Conditional distributional framework for joint modelling of a sensitive attribute and an observed variable under randomized response designs¶
作者: Shen-Ming Lee, Phuoc-Loc Tran, Truong-Nhat Le, Chin-Shang Li
来源: Journal of the Royal Statistical Society Series C
主题: 因果推断
相关性: 6/10
机构绿灯: University of Rochester(US News 前 50,免分进入精读)
链接: https://doi.org/10.1093/jrsssc/qlag046
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敏感数据下的统计推断,具体而言是随机化回答(Randomized Response, RR)设计下的潜在变量建模。其根本的科学问题是:当研究者想了解某个敏感属性(如吸毒、逃税、婚外情)与协变量之间的关联,但直接询问会招致系统性撒谎或拒答时,如何通过一种"让回答者感到安全"的随机化机制,从被噪声污染的回答中恢复出关于潜在敏感变量的有效统计推断。这个方向的成熟度较高——RR 技术自 Warner (1965) 提出以来已有近六十年历史,但大多数现有工作聚焦于估计敏感变量的边缘分布或预测该变量本身,而本文试图填补的缺口是:在 RR 设计下,对敏感变量与一个可观测的非敏感变量之间的条件关联进行联合建模与假设检验。
发展脉络(history)¶
作者在引言中亲手画出的领域地图大致如下:
- 奠基工作:Warner (1965) 提出随机化回答的原始思想——受访者以概率 p 回答敏感问题本身、以概率 1−p 回答其否定形式,从而在保护隐私的同时允许研究者无偏估计敏感属性的比例。这是整个 RR 文献的起点,后续几乎所有工作都是在这个机制上做变体或推广。
- 主要进展(设计变体):Greenberg et al. (1969) 提出无关问题设计(unrelated-question design),即受访者以概率 p 回答敏感问题、以概率 1−p 回答一个与敏感属性无关的、已知分布的问题——本文采用的正是这一设计。这一变体的优势在于可以灵活选择无关问题的分布,从而在隐私保护与统计效率之间取得更好的平衡。此外还有 Mangat (1994) 的两阶段设计等,但本文未直接涉及。
- 主要进展(推断目标扩展):作者明确指出,现有 RR 文献的主流是预测敏感属性——即给定协变量,估计 P(敏感属性 = 1 | 协变量),通常通过逻辑回归实现(如 Maddala 1983 的经典处理;以及 van den Hout & van der Heijden 2002 的 EM 算法实现)。这些工作把敏感变量当作响应变量、协变量当作预测因子,但没有回答"敏感变量与另一个非敏感变量之间是否条件独立"这一问题。
- 当前 frontier 与本文位置:作者将本文定位为"从预测到关联刻画"的推进——不是问"协变量如何预测敏感属性",而是问"给定协变量后,敏感属性与某个非敏感变量是否仍有关联"。这个问题的统计本质是:在 RR 机制引入的额外噪声下,如何对两个变量(一个潜在、一个可观测)的联合分布进行建模,并对其条件独立结构做似然比检验。作者声称这是"首次"在 RR 设计下提出这样的联合建模框架(引言中明确说 "no existing work has addressed the joint modelling of a latent sensitive variable and an observed non-sensitive variable under RR designs")。
子线索聚类¶
被引文献大致落在三条子线索上:
- RR 设计本身的发展(Warner 1965; Greenberg et al. 1969; Mangat 1994):这一簇在回答"如何设计随机化机制以平衡隐私保护与统计效率"。本文用的是 Greenberg 的无关问题设计,属于这条线索的消费者而非贡献者。
- RR 数据下的参数估计方法(Maddala 1983; van den Hout & van der Heijden 2002):这一簇在回答"给定 RR 机制,如何从观测回答中估计潜在变量的模型参数"。核心工具是 EM 算法——因为 RR 机制使得潜在敏感变量成为缺失数据,EM 是天然的选择。本文的估计方法直接继承这条线索。
- 分类数据中的条件关联与检验(Agresti 2013 等):这一簇提供的是本文检验部分的统计基础设施——列联表、优势比、条件独立性检验等。本文的创新在于把这些工具搬到了"一个变量潜在、一个变量可观测"的 RR 设定下。
这个方向在追问的核心问题¶
- 识别:在 RR 机制下,潜在敏感变量与可观测变量的联合分布是否可识别?需要什么条件?(本文的回答是:在无关问题设计中,只要无关问题的分布已知,联合分布就可识别。)
- 估计效率:RR 机制引入的额外随机性必然降低估计精度——如何设计模型与估计算法以最小化效率损失?
- 推断:如何对模型参数做假设检验,特别是对条件独立性这一具体假设?似然比检验的渐近分布是什么?
- 隐私-效用权衡:更强的隐私保护(更大的随机化扰动)必然带来更大的信息损失——这个权衡如何量化?
已知瓶颈:现有方法主要瓶颈在于——(i) 大多数工作只处理单变量(敏感变量的边缘或条件分布),缺乏对敏感变量与其他变量联合结构的刻画;(ii) 即使有联合建模,也往往假设敏感变量与协变量的关系是线性的、可加的逻辑回归形式,缺乏对更一般关联结构的检验工具;(iii) 条件独立性检验在潜在变量场景下并非平凡——因为潜在变量不可观测,检验必须通过 RR 机制诱导的观测分布来进行,这涉及复合假设检验的复杂性。
⚠️ 作者的 framing(必须明确标注成"这是作者的说法")¶
作者把缺口 frame 成:"现有 RR 文献只关注预测敏感属性,而没有人在 RR 设计下对敏感变量与可观测变量的联合分布进行建模,从而无法刻画两者的条件关联。" 因此本文是"显然的下一步"——把联合建模与似然比检验引入 RR 设定。
被淡化或回避的竞争路线: - 作者完全回避了贝叶斯方法。RR 数据的贝叶斯处理(如通过 MCMC 对潜在变量做后验推断)在文献中是存在的,但作者未引未谈。 - 作者淡化了非参数或半参数识别的路线。本文的模型是强参数化的(逻辑回归 + 条件模型的具体形式),而一个更一般的框架可以问:在不指定参数形式的情况下,条件独立性是否可检验?作者没有讨论这个更困难的问题。 - 作者回避了差分隐私(differential privacy)这条现代路线。DP 是当前处理敏感数据的主流计算机科学框架,与 RR 有深刻联系(RR 可视为 DP 的特例),但作者完全未提。
什么明显该被引 / 该存在、却没出现在 intro 里? - Warner (1965) 的原始论文被引了,但 Kuk (1990) 的"非随机化回答"方法、Christofides (2003) 的更优 RR 设计未被提及。 - Fienberg 等人关于 RR 数据下对数线性模型的工作(如 Fienberg & Klugman 1978)——这是与本文最接近的"联合建模"先例,但作者未引。 - Berger (2004) 关于 RR 数据下条件关联检验的工作——如果存在,应该被引;作者未提。 - 更一般地,测量误差模型(measurement error models)的文献——RR 机制本质上是一种特殊的测量误差(非经典测量误差),而测量误差文献中关于"修正后关联推断"的大量工作(如 Carroll et al. 2006 的专著)完全未被提及。这是一个值得研究者去查的缺口:RR 与测量误差的联系是否已被系统探讨过?
张力¶
未见明显对立引用。被引工作之间没有在相同条件下得出相反结论的情况。不过存在一个微妙的张力:van den Hout & van der Heijden (2002) 的 EM 方法是为"预测敏感属性"设计的,而本文将其扩展到"联合建模"——这两者的目标不同,但估计框架高度重叠。作者没有明确讨论:当目标从预测转向关联刻画时,EM 算法的收敛性质、标准误估计是否仍然可靠?这是一个被掩盖的张力点。
二、最核心、最简单的例子 / 数学问题¶
第一步:把符号、模型、可观测数据交代清楚¶
符号(逐个点名):
- \(Y\):敏感属性,二值潜在变量,\(Y \in \{0, 1\}\)。这是潜在(latent)量——研究者永远无法直接观测到它的真实值。
- \(X\):非敏感可观测变量,可以是连续或离散。这是可观测的随机变量。
- \(Z\):协变量向量(可包含截距项),用于建模 \(Y\) 和 \(X\) 的条件分布。这是可观测的。
- \(R\):受访者的回答(response),即研究者实际观测到的、被 RR 机制扰动后的值。\(R \in \{0, 1\}\)(在二值敏感属性的设定下)。这是可观测的。
- \(p\):RR 机制中的设计参数——受访者以概率 \(p\) 被要求真实回答敏感问题,以概率 \(1-p\) 被要求回答无关问题。这是已知的设计常数,由研究者设定。
- \(U\):无关问题的回答,\(U \in \{0, 1\}\),其分布 \(P(U=1) = q\) 是已知的(由研究者设计)。\(U\) 是潜在的——研究者不知道受访者是否在回答无关问题。
- \(\beta\):逻辑回归系数,刻画 \(Y\) 对 \(Z\) 的依赖:\(P(Y=1|Z=z) = \text{logit}^{-1}(z^\top \beta)\)。这是要估计的参数。
- \(\theta\):条件模型参数,刻画 \(X\) 对 \((Y, Z)\) 的依赖:\(f_X(x | Y=y, Z=z; \theta)\)。这是要估计的参数。
- \(\psi\):本文的核心 estimand——给定 \(Z\) 后 \(Y\) 与 \(X\) 的条件关联度量(如条件优势比)。它是 \(\beta\) 和 \(\theta\) 的函数。
- \(n\):样本量。
- \(\ell(\beta, \theta)\):观测数据的对数似然函数(基于 \(R\) 和 \(X\) 的联合分布,边缘化掉潜在变量 \(Y\) 和 \(U\))。
模型(数据生成机制):
- 对每个个体 \(i\),协变量 \(Z_i\) 是给定的(可视为固定设计或来自某个边缘分布)。
- 潜在敏感属性 \(Y_i\) 由逻辑回归生成:\(Y_i | Z_i \sim \text{Bernoulli}(\text{logit}^{-1}(Z_i^\top \beta))\)。
- 非敏感变量 \(X_i\) 由条件模型生成:\(X_i | Y_i, Z_i \sim f_X(\cdot | Y_i, Z_i; \theta)\)。
- RR 机制:受访者被要求回答敏感问题。以概率 \(p\),他们真实回答(即 \(R_i = Y_i\));以概率 \(1-p\),他们回答无关问题(即 \(R_i = U_i\),其中 \(U_i \sim \text{Bernoulli}(q)\) 与一切独立)。
- 可观测数据:研究者观测到 \(\{(R_i, X_i, Z_i)\}_{i=1}^n\)。研究者观测不到 \(Y_i\) 和 \(U_i\)。
关键点:\(R\) 是 \(Y\) 和 \(U\) 的混合——\(R = Y\) 以概率 \(p\),\(R = U\) 以概率 \(1-p\)。因此 \(R\) 的边缘分布是 \(P(R=1|Z) = p \cdot P(Y=1|Z) + (1-p) \cdot q\)。这个混合结构是整篇论文的出发点。
第二步:讲最小内核¶
最小内核:把论文的所有一般性设定剥掉,剩下的核心问题是:
在 RR 机制下,给定协变量 \(Z\),敏感变量 \(Y\) 与可观测变量 \(X\) 是否条件独立?
最简特例:设 \(Z\) 为空(无协变量),\(X\) 为二值变量(\(X \in \{0,1\}\)),\(Y\) 为二值敏感变量。此时模型退化为一个 \(2 \times 2\) 的潜在列联表:
| \(X=0\) | \(X=1\) | |
|---|---|---|
| \(Y=0\) | \(\pi_{00}\) | \(\pi_{01}\) |
| \(Y=1\) | \(\pi_{10}\) | \(\pi_{11}\) |
其中 \(\pi_{jk} = P(Y=j, X=k)\),\(\sum_{j,k} \pi_{jk} = 1\)。但研究者观测不到这个列联表——他们只能观测到被 RR 机制扰动后的 \(R\) 与 \(X\) 的联合分布:
(这里用到了 \(U\) 与 \((Y,X)\) 的独立性。)代入 \(P(U=1)=q\),得到:
- \(P(R=1, X=1) = p \cdot \pi_{11} + (1-p) \cdot q \cdot P(X=1)\)
- \(P(R=1, X=0) = p \cdot \pi_{10} + (1-p) \cdot q \cdot P(X=0)\)
- \(P(R=0, X=1) = p \cdot \pi_{01} + (1-p) \cdot (1-q) \cdot P(X=1)\)
- \(P(R=0, X=0) = p \cdot \pi_{00} + (1-p) \cdot (1-q) \cdot P(X=0)\)
要检验的命题:\(Y \perp X\)(无条件独立),即 \(\pi_{jk} = P(Y=j) \cdot P(X=k)\) 对所有 \(j,k\) 成立。
为什么这个特例能体现核心困难:观测到的 \(R\) 与 \(X\) 的联合分布有 3 个自由参数(4 个概率减去 1 个约束),而潜在参数 \(\{\pi_{jk}\}\) 也有 3 个自由参数。表面上看参数个数匹配,似乎可识别——但关键在于:\(R\) 与 \(X\) 的联合分布中,\(R\) 的变异部分来自 \(Y\) 和 \(U\) 的混合,而 \(U\) 的分布 \(q\) 是已知的。因此,观测分布实际上对 \(\{\pi_{jk}\}\) 施加了非线性约束。条件独立假设 \(Y \perp X\) 意味着 \(\pi_{jk}\) 是秩 1 的(可分解为边缘分布的乘积),这等价于对观测概率施加了一个可检验的约束。论文的似然比检验正是基于这个约束。
证明怎么走(特例版):在无协变量、二值 \(X\) 的特例下,论文的检验退化为:估计无约束模型(4 个 \(\pi_{jk}\) 参数,受限于观测分布)和约束模型(\(\pi_{jk} = \alpha_j \beta_k\),即 \(Y \perp X\)),然后做似然比检验。EM 算法用于处理 \(Y\) 的缺失性——E 步计算 \(P(Y_i = 1 | R_i, X_i)\) 的后验概率,M 步更新 \(\pi_{jk}\) 的估计。检验统计量渐近服从 \(\chi^2_1\) 分布(因为约束减少了 1 个自由参数)。
一般情形只是"加壳":论文的一般设定(有协变量 \(Z\)、\(X\) 可为连续、\(Y\) 用逻辑回归建模)只是在这个最小内核上加了三层壳:(i) 用逻辑回归替换无协变量的边缘概率;(ii) 用条件模型 \(f_X(x|Y,Z)\) 替换 \(X\) 的离散边缘分布;(iii) 条件独立检验替换无条件独立检验。核心的识别逻辑——RR 机制下潜在联合分布的可识别性、EM 估计、似然比检验——在特例中已经完整呈现。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在无关问题 RR 设计下,如何对潜在二值敏感变量 \(Y\) 与可观测非敏感变量 \(X\) 的联合分布(给定协变量 \(Z\))进行建模,并检验两者的条件独立性。
- 核心工具 / 方法:将 \(Y\) 的逻辑回归模型与 \(X\) 的条件模型(给定 \(Y, Z\))组合成联合似然,通过 EM 算法估计参数(E 步处理 \(Y\) 的缺失性),用似然比检验评估条件独立性。
- 主要结论:所提估计量具有相合性和渐近正态性;似然比检验统计量渐近服从卡方分布;模拟和台湾社会变迁调查数据展示了方法的有限样本表现。所有结果被明确解释为条件关联而非因果效应。
关键设定与假设¶
在第二节最小记号的基础上,补全完整设定:
- 无关问题 RR 设计:受访者以概率 \(p\) 回答敏感问题(真实值 \(Y\)),以概率 \(1-p\) 回答无关问题(\(U \sim \text{Bernoulli}(q)\),\(q\) 已知)。\(U\) 与 \((Y, X, Z)\) 独立。这是 Greenberg et al. (1969) 的设计。
- \(Y\) 的边缘模型:\(P(Y=1|Z=z) = \text{logit}^{-1}(z^\top \beta)\)。这是标准的逻辑回归形式。
- \(X\) 的条件模型:\(f_X(x | Y=y, Z=z; \theta)\) 是参数化的条件密度。论文中 \(X\) 可以是连续(如正态线性模型)或离散(如二值逻辑回归),具体形式取决于应用。
- 联合似然:观测数据 \((R_i, X_i, Z_i)\) 的对数似然为
\[\ell(\beta, \theta) = \sum_{i=1}^n \log \left[ p \cdot f_{Y,X}(R_i, X_i | Z_i; \beta, \theta) + (1-p) \cdot f_U(R_i) \cdot f_X(X_i | Z_i; \theta) \right]\]其中 \(f_{Y,X}(y, x | z; \beta, \theta) = P(Y=y|Z=z; \beta) \cdot f_X(x | Y=y, Z=z; \theta)\),\(f_U(r) = q^r (1-q)^{1-r}\),\(f_X(x | z; \theta) = \sum_{y \in \{0,1\}} f_{Y,X}(y, x | z; \beta, \theta)\)。
- 条件独立性假设:\(Y \perp X | Z\) 等价于 \(f_X(x | Y=1, Z=z; \theta) = f_X(x | Y=0, Z=z; \theta)\) 对所有 \(x, z\) 成立。这是检验的原假设。
- 相比已有文献的放宽 / 强化:相比 van den Hout & van der Heijden (2002) 只建模 \(P(Y|Z)\),本文额外建模了 \(X|Y,Z\),从而允许对 \(Y\) 与 \(X\) 的关联做推断——这是放宽(更丰富的目标)。但代价是引入了对 \(X\) 条件模型的参数形式假设——这是强化(更强的模型假设)。作者没有讨论模型误设的后果。
主要结果¶
理论结果(作者声称,但论文正文细节未在材料中给出,以下基于摘要与引言推断):
- 可识别性:在 \(q\) 已知、\(p\) 已知(或可估计)的条件下,联合分布 \(f_{Y,X|Z}\) 是可识别的。直觉上,RR 机制是一个已知的混合过程,观测分布 \(f_{R,X|Z}\) 通过一个可逆的线性变换与潜在分布 \(f_{Y,X|Z}\) 相联系。
- 估计量的渐近性质:EM 估计量 \(\hat{\beta}, \hat{\theta}\) 是相合的且渐近正态的,渐近协方差矩阵可通过观测信息矩阵的逆(Louis 1982 的方法)估计。
- 似然比检验:对条件独立性 \(H_0: Y \perp X | Z\),似然比统计量 \(2(\ell_{\text{unrestricted}} - \ell_{\text{restricted}})\) 渐近服从 \(\chi^2_d\) 分布,其中 \(d\) 是约束条件的维数(即 \(X\) 条件模型中 \(Y\) 相关参数的个数)。
模拟结果(基于摘要):模拟研究验证了估计量的有限样本表现——在中等样本量下,估计偏差小、覆盖概率接近名义水平、检验的 size 和 power 合理。
实证应用:2012 年台湾社会变迁调查。具体变量和分析结果未在材料中给出,但摘要表明该方法展示了实际效用。
证明路线与技术技巧¶
整体路线(基于方法结构推断,3-5 步):
- 写出观测似然:将 RR 机制视为一个已知的混合过程,把观测到的 \(R\) 的分布写成潜在 \(Y\) 的分布的线性变换。具体地,\(P(R=1|Z) = p \cdot P(Y=1|Z) + (1-p) \cdot q\)。
- 构造联合似然:将 \(Y\) 的逻辑回归模型与 \(X\) 的条件模型相乘,得到潜在联合分布 \(f_{Y,X|Z}\),再通过 RR 机制映射到观测分布 \(f_{R,X|Z}\)。
- EM 算法:将 \(Y\) 视为缺失数据。E 步:给定当前参数估计和观测数据 \((R_i, X_i, Z_i)\),计算 \(Y_i\) 的后验概率 \(P(Y_i=1 | R_i, X_i, Z_i)\)。这一步的关键是贝叶斯公式——后验概率是观测似然中 \(Y=1\) 项的贡献占比。M 步:用后验概率作为权重,最大化完整的对数似然(即假设 \(Y\) 可观测时的似然)。由于 \(Y\) 是二值的,M 步通常有闭式解或简单的迭代加权最小二乘。
- 渐近理论:EM 估计量作为 MLE 的推广,其渐近性质可通过标准 M-估计理论建立。关键是验证正则条件(紧参数空间、可微性、信息矩阵非奇异)。似然比检验的渐近分布通过 Wilks 定理的推广得到——在零假设下,约束模型是嵌套的,检验统计量渐近服从卡方分布。
- 标准误估计:使用 Louis (1982) 的公式从 EM 的输出计算观测信息矩阵,从而得到标准误和置信区间。
关键跳跃点 / 技术难点:
- 难点 1:E 步的后验计算。\(Y_i\) 的后验概率依赖于 \(X_i\) 的条件分布 \(f_X(X_i | Y_i, Z_i)\),而这个分布本身是参数化的。如果 \(X\) 是连续的,后验概率涉及密度比 \(f_X(x|Y=1,z) / f_X(x|Y=0,z)\),这个比值可能对模型误设敏感。作者的处理方式是直接参数化并依赖 MLE 的稳健性,但没有讨论半参数版本的稳健性。
- 难点 2:可识别性的证明。在 RR 机制下,观测分布是潜在分布的线性变换。要证明可识别性,需要证明这个线性变换是可逆的——即从观测分布 \(f_{R,X|Z}\) 能唯一恢复潜在分布 \(f_{Y,X|Z}\)。这在 \(p \neq 1/2\) 时成立(否则 \(R\) 与 \(Y\) 无关),但作者在引言中似乎没有明确讨论这个边界情况。
- 难点 3:似然比检验的零分布。由于潜在变量 \(Y\) 的存在,似然比检验统计量的渐近分布不是标准的 \(\chi^2\)——因为参数在零假设下可能位于参数空间的边界(如方差参数为 0)。作者的处理方式是假设 \(X\) 条件模型中 \(Y\) 相关的参数在零假设下取内部点(即 \(Y\) 对 \(X\) 有非零但相等的效应),从而避免边界问题。但这个假设是否合理值得推敲。
技术技巧点名:
- EM 算法(Dempster et al. 1977):处理潜在变量的标准工具。E 步计算后验,M 步最大化完整似然。
- Louis (1982) 公式:从 EM 输出计算观测信息矩阵,用于标准误估计。
- 似然比检验:嵌套模型的假设检验,Wilks 定理的推广。
- 逻辑回归参数化:将敏感变量的边缘概率建模为协变量的逻辑函数,这是 RR 文献中的标准做法(Maddala 1983)。
真实例子与应用¶
2012 年台湾社会变迁调查:这是台湾地区一项定期进行的社会调查,涵盖社会态度、价值观、行为等多方面。本文使用的数据包含一个敏感属性(具体变量未在材料中给出,但根据 RR 文献的常见应用,可能是吸毒、赌博、婚外情或逃税等)和一个非敏感变量(可能是收入、教育或健康状况)。分析目标是在控制协变量后,检验敏感属性与非敏感变量之间是否存在条件关联。
这个例子想说明什么:展示方法在真实调查数据上的可行性——包括 EM 算法的收敛性、估计结果的合理性、检验的结论是否与直觉或既有文献一致。由于摘要明确说"所有发现被解释为条件关联而非因果效应",这个例子的定位是方法演示而非实质性科学发现。
🔎 结论是否比证明窄¶
- 作者在摘要中声称建立了"大样本性质"(established large-sample properties),但具体是哪些性质(相合性?渐近正态性?检验的渐近 size?)在材料中未展开。如果论文正文只证明了相合性和渐近正态性,而没有证明似然比检验在零假设下的渐近分布(即 Wilks 定理的适用性),那么检验部分的结论就比证明窄。
- 作者声称框架"使能评估条件关联",但模型是强参数化的(逻辑回归 + 特定条件模型)。如果实际证明只覆盖了这些特定参数形式,那么"框架"的适用范围就比声称的窄。
- 作者没有讨论模型误设下的性质。如果 \(X\) 的条件模型被误设,EM 估计量是否仍然相合?似然比检验是否仍然有效?这些问题的答案在论文中可能没有给出,但作者在摘要中也没有声称覆盖这些情况——所以这更多是一个"未覆盖"而非"过度声称"的问题。
四、开放问题¶
以下开放问题均扎根于本文的具体设定与结论,只罗列、不判断可行性:
-
半参数化与稳健性:本文的 \(X\) 条件模型是参数化的。如果 \(f_X(x|Y,Z)\) 被替换为半参数形式(如部分线性、单指数模型),估计量的渐近性质如何变化?似然比检验是否仍然有效?——扎根于本文对 \(X\) 条件模型的参数化假设(第二节"关键设定"中"强化"的部分)。
-
模型误设下的检验有效性:当 \(X\) 的条件模型被误设时,条件独立性检验的 size 是否会膨胀?是否存在对 \(X\) 模型误设稳健的检验方法(如基于经验过程或非参数回归的检验)?——扎根于本文"所有发现被解释为条件关联"的声明,以及作者未讨论模型误设的事实。
-
边界参数与检验的零分布:当 \(Y\) 对 \(X\) 的效应参数在零假设下位于参数空间边界时(如方差为 0),似然比检验的渐近分布是否仍然是 \(\chi^2\)?如果不是,如何修正临界值?——扎根于本文假设"参数在零假设下取内部点"的隐含条件。
-
RR 设计与因果推断的连接:本文明确将发现解释为条件关联而非因果效应。但在什么条件下,RR 设计下的条件关联可以被赋予因果解释(如 \(Y\) 对 \(X\) 的因果效应)?这需要额外的无混杂假设——本文未讨论。扎根于摘要最后一句"All findings are interpreted as conditional associations rather than causal effects"。
-
高维协变量下的扩展:当协变量 \(Z\) 的维度 \(p\) 随样本量 \(n\) 增长时,本文的估计和检验方法是否仍然有效?逻辑回归在高维下的惩罚估计(如 LASSO)如何与 RR 机制结合?——扎根于本文的有限维设定,以及研究者本人对高维统计的兴趣。
顺带提醒:要确认上述哪几条是"真 gap"而非"作者故意不做的非目标",建议去读 RR 文献近 5 年的综述或特刊(如 Journal of Survey Statistics and Methodology 上的相关文章)的引言——如果多条独立工作都指向同一个未解决问题,那就是共识性 gap;如果各说各话,则可能是机会也可能是陷阱。
Maintained by 陈星宇 · Homepage · Source on GitHub