu\) 的一致估计量,且达到半参数效率界。这是理论保证的理想情形。
-
当倾向得分模型正确、结果回归模型错误时:\(\hat{\mu}_{DR}\) 仍然一致。这是因为 DR 估计量的关键性质:只要倾向得分模型正确,结果回归模型的错误不会影响一致性。直观上,IPW 部分 \(\frac{T}{\hat{\pi}(X)}Y\) 通过倾向得分正确加权,消除了选择偏差。
-
当结果回归模型正确、倾向得分模型错误时:\(\hat{\mu}_{DR}\) 仍然一致。此时回归部分 \(P_n\{\hat{m}(X)\}\) 提供了正确的均值估计,而 IPW 校正项 \(\frac{T}{\hat{\pi}(X)}\{Y - \hat{m}(X)\}\) 在期望上为零(因为 \(E[T\{Y - m_0(X)\}/\pi_0(X)] = 0\))。
-
当两个模型都错误时:\(\hat{\mu}_{DR}\) 一般不一致。偏差的大小取决于错误设定的严重程度和权重 \(\frac{1}{\hat{\pi}(X)}\) 的变异性。
Kang 和 Schafer 模拟的核心发现:在"两个模型都轻微错误设定"的情况下,DR 估计量的偏差可以非常大,甚至比简单的 IPW 或回归估计量更差。本文作者通过"解构"Kang 和 Schafer 的数据生成过程,揭示了这一现象的三个关键机制:
-
权重极端化:当倾向得分模型错误设定时,某些单元的估计倾向得分 \(\hat{\pi}(X)\) 可能非常小(如 \(< 0.001\)),导致权重 \(\frac{1}{\hat{\pi}(X)}\) 极大(如 \(> 1000\))。这些极端权重单元对估计量的影响不成比例地大。
-
残差与权重相关:当结果回归模型也错误设定时,极端权重单元的残差 \(Y - \hat{m}(X)\) 往往也很大(因为错误设定的回归模型对这些"异常"单元预测很差)。权重与残差的乘积 \(\frac{T}{\hat{\pi}(X)}\{Y - \hat{m}(X)\}\) 因此变得极大且符号不稳定。
-
标准化 vs 非标准化:标准化(有界)DR 估计量 \(\hat{\mu}_{B-DR}\) 通过除以 \(P_n\{T/\hat{\pi}(X)\}\) 来归一化权重,这在一定程度上缓解了极端权重的影响,但并不能完全消除偏差。
本文作者的核心洞察:Kang 和 Schafer 的模拟结果并非 DR 估计量的普遍失败,而是特定数据生成过程下"权重极端化 + 残差相关"的联合效应。作者提出,通过构造"有界"DR 估计量(例如,在结果回归模型中添加 \(\hat{\pi}(X)^{-1}\) 作为协变量,或使用权重截断),可以在保持双重鲁棒性的同时避免极端权重的影响。
最小内核的数学本质:DR 估计量的偏差可以分解为:
当两个模型都错误时,第一项(由结果回归错误引起)和第二项(由倾向得分错误引起)都不为零,且它们的符号可能相同(导致偏差累积)或相反(导致偏差抵消)。Kang 和 Schafer 的模拟展示了偏差累积的情形。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:本文是对 Kang 和 Schafer (2007) 关于 DR 估计量在逆概率权重高度可变时表现不佳的模拟研究的正式评论,旨在重新解读其结论并评估 DR 估计量的实际可靠性。
- 核心工具 / 方法:作者通过"解构"Kang 和 Schafer 的数据生成过程,识别出导致 DR 估计量表现不佳的三个关键机制(权重极端化、残差与权重相关、模型错误设定的联合效应),并提出"有界"DR 估计量作为改进方案。
- 主要结论:Kang 和 Schafer 的模拟结果并非 DR 估计量的普遍失败,而是特定数据生成过程下的极端情况;通过构造"有界"DR 估计量(如权重截断或协变量扩展),可以在保持双重鲁棒性的同时显著改善有限样本表现。
关键设定与假设¶
数据生成过程(Kang 和 Schafer 的设定): - 协变量 \(Z = (Z_1, Z_2, Z_3, Z_4)\) 独立同分布,\(Z_j \sim N(0, 1)\) - 真实倾向得分:\(\pi_0(Z) = \text{expit}(-Z_1 + 0.5Z_2 - 0.25Z_3 - 0.1Z_4)\) - 真实结果回归:\(E(Y \mid Z, T = 1) = 210 + 27.4Z_1 + 13.7Z_2 + 13.7Z_3 + 13.7Z_4\),\(Y = E(Y \mid Z, T = 1) + \varepsilon\),\(\varepsilon \sim N(0, 1)\) - 分析中使用的协变量 \(X = (X_1, X_2, X_3, X_4)\) 是 \(Z\) 的非线性变换:\(X_1 = \exp(Z_1/2)\),\(X_2 = Z_2/(1 + \exp(Z_1))\),\(X_3 = (Z_1 Z_3/25 + 0.6)^3\),\(X_4 = (Z_2 + Z_4 + 20)^2\)
关键假设: - MAR 假设:\(T \perp Y \mid Z\)(响应缺失仅依赖于 \(Z\),不依赖于 \(Y\)) - 模型错误设定:研究者使用线性 logistic 模型 \(\text{expit}(\alpha^T X)\) 拟合倾向得分,使用线性回归模型 \(\beta^T X\) 拟合结果回归,但真实模型是非线性的 - 权重变异性:在 Kang 和 Schafer 的设定下,真实倾向得分 \(\pi_0(Z)\) 的范围约为 \([0.01, 0.99]\),但错误设定的 logistic 模型产生的估计倾向得分 \(\hat{\pi}(X)\) 可能远小于真实值,导致权重 \(\frac{1}{\hat{\pi}(X)}\) 的变异系数极大
相比已有工作的变化: - 相比 Robins, Rotnitzky 和 Zhao (1995) 的渐近理论,本文关注有限样本行为 - 相比 Kang 和 Schafer (2007) 的模拟研究,本文提供了对模拟结果的机制性解释 - 相比 Robins, Li, Tchetgen 和 van der Vaart (2007) 的高阶影响函数理论,本文关注的是实际可用的改进方案
主要结果¶
理论结果:
-
OLS 估计量作为 DR 估计量(第三节):作者证明,当倾向得分模型为线性逆概率模型 \(\pi(X; \alpha) = 1/(X^T \alpha)\) 时,OLS 回归估计量 \(\hat{\mu}_{OLS}\) 本身就是一个 DR 估计量。具体地,\(\hat{\mu}_{OLS} = P_n\{\hat{m}_{OLS}(X)\}\) 满足 DR 性质:当线性逆概率模型正确或线性结果回归模型正确时,\(\hat{\mu}_{OLS}\) 都是一致估计量。这一结果揭示了 DR 估计量与普通回归估计量之间的深层联系。
-
有界 DR 估计量的构造(第四节):作者提出两类"有界"DR 估计量:
- 回归型:在结果回归模型中添加 \(\hat{\pi}(X)^{-1}\) 作为额外协变量,即 \(\hat{m}_{EXT-REG}(X) = \Phi(X^T \tilde{\beta} + \tilde{\phi} \hat{\pi}(X)^{-1})\),其中 \((\tilde{\beta}, \tilde{\phi})\) 通过加权估计方程求解。这保证了 \(\hat{\mu}_{DR}(\hat{\pi}, \hat{m}_{EXT-REG}) = P_n\{\hat{m}_{EXT-REG}(X)\}\) 具有有界性。
-
加权型:使用标准化权重 \(\frac{T/\hat{\pi}(X)}{P_n\{T/\hat{\pi}(X)\}}\) 替代原始权重 \(T/\hat{\pi}(X)\),即 \(\hat{\mu}_{B-DR}(\hat{\pi}, \hat{m})\)。这保证了估计量落在 \([Y_{min}, Y_{max}]\) 内。
-
敏感性分析框架(第六节):作者提出一种基于模型平均的敏感性分析方法:拟合多个倾向得分模型和多个结果回归模型,计算所有组合下的 DR 估计量 \(\hat{\mu}_{ij}\),然后通过检验同质性假设 \(H_{pi}: E_A(\hat{\mu}_{i1}) = E_A(\hat{\mu}_{ij})\) 来评估模型错误设定的影响。
模拟结果:
-
Kang 和 Schafer 模拟的复现(第五节):作者复现了 Kang 和 Schafer 的模拟,确认了其核心发现——当两个模型都错误设定时,DR 估计量 \(\hat{\mu}_{DR}(\hat{\pi}, \hat{m}_{REG})\) 的偏差和方差都很大。但作者进一步发现,这一结果主要由少数极端权重单元驱动:在 1000 次模拟中,有约 1% 的样本包含权重超过 17,000 的单元,这些单元对估计量的影响不成比例地大。
-
有界 DR 估计量的表现(第五节):在 Kang 和 Schafer 的设定下,有界 DR 估计量 \(\hat{\mu}_{B-DR}(\hat{\pi}, \hat{m}_{REG})\) 和 \(\hat{\mu}_{DR}(\hat{\pi}, \hat{m}_{EXT-REG})\) 的偏差和 MSE 均显著小于非有界 DR 估计量。例如,在样本量 \(n = 1000\)、两个模型都错误的情况下,\(\hat{\mu}_{B-DR}\) 的 MSE 约为 \(\hat{\mu}_{DR}\) 的 1/10。
-
反向模拟(第五节):作者进行了"反向"模拟,即分析 \(T = 0\) 的子样本(相当于将响应指示变量反转)。在这一设定下,OLS 估计量的表现远差于 DR 估计量,说明 Kang 和 Schafer 的结论依赖于特定的数据生成过程。
技术技巧:
-
估计方程的代数操作:作者通过将 DR 估计量重写为加权估计方程的解,展示了不同 DR 估计量之间的等价关系。例如,\(\hat{\mu}_{DR}(\hat{\pi}, \hat{m}_{REG})\) 可以重写为 \(\hat{\mu}_{OLS} + P_n\left[\frac{T - \hat{\pi}(X)}{\hat{\pi}(X)}\{Y - \hat{m}_{REG}(X)\}\right]\),这一分解揭示了 DR 估计量的偏差来源。
-
有界性论证:作者利用凸组合的性质证明有界 DR 估计量的有界性。具体地,\(\hat{\mu}_{B-DR}(\hat{\pi}, \hat{m}) = \sum_{i: T_i=1} w_i Y_i + \sum_{i: T_i=0} \hat{m}(X_i)\) 的权重 \(w_i\) 满足 \(\sum w_i = 1\) 且 \(w_i \geq 0\),因此估计量落在 \([Y_{min}, Y_{max}]\) 内。
-
模拟设计的"解构":作者通过改变 Kang 和 Schafer 数据生成过程的各个组成部分(如倾向得分的非线性程度、结果回归的噪声水平、协变量的分布),识别出导致 DR 估计量表现不佳的关键因素。
🔎 结论是否比证明窄¶
是,存在明显的"证明窄于结论"的情况:
-
有界 DR 估计量的理论性质未被严格证明:作者在第四节提出了有界 DR 估计量的构造,但没有给出其渐近性质的严格证明。文中仅通过模拟展示了其有限样本优势,但未证明其在模型错误设定下的一致性、收敛速率或效率损失。作者在文中承认:"The finite sample properties of m-robust estimators have yet to be studied even by simulation"(第七节),这实际上是对整个 DR 估计量家族理论完备性的保留。
-
敏感性分析框架缺乏理论保证:第六节提出的基于模型平均的敏感性分析方法,没有给出检验统计量的渐近分布。作者仅提出"选择 p 值最大的模型组合"这一启发式规则,但未证明该规则的最优性或有效性。
-
"OLS 作为 DR 估计量"的结果依赖于特定模型设定:第三节的结论依赖于线性逆概率模型 \(\pi(X; \alpha) = 1/(X^T \alpha)\) 这一特殊设定。作者没有讨论这一结果对更一般的倾向得分模型(如 logistic 回归)是否成立。
-
模拟结论的推广性有限:作者通过"反向"模拟展示了 Kang 和 Schafer 结论的局限性,但没有给出一般性的条件——即在什么条件下 DR 估计量会表现不佳,在什么条件下表现良好。作者在第五节末尾承认:"no single estimator dominates in all settings"。
四、开放问题¶
-
有界 DR 估计量的渐近理论:本文提出了有界 DR 估计量并展示了其有限样本优势,但未给出其渐近分布、收敛速率或效率损失的理论刻画。要证明什么:在倾向得分模型和结果回归模型都错误设定时,有界 DR 估计量的偏差阶数、方差阶数以及最优收敛速率。扎根于本文第七节:"The finite sample properties of m-robust estimators have yet to be studied even by simulation"。
-
m-鲁棒估计量的最优收敛速率:Robins, Li, Tchetgen 和 van der Vaart (2007) 证明了 m-鲁棒估计量的存在性,但未给出其最优收敛速率。要证明什么:当 m 个模型中有任意一个正确时,m-鲁棒估计量能达到的最优收敛速率是多少?是否可以通过高阶 U-统计量的理论来刻画?扎根于本文第七节对 m-鲁棒估计量的讨论。
-
模型选择与敏感性分析的理论保证:本文提出的基于模型平均的敏感性分析方法缺乏理论保证。要证明什么:如何设计一个检验统计量来检验同质性假设 \(H_{pi}\),并给出其渐近分布?如何证明"选择 p 值最大的模型组合"这一规则的最优性?扎根于本文第六节。
-
DR 估计量表现不佳的一般条件:本文通过"反向"模拟展示了 Kang 和 Schafer 结论的局限性,但未给出一般性的条件。要证明什么:在什么条件下(如倾向得分与结果回归的相关结构、权重的变异系数、协变量的维度),DR 估计量会表现不佳?是否可以给出一个可操作的诊断指标?扎根于本文第五节对模拟结果的"解构"。
-
高维设定下的 DR 估计量:本文的讨论限于低维参数模型。当协变量维度 \(d\) 随样本量 \(n\) 增长时,DR 估计量的行为如何?Lasso 或其它正则化方法估计倾向得分和结果回归时,DR 估计量的有限样本性质如何?扎根于本文第六节对高维协变量的讨论。
提示:若要确认上述开放问题是否为真 gap,建议阅读以下近期文献的引言部分:(1) 关于 DR 估计量有限样本性质的近期工作(如 2015 年后在 Biometrika、JRSS-B 上的相关论文);(2) 关于高维 DR 估计量的工作(如 Farrell 2015, Econometrica;Chernozhukov et al. 2018, Econometrics Journal);(3) 关于 m-鲁棒估计量的后续工作。若这些文献的引言都指向同一问题,则说明该问题是领域共识;若互相矛盾,则说明存在真正的张力。
Maintained by 陈星宇 · Homepage · Source on GitHub