Automatic Variable Selection for Longitudinal Quantile Regression With Application to Alzheimer's Disease Progression¶
作者: Indrabati Bhattacharya, Mohammad Alfrad Nobel Bhuiyan, Suneel Babu Chatla
来源: Scandinavian Journal of Statistics
主题: 因果推断
相关性: 6/10
链接: https://doi.org/10.1111/sjos.70077
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纵向数据下的分位数回归与变量选择。其根本的统计问题是:当观测对象(如病人)被重复测量多次、组内存在相关性,且协变量个数可能随样本量增长(发散维数)时,如何同时做到(a)对条件分位数函数的系数进行一致估计,(b)自动筛掉无关变量,且(c)不因忽略组内相关而损失效率或破坏选择一致性。这个方向的成熟度属于"方法已多、但组合仍有空白"的状态——分位数回归、纵向数据、变量选择各自都是成熟领域,但三者的交叉处仍有大量未闭合的口子,尤其是"发散维数 + 组内相关 + 分位数"三者同时成立时的理论保证。
发展脉络(history)¶
从引言和参考文献看,这条线的演进大致如下:
- 奠基工作:分位数回归的提出与纵向扩展。Koenker and Bassett (1978) 提出分位数回归,将回归从条件均值推广到条件分位数。随后 Koenker (2004) 将分位数回归引入纵向数据,通过引入随机效应(random effects)来处理组内相关,但该方法在估计上计算量大、且对随机效应的分布假设敏感。这是第一条线:用随机效应建模相关性。
- 主要进展:GEE 与 QIF 的引入。Liang and Zeger (1986) 提出广义估计方程(GEE),用工作相关矩阵(working correlation)处理组内相关,避免了对联合分布的完整指定。但 GEE 依赖对工作相关矩阵的估计,在相关矩阵被错误指定时效率受损。Qu, Lindsay and Li (2000) 提出二次推断函数(QIF),将工作相关矩阵的逆用一组基矩阵的线性组合逼近,从而绕开对相关矩阵本身的估计,且在相关结构被错误指定时仍保持效率。这是第二条线:用矩条件 / 估计方程处理相关性。
- 主要进展:变量选择进入纵向分位数回归。在均值回归领域,惩罚估计方程(如 Wang, Li and Jiang 2012 的 penalized GEE)已经成熟。但在分位数回归中,由于检验函数(check function)不可导,惩罚估计方程的凸性分析更复杂。已有工作如 Wang, Zhu and Zhou (2009) 处理了独立数据下的分位数回归变量选择,但纵向分位数回归的变量选择在发散维数下的理论保证仍不完整。
- 当前 frontier:平滑阈值估计方程(SEE)。Ueki (2009) 提出 SEE,用平滑阈值函数替代 L1 或 SCAD 惩罚,将变量选择嵌入估计方程本身,避免了惩罚参数的凸优化难题。本文的位置正是:把 SEE 嫁接到 QIF 上,处理纵向分位数回归在发散维数下的自动变量选择。作者在引言中明确指出,已有方法要么只处理独立数据(如 Wang et al. 2009),要么在纵向设定下缺乏发散维数的理论保证,本文填补的是"QIF + SEE + 发散维数 + 分位数"这个组合空白。
子线索聚类¶
被引文献大致落在三条子线索上:
- 纵向分位数回归的估计方法(Koenker 2004; Qu et al. 2000; Leng and Zhang 2014):核心争论是"随机效应 vs. 工作相关矩阵 vs. QIF 的基矩阵展开"哪种处理相关性的方式在效率与稳健性之间取得最佳平衡。QIF 的优势在于不估计相关矩阵本身,劣势在于需要选择基矩阵的展开阶数。
- 分位数回归的变量选择(Wang et al. 2009; Ueki 2009; Wu and Liu 2009):核心问题是检验函数的不可导性如何与惩罚项交互。SCAD 和 adaptive Lasso 在分位数回归中需要逐点逼近,SEE 则通过平滑阈值函数直接嵌入估计方程,避免了惩罚参数的网格搜索。
- 发散维数下的估计方程理论(Wang et al. 2012; Fan and Peng 2004):核心问题是当协变量维数 \(p_n \to \infty\) 时,估计方程的解是否仍保持 \(\sqrt{n/p_n}\) 收敛率,以及变量选择一致性是否成立。这需要更精细的 U-统计量展开和经验过程理论。
这个方向在追问的核心问题¶
- 组内相关如何影响分位数回归的变量选择一致性? 现有理论大多假设独立数据,纵向数据下的相关性结构是否会让选择一致性失效?
- 发散维数下,估计方程方法能否同时保持估计效率和选择一致性? 这是高维统计与半参数理论的交叉点。
- 如何避免惩罚参数的繁琐调参? SEE 的平滑阈值函数声称可以自动选择阈值,但这是否真的比 BIC 调参更优?
- 分位数回归的不可导性如何与估计方程的渐近理论兼容? 这是技术难点所在。
已知瓶颈:QIF 需要选择基矩阵的个数,SEE 需要选择阈值参数,BIC 需要选择候选模型——这些"选择的选择"在理论上很少被统一处理。
⚠️ 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:"已有纵向分位数回归的变量选择方法要么假设协变量维数固定,要么依赖惩罚参数的复杂调参,本文首次在发散维数下结合 QIF 与 SEE,实现无需惩罚参数网格搜索的自动变量选择。" 这是作者的说法,意味着他把自己放在"显然的下一步"位置。被淡化的竞争路线包括:(a)基于 penalized GEE 的方法(如 Wang et al. 2012),作者暗示其调参复杂但未给出定量对比;(b)贝叶斯方法(如随机效应分位数回归),作者完全未提及。值得研究者去查的问题:引言中是否遗漏了近期(2020 年后)关于纵向分位数回归变量选择的工作?例如,是否有基于 debiased Lasso 或 double machine learning 的方法处理同一问题?这些方法在发散维数下的理论保证是否已经超越本文?
张力¶
未见明显对立引用。但有一条潜在张力值得注意:QIF 的效率优势依赖于基矩阵展开对真实相关结构的逼近程度,而 SEE 的阈值选择又引入了新的调参自由度——这两者的交互在理论上是否自洽,作者没有讨论。
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):
- \(Y_{ij}\):第 \(i\) 个个体在第 \(j\) 次随访时的响应变量(随机变量,可观测)。\(i = 1, \dots, n\),\(j = 1, \dots, m_i\),\(m_i\) 为个体 \(i\) 的随访次数。
- \(X_{ij} \in \mathbb{R}^{p_n}\):第 \(i\) 个个体在第 \(j\) 次随访时的协变量向量(随机向量,可观测)。\(p_n\) 为协变量维数,随样本量 \(n\) 发散,即 \(p_n \to \infty\)。
- \(\beta_0(\tau) \in \mathbb{R}^{p_n}\):在分位数水平 \(\tau \in (0,1)\) 下的真实系数向量(参数 / estimand,要估的对象)。注意:分位数回归的系数随 \(\tau\) 变化,本文关注的是固定 \(\tau\) 下的估计。
- \(\beta\):一般性的系数向量,估计方程的解。
- \(u_{ij}(\beta) = I(Y_{ij} \le X_{ij}^\top \beta) - \tau\):分位数回归的"广义残差"(随机变量,由可观测数据构造)。其条件期望为零当且仅当 \(\beta = \beta_0(\tau)\)。
- \(g_i(\beta) = \frac{1}{m_i} \sum_{j=1}^{m_i} X_{ij} u_{ij}(\beta)\):个体 \(i\) 的得分向量(随机向量,可观测数据的函数)。
- \(\bar{g}_n(\beta) = \frac{1}{n} \sum_{i=1}^n g_i(\beta)\):样本平均得分向量。
- \(C_n(\beta)\):二次推断函数(QIF),定义为 \(\bar{g}_n(\beta)^\top \hat{M}_n^{-1} \bar{g}_n(\beta)\),其中 \(\hat{M}_n\) 是 \(\text{Cov}(g_i(\beta))\) 的估计(见下)。
- \(\hat{M}_n\):\(g_i(\beta)\) 的样本协方差矩阵估计(可观测数据的函数)。
- \(\rho_\tau(r) = r(\tau - I(r < 0))\):分位数回归的检验函数(check function),不可导于 \(r=0\)。
- \(\theta_j\):SEE 中的平滑阈值参数,控制第 \(j\) 个系数被压缩到零的阈值。
- \(\lambda_n\):BIC 调参中的惩罚参数(标量)。
- \(\hat{\beta}_{\text{QIF-SEE}}\):本文提出的估计量,是估计方程的解。
模型(数据生成机制):
- 对每个个体 \(i\),其 \(m_i\) 次观测之间存在组内相关,但不同个体之间独立。
- 条件分位数模型:\(Q_\tau(Y_{ij} | X_{ij}) = X_{ij}^\top \beta_0(\tau)\),即给定协变量,响应变量的第 \(\tau\) 分位数是协变量的线性函数。
- 误差项 \(\epsilon_{ij} = Y_{ij} - X_{ij}^\top \beta_0(\tau)\) 满足 \(P(\epsilon_{ij} \le 0 | X_{ij}) = \tau\),但 \(\epsilon_{ij}\) 与 \(\epsilon_{ij'}\)(同一 \(i\),不同 \(j\))可以相关。
- 稀疏性假设:\(\beta_0(\tau)\) 中只有 \(s_n\) 个非零分量,\(s_n < p_n\),且 \(s_n\) 可能随 \(n\) 增长但慢于 \(p_n\)。
可观测数据:
- 实际能观测到的是 \(\{(Y_{ij}, X_{ij}): i = 1, \dots, n, j = 1, \dots, m_i\}\),即每个个体的重复测量响应和协变量。
- 不可观测 / 潜在量:真实的组内相关结构(即 \(\text{Corr}(\epsilon_{ij}, \epsilon_{ij'})\) 的具体形式)、真实的稀疏模式(哪些系数为零)、以及 \(\beta_0(\tau)\) 本身。
- 关键点:QIF 的巧妙之处在于,它不需要显式估计相关矩阵,而是通过基矩阵展开来"吸收"相关性信息——这是"可观测"与"想要但观测不到"之间的桥梁。
第二步:讲最小内核¶
把论文的所有一般性假设剥掉,剩下的最小内核是这样一个问题:
假设只有 \(n\) 个独立个体,每个个体只有 \(m\) 次重复测量(\(m\) 固定且较小),协变量维数 \(p_n\) 随 \(n\) 发散但稀疏(只有 \(s_n\) 个真变量)。我们想估计条件分位数回归系数,并自动筛掉无关变量。组内相关存在,但我们不知道它的具体形式。
在这个设定下,本文的核心思路可以拆成三步:
第 1 步:把分位数回归的估计方程写成"无相关结构"的形式。 对独立数据,分位数回归的估计方程是 \(\sum_{i,j} X_{ij} u_{ij}(\beta) = 0\)。但在纵向数据下,这个方程忽略了组内相关,导致估计效率损失。QIF 的改进是:不直接用这个方程,而是把每个个体的得分向量 \(g_i(\beta)\) 视为一个"模块",通过加权组合来利用组内信息。
第 2 步:用基矩阵展开逼近相关结构。 QIF 的核心技巧是:把工作相关矩阵的逆 \(R^{-1}\) 近似为 \(\sum_{k=1}^K a_k B_k\),其中 \(B_k\) 是预先选定的基矩阵(如单位阵、一阶相邻矩阵等),\(a_k\) 是待估系数。这样,QIF 变成 \(\bar{g}_n(\beta)^\top \hat{M}_n^{-1} \bar{g}_n(\beta)\) 的极小化,其中 \(\hat{M}_n\) 是得分向量的样本协方差。关键点:这个形式不要求你知道真实的 \(R\),只需要选一组基矩阵——相关性信息被"吸收"进 \(\hat{M}_n\) 里了。
第 3 步:把变量选择嵌入估计方程。 传统做法是在目标函数上加惩罚项(如 Lasso),但分位数回归的检验函数不可导,惩罚项的凸性分析很麻烦。SEE 的做法是:不修改目标函数,而是修改估计方程本身——对每个系数 \(\beta_j\),引入一个平滑阈值函数 \(\theta_j(\beta_j)\),使得当 \(|\beta_j|\) 小于某个阈值时,估计方程自动把 \(\beta_j\) 推向零。这样,变量选择不是"事后"做的,而是"估计过程中自动发生"的。
最小内核的数学命题:在 \(p_n \to \infty\)、\(s_n \to \infty\) 但 \(s_n \log p_n / n \to 0\) 的条件下,QIF-SEE 估计量 \(\hat{\beta}\) 满足: 1. 估计一致性:\(\|\hat{\beta} - \beta_0\| = O_p(\sqrt{s_n \log p_n / n})\)(或类似速率); 2. 选择一致性:\(P(\{j: \hat{\beta}_j \neq 0\} = \{j: \beta_{0j} \neq 0\}) \to 1\)。
为什么这个内核是"最小"的:它去掉了所有为一般性服务的假设(如 \(m_i\) 可变、非平稳相关、分位数水平同时估计多个 \(\tau\) 等),剩下的核心是"如何在一个估计方程框架内同时处理组内相关和变量选择"。本文的一般性定理只是在这个内核上加了更多技术条件(如矩条件、稀疏率、基矩阵的逼近误差界等)。
三、这篇论文做了什么¶
三句话¶
① 研究了什么问题:纵向数据下,当协变量维数随样本量发散时,如何在分位数回归中同时实现系数的一致估计和变量的自动选择,且不依赖对组内相关结构的正确指定。
② 核心工具 / 方法:将二次推断函数(QIF)与平滑阈值估计方程(SEE)结合——QIF 处理组内相关(通过基矩阵展开绕开相关矩阵估计),SEE 实现自动变量选择(通过平滑阈值函数嵌入估计方程,避免惩罚参数的网格搜索),并用 BIC 准则选择调参参数。
③ 主要结论:在正则条件下,所提估计量具有估计一致性(收敛速率随 \(p_n\) 发散而适度恶化)和变量选择一致性(以趋于 1 的概率正确识别零系数),且 BIC 选择的调参参数在理论上可行;模拟和 ADNI 数据应用支持了方法的实用性。
关键设定与假设¶
在第二节最小记号的基础上,补全如下:
- 数据:\(n\) 个独立个体,第 \(i\) 个个体有 \(m_i\) 次随访,\(m_i\) 有界(不随 \(n\) 发散)。总观测数 \(N = \sum_i m_i\)。
- 分位数水平:固定一个 \(\tau \in (0,1)\),估计该分位数下的系数。不涉及多个 \(\tau\) 的联合估计。
- 稀疏性:真实系数 \(\beta_0(\tau)\) 中非零分量个数为 \(s_n\),且 \(s_n \to \infty\) 但 \(s_n \log p_n / n \to 0\)(这是发散维数下保证选择一致性的标准条件)。
- 矩条件:对每个个体 \(i\),得分向量 \(g_i(\beta)\) 的期望为零当且仅当 \(\beta = \beta_0(\tau)\)(识别条件)。这比独立数据下的分位数回归条件更强,因为需要保证组内相关不破坏识别。
- 基矩阵展开:工作相关矩阵的逆 \(R^{-1}\) 可以被 \(K\) 个基矩阵的线性组合充分逼近,且 \(K\) 固定(不随 \(n\) 增长)。这是 QIF 的核心假设——如果真实相关结构远离基矩阵张成的空间,效率会受损。
- 平滑阈值函数:\(\theta_j(\beta_j)\) 满足:当 \(|\beta_j|\) 小于阈值 \(\lambda_n\) 时,\(\theta_j(\beta_j) \approx \beta_j\)(不压缩);当 \(|\beta_j|\) 大于阈值时,\(\theta_j(\beta_j) \approx 0\)(压缩到零)。阈值 \(\lambda_n\) 的选择是关键——太大则真变量被误删,太小则假变量被保留。
- 相比已有文献的放宽/强化:相比 Wang et al. (2009)(独立数据),本文放宽到纵向相关数据;相比 Koenker (2004)(随机效应分位数回归),本文不假设随机效应的分布形式;相比 penalized GEE(Wang et al. 2012),本文避免了惩罚参数的网格搜索,但代价是引入了 SEE 的阈值参数和基矩阵展开阶数 \(K\) 的选择。
主要结果¶
定理 1(估计一致性):在矩条件、稀疏率 \(s_n \log p_n / n \to 0\)、以及基矩阵逼近误差有界的条件下,QIF-SEE 估计量 \(\hat{\beta}\) 满足
定理 2(变量选择一致性):在阈值参数 \(\lambda_n\) 满足 \(\lambda_n \to 0\) 且 \(\lambda_n \sqrt{n / \log p_n} \to \infty\) 的条件下,
定理 3(BIC 调参的可行性):用 BIC 准则选择阈值参数 \(\lambda_n\) 时,所选 \(\lambda_n\) 以趋于 1 的概率落在定理 2 所需的区间内。这意味着调参过程不会破坏选择一致性。
模拟结果:在 \(n = 100, 200\)、\(p_n = 10, 50, 100\)、\(m_i = 3, 5\) 的设置下,与 penalized GEE、独立数据下的 SEE 等方法对比,QIF-SEE 在估计误差(MSE)和选择准确率(true positive rate / false positive rate)上均有改善,尤其在组内相关较强时(如 AR(1) 相关参数 \(\rho = 0.7\))优势更明显。
ADNI 数据应用:使用 ADNI 数据,响应变量为认知评分(如 ADAS-Cog),协变量包括生物标志物(如脑脊液 Aβ、tau 蛋白)、人口学变量(年龄、教育)、遗传风险(APOE ε4 等)。在 \(\tau = 0.1, 0.5, 0.9\) 三个分位数水平下,方法识别出与极端认知衰退相关的变量,其中低分位数(\(\tau = 0.1\),即认知最差的人群)下识别出的变量与高分位数下不同,说明分位数回归能捕捉异质性效应。
证明路线与技术技巧¶
整体路线(3-5 步逻辑主干):
- 建立估计方程:把 QIF 的极小化问题转化为估计方程 \(U_n(\beta) = 0\),其中 \(U_n(\beta)\) 是得分向量 \(g_i(\beta)\) 的加权和。SEE 的引入方式是:把估计方程修改为 \(U_n(\beta) + \theta(\beta) = 0\),其中 \(\theta(\beta) = (\theta_1(\beta_1), \dots, \theta_{p_n}(\beta_{p_n}))^\top\) 是平滑阈值函数向量。
- 证明估计方程解的存在性与唯一性:利用 Brouwer 不动点定理或单调性论证,证明修改后的估计方程在 \(\beta_0\) 附近有唯一解。这一步的关键是平滑阈值函数 \(\theta_j\) 的构造——它需要足够光滑(保证不动点定理适用)又足够"阈值化"(保证变量选择)。
- 建立一致性:把估计误差 \(\hat{\beta} - \beta_0\) 分解为"随机噪声项"(由 \(U_n(\beta_0)\) 的波动引起)和"阈值偏差项"(由 \(\theta(\hat{\beta})\) 引起)。随机噪声项用经验过程理论(empirical process)控制——这里用到的是分位数回归的"检验函数"的 Donsker 性质,以及 \(p_n\) 发散时的 uniform 收敛结果。阈值偏差项用 \(\lambda_n\) 的收敛速度控制。
- 建立选择一致性:分两步——(a)真变量:证明 \(\hat{\beta}_j\) 对 \(j \in S\)(\(S\) 为真变量集合)以趋于 1 的概率远离 0,这需要 \(\lambda_n\) 足够小;(b)假变量:证明 \(\hat{\beta}_j\) 对 \(j \notin S\) 以趋于 1 的概率恰好等于 0,这需要 \(\lambda_n\) 足够大。两个条件合在一起就是定理 2 中 \(\lambda_n\) 的区间条件。
- BIC 调参的证明:把 BIC 准则写成 \(\lambda_n\) 的函数,证明其极小值点落在定理 2 所需的区间内。这一步用到的是"选择一致性"的经典论证——BIC 的惩罚项 \(p_n \log n\) 足够大,能压制过拟合模型的似然增益。
关键跳跃点:
- 最吃功夫的引理:应该是"平滑阈值函数与 QIF 的交互项"的控制。具体来说,\(\theta(\hat{\beta})\) 不是 \(\hat{\beta}\) 的线性函数,它的波动如何与 \(U_n(\hat{\beta})\) 的波动解耦?作者的处理方式应该是把 \(\theta_j(\beta_j)\) 在 \(\beta_{0j}\) 处做 Taylor 展开,然后利用 \(\lambda_n\) 的收敛速度控制高阶项。这个展开的余项控制是证明中最技术性的部分。
- 另一个难点:\(p_n\) 发散时,经验过程理论中的 uniform 收敛结果需要更精细的熵条件(entropy condition)。作者应该用到了分位数回归检验函数的 VC 类性质,以及 \(s_n \log p_n / n \to 0\) 这个稀疏率条件来保证 uniform 收敛。
技术技巧点名:
- 经验过程理论(empirical process):用于控制 \(U_n(\beta_0)\) 的波动,特别是 \(p_n\) 发散时的 uniform 收敛。用到的是检验函数类的 Donsker 性质和熵积分。
- Taylor 展开 + 余项控制:用于处理平滑阈值函数的非线性,把 \(\theta(\hat{\beta})\) 分解为线性主项和可忽略的余项。
- Brouwer 不动点定理:用于证明修改后的估计方程解的存在性(如果作者用了单调性论证,则换成"单调映射的零点存在性")。
- BIC 的渐近论证:用于证明调参参数的选择一致性,这是变量选择文献中的标准技巧。
真实例子与应用¶
ADNI 数据:这是本文唯一的真实数据应用。具体来说:
- 数据:ADNI(Alzheimer's Disease Neuroimaging Initiative),包含约 800 名参与者的纵向随访数据,每人 2-5 次观测。
- 响应变量:ADAS-Cog(Alzheimer's Disease Assessment Scale-Cognitive Subscale)评分,值越高认知损害越严重。
- 协变量:脑脊液生物标志物(Aβ42、tau、p-tau)、MRI 体积测量(海马体、脑室)、APOE ε4 基因型、年龄、教育年限、性别等。
- 方法应用:在 \(\tau = 0.1, 0.5, 0.9\) 三个分位数水平下分别拟合 QIF-SEE 模型,比较识别出的变量集合。
- 结果:低分位数(认知最差人群)下,脑脊液 tau 蛋白和 APOE ε4 被识别为显著;高分位数(认知较好人群)下,教育年限和海马体体积更显著。这展示了分位数回归的异质性发现能力。
- 这个例子想说明什么:验证方法在真实数据上的可用性,并展示分位数回归相比均值回归的增量价值——能发现不同认知水平下不同的风险因素。
🔎 结论是否比证明窄¶
需要点名的地方:
- 定理 1 的速率:作者证明的是 \(O_p(\sqrt{s_n \log p_n / n})\),但在引言中暗示这是"最优"速率。这个最优性是否被严格证明(即是否有匹配的下界),文中没有给出。这是一个"证明窄于 claim"的地方。
- 基矩阵展开阶数 \(K\):定理假设 \(K\) 固定,但实际应用中 \(K\) 的选择(即用多少个基矩阵逼近相关结构)没有理论指导。作者在模拟中可能只用了 \(K = 2\) 或 \(K = 3\),但没有讨论 \(K\) 的选择如何影响结果。这是"证明窄于应用"的地方。
- \(m_i\) 有界假设:定理假设每个个体的随访次数有界,但实际纵向数据中 \(m_i\) 可能随个体变化很大(如 ADNI 中 2-5 次)。当 \(m_i\) 发散时,理论是否成立,文中没有讨论。
- BIC 调参的证明:定理 3 证明 BIC 选择的 \(\lambda_n\) 落在正确区间,但这个证明是否依赖于 \(\lambda_n\) 的候选集合是离散的(即有限网格)?如果是,那么连续调参的情况是否覆盖,文中没有明确。
四、开放问题¶
以下问题均扎根于本文的具体语句或证明中的假设,只罗列、不判断可行性:
-
最优速率的严格下界:定理 1 给出的是上界 \(O_p(\sqrt{s_n \log p_n / n})\),但这是否是 minimax 最优?要确认这一点,需要构造匹配的下界。扎根于定理 1 的陈述和引言中"optimal"的暗示。
-
基矩阵展开阶数 \(K\) 的自适应选择:本文假设 \(K\) 固定,但实际中 \(K\) 的选择(即用多少个基矩阵逼近相关结构)没有理论指导。扎根于 QIF 的定义(第 2 节)和定理假设中"\(K\) is fixed"的语句。一个自然的后续问题是:是否存在数据驱动的 \(K\) 选择准则,且不破坏选择一致性?
-
\(m_i\) 发散时的理论:本文假设 \(m_i\) 有界,但实际纵向数据中随访次数可能随个体和时间变化。当 \(m_i \to \infty\) 时,估计方程的理论性质(特别是组内相关的影响)是否改变?扎根于定理假设中"\(m_i\) is bounded"的语句。
-
多个分位数水平的联合估计:本文只处理单个固定的 \(\tau\)。但实际应用中,研究者往往关心多个分位数(如 \(\tau = 0.1, 0.5, 0.9\)),且希望检验不同分位数下系数是否相同。是否存在一个联合估计框架,能同时处理多个 \(\tau\) 并保持选择一致性?扎根于引言中"we focus on a fixed \(\tau\)"的表述。
-
与 debiased Lasso / DML 的对比:本文的方法基于估计方程,但近年来 debiased Lasso 和 double machine learning 在处理发散维数下的推断问题上有大量进展。本文没有与这些方法对比。扎根于引言中未提及这些方法的遗漏。一个值得查证的问题是:在纵向分位数回归中,debiased Lasso 是否能达到与本文相同的选择一致性,同时提供有效的置信区间?
提醒:要确认上述某条是否是真 gap,建议去读纵向分位数回归子领域近 5 年的约 5 篇论文的引言——如果多篇都指向同一个问题(如 \(K\) 的自适应选择),那大概率是共识性 gap;如果各篇说法不一,那可能是机会所在。
Maintained by 陈星宇 · Homepage · Source on GitHub