跳转至

Geodesic difference-in-differences

作者: Yidong Zhou, Daisuke Kurisu, Taisuke Otsu, Hans-Georg Müller
来源: Biometrika
主题: 因果推断
相关性: 7/10
机构绿灯: University of Minnesota(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


一、领域脉络与小综述

  • 这个方向是什么:本文致力于将经典双重差分(Difference-in-Differences, DID)因果推断框架从欧几里得(或希尔伯特)空间中的标量/函数型结果变量,推广到一般度量空间(metric space)中的复杂数据对象(如概率分布、网络、流形上的点、成分数据等)。其根本科学问题是:当结果变量缺乏线性结构(无法直接做加减法)时,如何定义、识别并估计"处理组相对于对照组的平均处理效应"(ATT)。该方向处于因果推断与"随机对象统计"(statistics of random objects)的交叉地带,属于较新的前沿领域,成熟度不高,但已有若干奠基性工作。

  • 发展脉络(history):

  • 奠基工作:DID 的经典框架可追溯至 Card and Krueger (1994) 的经典劳动经济学研究,其识别策略基于"平行趋势"假设。作者在引言中明确将这一假设作为其推广工作的出发点。计量经济学层面的系统化处理见 Angrist and Pischke (2009) 的教科书。这一阶段的结果变量是标量。
  • 主要进展(处理效应异质性与分布结果):Athey and Imbens (2006) 提出 changes-in-changes 方法,允许处理效应异质性并推断反事实结果分布,这是从标量均值走向分布结果的关键一步。作者在引言中将其列为"现有 DID 方法主要关注标量或欧氏结果"这一论断的对照。此外,Torous et al. (2024) 将其推广到多元结果,Biewen et al. (2024) 提出基于分布回归的替代方案。这些工作仍依赖结果空间的线性(或至少是可加)结构。
  • 当前 frontier(非欧结果与随机对象):近年来,随着"随机对象"统计的发展(如 Fréchet 均值的理论,见 Sturm 2003; Petersen and Müller 2019),研究者开始处理流形、图、分布等复杂数据。在因果推断方面,Lin et al. (2023) 提出了分布型结果的 doubly robust 估计;Kurisu et al. (2024) 建立了测地空间中的因果推断框架(本文的直接前作);Gunsilius (2023) 将合成控制法推广到分布结果。这些工作共同构成了"非欧结果因果推断"这一子领域,但均未专门处理 DID 的平行趋势假设在测地空间中的形式化。
  • 本文的位置:作者明确将本文定位为"将 DID 推广到唯一测地空间(uniquely geodesic spaces)"的第一步,其核心创新在于用测地线(geodesic)替代欧氏空间中的差(difference),并引入测地传输映射(geodesic transport map)作为平行趋势假设的几何类比。这填补了上述工作中"非欧结果 + DID 识别"的空白。

  • 子线索聚类:被引文献大致落在三条子线索上:

  • 经典 DID 的计量经济学拓展(Card and Krueger 1994; Athey and Imbens 2006; Callaway and Sant'Anna 2021; Roth and Sant'Anna 2023; Roth et al. 2023):关注识别假设、异质性处理效应、交错处理(staggered adoption)等,结果变量为标量或向量。
  • 分布/函数型结果的因果推断(Lin et al. 2023; Gunsilius 2023; Torous et al. 2024; Biewen et al. 2024):利用分位数函数、最优传输等工具处理分布型结果,但通常依赖特定函数空间的线性结构。
  • 测地空间中的统计与因果推断(Sturm 2003; Petersen and Müller 2019; Kurisu et al. 2024; Zhou and Müller 2022):建立 Fréchet 均值的理论,并开始处理测地空间中的因果问题。本文属于此线索,且是其中第一篇系统处理 DID 的工作。

  • 这个方向在追问的核心问题:

  • 如何在没有线性结构的空间中定义"效应"? 当前主流答案是 Fréchet 均值与测地线,但测地线的唯一性(uniqueness)是关键前提,本文的 Assumption 1 正是为此服务。
  • 平行趋势假设如何在非欧空间中形式化? 本文的答案是 Assumption 2:用测地传输映射将对照组的"变化"搬运到处理组的起点,要求其终点等于处理组的反事实均值。这一形式化是否合理、是否可检验,是核心问题。
  • 估计量的收敛速率如何? 本文的 Theorem 2 给出了一般速率 \(n^{-1/[2(\kappa-1)]}\),其中 \(\kappa\) 由 Fréchet 均值的局部曲率决定。但该速率是否 minimax 最优、是否可被自适应地改进,仍是开放问题。
  • 推断(inference)如何做? 本文只给出了点估计的收敛速率,未涉及置信区间或假设检验。在非线性空间中,如何构造有效的推断程序是重大挑战。

  • ⚠️ 作者的 framing(这是作者的说法):作者将缺口 frame 为"现有 DID 方法无法处理非欧结果,而现实数据(分布、网络)日益常见",因此"用测地线替代差分的 DID 是显然的下一步"。他们淡化了以下竞争路线:(i) 将非欧结果先嵌入欧氏空间(如通过核方法或流形学习)再应用经典 DID,这一路线可能更简单且已有成熟推断工具;(ii) 基于最优传输(optimal transport)的 DID,如 Torous et al. (2024) 的工作,其与测地线方法的关系未被讨论。什么明显该被引却没出现:作者未引用关于"测地线回归"(geodesic regression)的文献(如 Fletcher 2013 等),也未引用关于"度量空间中的 U-统计量"或"非参数 bootstrap 在流形上的失效"的文献——这些都可能与其理论假设(如 Assumption 5 的曲率条件)直接相关,值得研究者去查证。

  • 张力:被引工作之间未见明显对立结论,但存在一个潜在张力:Athey and Imbens (2006) 的 changes-in-changes 方法允许处理效应异质性,而本文的 geodesic ATT 定义在 Fréchet 均值层面,隐含了某种"均值层面的平行趋势",这可能与异质性处理效应不相容。作者未讨论这一张力。

二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据交代清楚

  • 符号:
  • \((\mathcal{M}, d)\):结果变量所在的唯一测地度量空间(uniquely geodesic metric space)。\(d\) 是度量(距离函数)。这是本文的核心抽象——结果 \(Y\) 是 \(\mathcal{M}\) 中的元素,而非实数。
  • \(Y_{i,t}\):个体 \(i\) 在时间 \(t \in \{0,1\}\) 的观测结果,是 \(\mathcal{M}\) 中的随机元素。
  • \(Y_{i,t}(0)\)、\(Y_{i,t}(1)\):潜在结果(potential outcomes),分别表示个体 \(i\) 在时间 \(t\) 未接受/接受处理时的结果。\(Y_{i,t}(0)\) 和 \(Y_{i,t}(1)\) 都是 \(\mathcal{M}\) 中的随机元素。
  • \(D_i\):处理组指示变量,\(D_i = 1\) 表示个体 \(i\) 属于处理组(在 \(t=0\) 到 \(t=1\) 之间接受处理),\(D_i = 0\) 表示属于对照组(两个时期均未接受处理)。
  • \(\nu_{d,t}(0) = E^{\oplus}\{Y_{i,t}(0) \mid D_i = d\}\):Fréchet 均值(Fréchet mean),即给定组别 \(d\) 和时间 \(t\) 时,潜在结果 \(Y_{i,t}(0)\) 在度量空间 \(\mathcal{M}\) 中的"中心"(使得 \(E[d^2(Y, \omega)]\) 最小的 \(\omega\))。这是"组别-时间平均结果"的几何类比。
  • \(\nu_{d,t} = E^{\oplus}\{Y_{i,t} \mid D_i = d\}\):观测结果的 Fréchet 均值。
  • \(\tau = \gamma_{\nu_{1,1}(0), \nu_{1,1}(1)}\):geodesic ATT(GATT),定义为连接反事实均值 \(\nu_{1,1}(0)\) 和实际处理均值 \(\nu_{1,1}(1)\) 的唯一测地线。这是一个几何对象(一条路径),而非标量。
  • \(\Gamma_{\alpha,\beta}: \mathcal{M} \to \mathcal{M}\):测地传输映射(geodesic transport map),将任意点 \(\omega\) 沿"从 \(\alpha\) 到 \(\beta\) 的测地线方向"搬运,使得 \(\Gamma_{\alpha,\beta}(\alpha) = \beta\)。这是"加上一个位移向量"的几何类比。
  • \(\hat{\nu}_{d,t}\):样本 Fréchet 均值,即基于观测数据计算的 \(\nu_{d,t}\) 的估计。
  • \(\hat{\tau} = \gamma_{\hat{\nu}'_{1,1}, \hat{\nu}_{1,1}}\):GATT 的估计量,其中 \(\hat{\nu}'_{1,1} = \Gamma_{\hat{\nu}_{0,0}, \hat{\nu}_{0,1}}(\hat{\nu}_{1,0})\)。
  • \(n\):样本量(个体数)。\(n_0, n_1\):对照组和处理组的样本量。
  • \(\kappa\):Fréchet 均值的曲率参数(curvature parameter),出现在 Assumption 5(iii) 中,控制 Fréchet 均值的收敛速率。\(\kappa = 2\) 对应二次增长(quadratic growth),给出参数速率 \(n^{-1/2}\)。

  • 模型:

  • 数据结构:两期面板数据(\(t=0,1\)),个体 \(i=1,\dots,n\) 独立同分布地来自联合分布 \(P\)。处理组在 \(t=0\) 和 \(t=1\) 之间接受处理,对照组始终未接受处理。
  • 核心模型假设是 Assumption 2(测地平行趋势):\(\Gamma_{\nu_{0,0}(0), \nu_{0,1}(0)}(\nu_{1,0}(0)) = \nu_{1,1}(0)\)。即:对照组的"平均变化"(从 \(\nu_{0,0}(0)\) 到 \(\nu_{0,1}(0)\) 的测地线)被搬运到处理组的起点 \(\nu_{1,0}(0)\) 后,其终点恰好是处理组的反事实均值 \(\nu_{1,1}(0)\)。这是经典平行趋势假设 \(E[Y_{1,1}(0)-Y_{1,0}(0) \mid D=1] = E[Y_{0,1}(0)-Y_{0,0}(0) \mid D=0]\) 的几何类比。
  • 识别:在 Assumptions 1 和 2 下,GATT \(\tau\) 由观测数据的 Fréchet 均值唯一决定(Theorem 1)。

  • 可观测数据:研究者能观测到 \(\{(Y_{i,0}, Y_{i,1}, D_i)\}_{i=1}^n\),即每个个体在两个时期的结果(\(\mathcal{M}\) 中的元素)和组别指示。关键点:\(Y_{i,1}(0)\)(处理组的反事实结果)是不可观测的,只能通过 Assumption 2 的平行趋势假设来识别。

第二步:最小内核

把论文的所有技术细节剥掉,其核心数学问题可以归结为:

在唯一测地度量空间 \((\mathcal{M}, d)\) 中,给定四组 Fréchet 均值 \(\nu_{0,0}, \nu_{0,1}, \nu_{1,0}, \nu_{1,1}\)(分别对应对照组/处理组 × 前/后时期),如何定义并估计"处理效应"?

最简例子:\(\mathcal{M} = \mathbb{R}\)(实数轴),\(d(x,y) = |x-y|\)。

  • 此时 Fréchet 均值就是普通算术平均:\(\nu_{d,t} = E[Y_{i,t} \mid D_i = d]\)。
  • 测地线 \(\gamma_{\alpha,\beta}(t) = \alpha + t(\beta-\alpha)\) 就是直线段。
  • 测地传输映射 \(\Gamma_{\alpha,\beta}(\omega) = \omega + (\beta-\alpha)\) 就是"加上位移 \(\beta-\alpha\)"。
  • Assumption 2(测地平行趋势)退化为:\(\nu_{1,0} + (\nu_{0,1} - \nu_{0,0}) = \nu_{1,1}(0)\),即 \(\nu_{1,1}(0) - \nu_{1,0} = \nu_{0,1} - \nu_{0,0}\),这正是经典平行趋势假设。
  • GATT \(\tau = \gamma_{\nu_{1,1}(0), \nu_{1,1}(1)}\) 就是从 \(\nu_{1,1}(0)\) 到 \(\nu_{1,1}(1)\) 的直线段,其"长度" \(|\nu_{1,1}(1) - \nu_{1,1}(0)|\) 就是经典 ATT \(E[Y_{i,1}(1) - Y_{i,1}(0) \mid D_i = 1]\)。
  • 估计量 \(\hat{\tau}\) 就是用样本均值 \(\hat{\nu}_{d,t}\) 替换总体均值,得到 \(\hat{\tau} = \gamma_{\hat{\nu}_{1,0} + (\hat{\nu}_{0,1} - \hat{\nu}_{0,0}), \hat{\nu}_{1,1}}\)。

所以,本文的数学内核是:将经典 DID 中"均值之差"的线性运算,替换为度量空间中的"测地线连接"和"测地传输"这两个几何运算。当 \(\mathcal{M} = \mathbb{R}\) 时,一切退化为经典 DID;当 \(\mathcal{M}\) 是 Wasserstein 空间(概率分布)或图空间时,测地线有明确的物理/科学含义(如最优传输路径、图的编辑路径),此时 GATT 捕捉的是"分布的形状变化"或"网络的结构变化",而非简单的均值位移。

证明的核心难点:Theorem 2 的证明需要将样本 Fréchet 均值的收敛速率(由 Assumption 5 的曲率条件控制)通过测地传输映射的 Lipschitz 性质(Assumptions 3 和 4)传播到 GATT 估计量 \(\hat{\tau}\) 上。关键的不等式是:

\[d_G(\hat{\tau}, \tau) \le C_2 \left[ d(\hat{\nu}'_{1,1}, \nu'_{1,1}) + d(\hat{\nu}_{1,1}, \nu_{1,1}) \right],\]
其中 \(d(\hat{\nu}'_{1,1}, \nu'_{1,1})\) 又通过三角不等式分解为传输映射的 Lipschitz 误差和四个 Fréchet 均值的估计误差。整个证明的骨架是"误差传播",而非全新的估计方法。

三、这篇论文做了什么

三句话: 1. 研究了什么问题:如何将 DID 因果推断框架推广到结果变量位于唯一测地度量空间(如分布、网络、流形)的情形,并定义、识别和估计相应的平均处理效应。 2. 核心工具/方法:用测地线替代欧氏空间中的"差",用测地传输映射(\(\Gamma_{\alpha,\beta}\))替代"向量平移",定义了 geodesic ATT(GATT)作为因果 estimand,并给出了基于样本 Fréchet 均值的估计量。 3. 主要结论:在测地平行趋势假设(Assumption 2)下,GATT 由观测数据的 Fréchet 均值唯一识别(Theorem 1);在 Fréchet 均值的曲率条件(Assumption 5)和传输映射的 Lipschitz 条件(Assumptions 3-4)下,估计量 \(\hat{\tau}\) 以 \(n^{-1/[2(\kappa-1)]}\) 的速率收敛(Theorem 2),其中 \(\kappa=2\) 时达到参数速率 \(n^{-1/2}\)。

关键设定与假设: - Assumption 1(测地传输映射的存在性):要求空间 \(\mathcal{M}\) 中任意两点间存在唯一测地线,且测地传输映射 \(\Gamma_{\alpha,\beta}\) 良定义。这是整个框架的几何基础。相比已有工作(如 Kurisu et al. 2024),本文明确将传输映射作为公理化的假设,而非依赖特定空间的具体构造。 - Assumption 2(测地平行趋势):\(\Gamma_{\nu_{0,0}(0), \nu_{0,1}(0)}(\nu_{1,0}(0)) = \nu_{1,1}(0)\)。这是经典平行趋势假设的几何类比,是识别 GATT 的核心假设。作者在 Remark 中(正文未展开)指出,当 \(\mathcal{M}\) 为 Wasserstein 空间时,该假设等价于"对照组的分布变化模式可迁移到处理组"。 - Assumption 3(传输映射对基点的 Lipschitz 连续性):\(d(\Gamma_{\alpha,\beta}(\omega), \Gamma_{\alpha,\beta}(\zeta)) \le C_1 d(\omega, \zeta)\)。这保证传输映射不会放大基点的估计误差。 - Assumption 4(传输映射对端点的 Lipschitz 连续性):\(d(\Gamma_{\alpha_1,\beta_1}(\omega), \Gamma_{\alpha_2,\beta_2}(\omega)) \le C_2\{d(\alpha_1,\alpha_2) + d(\beta_1,\beta_2)\}\)。这保证传输映射对"位移向量"的估计误差是稳定的。 - Assumption 5(Fréchet 均值的正则性):包含三个子条件:(i) 总体和样本 Fréchet 均值存在且唯一;(ii) 局部熵条件(控制度量空间的复杂度);(iii) 曲率条件:\(E[d^2(Y,\omega)] - E[d^2(Y,\nu)] \ge C d^\kappa(\nu, \omega)\)(\(\kappa > 1\))。这是控制 Fréchet 均值收敛速率的关键,\(\kappa=2\) 对应二次增长。 - 相比已有文献:相比 Lin et al. (2023) 和 Gunsilius (2023) 针对特定空间(分布)的估计方法,本文的假设更抽象、更一般,但代价是假设的验证需要针对具体空间逐一进行(作者在 Supplementary Material S.4 中为六个例子逐一验证)。

主要结果: - Theorem 1(识别):在 Assumptions 1 和 2 下,GATT \(\tau = \gamma_{\nu_{1,1}(0), \nu_{1,1}(1)}\) 等于 \(\gamma_{\Gamma_{\nu_{0,0}, \nu_{0,1}}(\nu_{1,0}), \nu_{1,1}}\),即由观测数据的 Fréchet 均值唯一决定。证明思路:由 Assumption 2 将 \(\nu_{1,1}(0)\) 替换为 \(\Gamma_{\nu_{0,0}, \nu_{0,1}}(\nu_{1,0})\),再由定义 \(\nu_{1,1}(1) = \nu_{1,1}\)。 - Theorem 2(收敛速率):在 Assumptions 1-6 下,\(d_G(\hat{\tau}, \tau) = O_p(n^{-1/[2(\kappa-1)]})\)。证明分三步: 1. 利用 Assumption 4 将 \(d_G(\hat{\tau}, \tau)\) 分解为 \(d(\hat{\nu}'_{1,1}, \nu'_{1,1})\) 和 \(d(\hat{\nu}_{1,1}, \nu_{1,1})\) 的线性组合; 2. 利用 Assumption 3 和三角不等式将 \(d(\hat{\nu}'_{1,1}, \nu'_{1,1})\) 进一步分解为四个 Fréchet 均值估计误差的线性组合; 3. 利用 Assumption 5 和 Petersen and Müller (2019) 的 Fréchet 均值收敛定理,得到每个 \(d(\hat{\nu}_{d,t}, \nu_{d,t}) = O_p(n^{-1/[2(\kappa-1)]})\)。 - 推论(Corollary 1):在 \(\kappa=2\) 的条件下(如 Hilbert 空间、Wasserstein 空间中的分布、Frobenius 度量下的网络),估计量达到参数速率 \(n^{-1/2}\)。

证明路线与技术技巧: - 整体路线:识别(Theorem 1)→ 误差传播(Theorem 2 的分解)→ Fréchet 均值收敛(借用已有定理)。这是一个典型的"先识别、后估计"的因果推断证明框架。 - 关键跳跃点:最吃功夫的是 Assumption 4 的验证。在一般度量空间中,传输映射对端点的 Lipschitz 连续性并非自动成立。作者在 Supplementary Material S.4 中为六个例子逐一验证,其中 Wasserstein 空间和 BHV 树空间的验证最为复杂,需要用到最优传输理论和 CAT(0) 空间的几何性质。 - 技术技巧点名: - Fréchet 均值的 M-估计理论:用于处理 \(\hat{\nu}_{d,t}\) 的收敛性,核心工具是 van der Vaart and Wellner (2023) 的熵条件(Assumption 5(ii))。 - 曲率条件:Assumption 5(iii) 的 \(\kappa\) 参数直接控制收敛速率,这是从 Petersen and Müller (2019) 借用的技巧。 - 测地传输映射的构造:在 Wasserstein 空间中利用最优传输映射,在 BHV 树空间利用 CAT(0) 空间的投影性质,在流形上利用平行移动(parallel transport)。这些构造是本文的"技术工具箱"。

真实例子与应用: - 例子 1(苏联解体对死亡年龄分布的影响):结果变量是每个国家的死亡年龄分布(概率分布),空间是 Wasserstein 空间。处理组是前苏联六国,对照组是 19 个西欧国家。估计的 GATT 显示,苏联解体导致死亡年龄分布左移(寿命缩短),且男性比女性更明显。这个例子验证了分布型结果的价值——标量指标(如平均寿命)无法捕捉分布形状的变化。 - 例子 2(美国电力市场自由化对发电结构的影响):结果变量是每个州的发电结构(化石、核能、可再生能源的比例),空间是成分数据空间(球面)。处理组是 23 个自由化州,对照组是 27 个未自由化州。估计的 GATT 显示,自由化显著降低了化石能源份额,提高了可再生能源份额。这个例子展示了 geodesic DID 在成分数据上的应用。 - 模拟研究:三个模拟分别对应 Wasserstein 空间、Fisher-Rao 空间和网络空间,验证了估计量的有限样本表现。模拟结果显示,当 \(\kappa=2\) 时,经验收敛速率接近 \(n^{-1/2}\),与理论一致。

🔎 结论是否比证明窄: - 作者在 Theorem 2 中声称的收敛速率 \(n^{-1/[2(\kappa-1)]}\) 是在 Assumptions 1-6 下严格证明的,但 Assumption 5 的验证在正文中并未展开,而是放在 Supplementary Material 中。对于一般度量空间,Assumption 5 是否成立并不显然。 - 作者在引言和结论中暗示该框架适用于"广泛的度量空间",但正文中只详细验证了六个例子。对于更一般的 CAT(0) 空间或 Alexandrov 空间,Assumption 4 的验证可能不成立。 - 作者在结论中提到"推断(inference)是未来工作",但未给出任何置信区间或假设检验的方法。这意味着本文只解决了"点估计"问题,未解决"不确定性量化"问题——这是一个明显的"结论比证明窄"的地方。 - 作者在 Supplementary Material S.1 中给出了交错 DID 的扩展,但该扩展的识别假设(Assumptions S2-S4)比主文的 Assumption 2 更强,且未给出相应的收敛定理。这属于"声称了但未证明"的部分。

四、开放问题(点到为止,扎根具体语句)

  1. 推断(Inference)问题:作者在结论中明确写道"Further research will be needed to address these and related issues",指的是如何为 GATT 构造置信区间或进行假设检验。在非线性空间中,bootstrap 是否有效、是否需要特殊的重采样方案(如 geodesic bootstrap),都是未解决的问题。扎根点:Section 7 "Concluding remarks" 中关于推断的讨论。

  2. 平行趋势假设的检验与敏感性分析:作者在 Assumption 2 中假设测地平行趋势成立,但未提供任何检验方法或敏感性分析框架。在经典 DID 中,Roth and Sant'Anna (2023) 已系统研究了平行趋势假设的检验与稳健性,但本文未将其推广到测地空间。扎根点:Assumption 2 的定义与 Section 7 中"Relaxing the parallel trends assumption...is another promising future direction"。

  3. 交错 DID 的完整理论:Supplementary Material S.1 给出了交错 DID 的识别结果(Theorem S1),但未给出估计量的收敛速率或推断方法。此外,交错设定下的异质性处理效应(如 Callaway and Sant'Anna 2021 中的 group-time ATT)在测地空间中如何定义和估计,仍是开放问题。扎根点:Supplementary Material S.1.3 中"asymptotic properties of the estimators are not elaborated, but can be established along the lines of Theorem 2"。

  4. 更一般度量空间的验证:作者在正文中只详细验证了六个例子(Hilbert 空间、Wasserstein 空间、Fisher-Rao 空间、网络空间、SPD 矩阵空间、成分数据空间)。对于更一般的 CAT(0) 空间或非正曲率流形,Assumptions 3-5 是否成立、传输映射如何构造,均未讨论。扎根点:Section 2 中"We focus on uniquely geodesic metric spaces that admit a geodesic transport structure"的限定。

  5. 效率与最优性:Theorem 2 给出的速率 \(n^{-1/[2(\kappa-1)]}\) 是否 minimax 最优?在 \(\kappa=2\) 时达到参数速率,但 \(\kappa > 2\) 时速率变慢,这是否是本质性的(即是否存在更优的估计量)?作者未讨论下界。扎根点:Theorem 2 的陈述与证明中未涉及 minimax 下界。

  6. 高维与计算复杂性:当 \(\mathcal{M}\) 是高维流形或大规模网络空间时,Fréchet 均值的计算可能非常昂贵(如 Wasserstein 均值的计算复杂度)。作者在模拟中只考虑了低维情形,未讨论高维可扩展性。扎根点:Section 5 "Implementation" 中算法步骤的描述。


给研究者的提示:若要确认上述开放问题是否为真 gap,建议去读以下近期文献的引言部分(约 5 篇):(i) 关于"测地线回归"的文献(如 Fletcher 2013, Cornea et al. 2017);(ii) 关于"分布型结果因果推断"的文献(如 Lin et al. 2023, Gunsilius 2023);(iii) 关于"流形上 bootstrap"的文献(如 Bhattacharya and Lin 2017)。若这些文献的引言都未提及"测地 DID"或"非欧结果的 DID",则说明该方向确实存在空白。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论