跳转至

Principled analysis of crossover designs: Causal effects, efficient estimation and robust inference

作者: Zhichao Jiang, Peng Ding
来源: Annals of Statistics
主题: 因果推断
相关性: 8/10
机构绿灯: University of California, Berkeley(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

本文所研究的核心问题,是在交叉设计(crossover design)这一经典的实验设计框架下,如何在不依赖强参数模型假设的前提下,严谨地定义、识别、估计和推断因果效应。交叉设计的特点是每个实验单元(如病人)会在多个时间段内被依次分配不同的处理(如药物A或B),其根本优势在于通过单元内比较来消除单元间异质性,从而提升统计效率。该子方向要解决的根本问题是:在存在carryover effect(残留效应)和period effect(时期效应)的复杂动态过程中,如何从设计-based(基于随机化)的视角,而非模型-based(基于参数模型)的视角,来回答"处理是否有效"以及"效应有多大"这两个因果问题。当前该领域的成熟度较高,但多集中于特定设计(如2×2交叉)或特定模型假设,缺乏一个适用于一般设计的统一理论框架。

发展脉络(history)

根据作者的引言,该领域的发展可以梳理为以下脉络:

  • 奠基工作:交叉设计的统计分析传统上依赖于参数混合效应模型,其核心文献包括 Senn (2002) 和 Jones & Kenward (2003) 的专著。这些工作建立了交叉设计分析的标准范式,即通过线性混合模型来分解处理效应、时期效应、残留效应和随机个体效应。然而,正如作者所指出的,这类方法存在三个主要问题:其一,因果效应由模型参数定义,而非独立于模型;其二,推断有效性依赖于模型假设的正确性;其三,对carryover effect的处理通常需要强假设(如假设其形式已知或为零)。
  • 主要进展:近年来,design-based inference(基于设计的推断) 框架在实验分析中兴起,其核心思想是将随机化作为推断的唯一基础,而非依赖结果生成模型。作者引用了 Dasgupta et al. (2015)、Liu and Yang (2020)、Zhao and Ding (2022a,b) 等文献,这些工作将design-based框架应用于因子实验、配对实验等场景,证明了在随机化下,即使模型误设,基于特定线性估计的推断仍然有效。特别是 Zhao and Ding (2022a,b) 的工作,为本文提供了直接的理论工具——他们证明了在完全随机化实验下,带约束的回归估计量具有design-based的最优性。
  • 当前frontier:将design-based框架推广到纵向或面板数据是当前的前沿。Bojinov et al. (2021, 2023) 和 Lin & Ding (2025) 的工作将design-based推断引入时间序列和面板实验,处理了随时间变化的处理和动态效应。然而,这些工作大多假设处理效应不随时间变化或不存在残留效应。Shi & Ye (2024) 的工作与本文最为接近,他们分析了2×2交叉设计下的因果推断,但仅限于两时期两序列的特殊情形。
  • 本文的位置:作者将上述两条线索——交叉设计的传统分析与design-based推断——结合起来,提出了一个统一框架。本文的贡献在于:(1) 用潜在结果形式化定义了交叉设计中的各类因果效应(瞬时效应、carryover效应);(2) 证明了带约束的加权最小二乘(restricted weighted least squares)可以统一地实现识别、估计和推断;(3) 给出了该估计量在design-based框架下的最优性(BLUE)和稳健推断性质。这填补了从特定设计(2×2)向一般设计(任意时期、任意序列集合)推广的空白。

子线索聚类

被引文献大致可以聚类为以下几条子线索:

  1. 交叉设计的传统模型分析:以 Senn (2002)、Jones & Kenward (2003) 为代表,侧重于参数模型(如混合效应模型)的构建、估计和最优设计选择。这条线索的优点是模型灵活、可处理复杂数据结构,但缺点是因果解释依赖于模型假设。
  2. Design-based因果推断:以 Neyman (1990)、Imbens & Rubin (2015)、Li & Ding (2017) 为代表,强调随机化在推断中的核心作用,通过潜在结果定义因果效应,并研究在有限总体下的精确或渐近性质。这条线索的优点是稳健、假设少,但通常局限于简单设计。
  3. 纵向/面板实验的因果推断:以 Bojinov et al. (2021, 2023)、Lin & Ding (2025) 为代表,将design-based框架扩展到多时期数据,处理动态处理效应和干扰。这条线索是当前最活跃的前沿,但尚未系统性地处理carryover effect。
  4. 回归调整与效率:以 Lin (2013)、Bloniarz et al. (2016)、Fogarty (2018) 为代表,研究如何通过回归模型(如ANCOVA)来调整协变量或利用设计信息,以提高估计效率,同时保持design-based的有效性。本文的回归方法正是这一线索的延伸。

这个方向在追问的核心问题

  1. 识别问题:在给定的交叉设计(即观测到的序列集合)和假设(如无预期、无干扰)下,哪些因果效应(瞬时效应、各阶carryover效应)是可识别的?识别条件是什么?
  2. 估计效率问题:在存在多个无偏估计量时,如何构造最优(最小方差)的线性无偏估计量?最优权重如何依赖于设计结构和潜在结果的方差-协方差结构?
  3. 稳健推断问题:当用于构造估计量的工作模型(如线性回归模型)是错误的时候,如何保证点估计的一致性和推断(置信区间)的有效性?方差估计量应如何修正?
  4. 假设检验问题:如何检验carryover effect是否存在?如何检验处理效应是否随时间变化(即时间不变性假设)?

⚠️ 作者的 framing

这是作者的说法:作者将本领域的缺口framing为"缺乏一个在design-based框架下、适用于一般交叉设计的统一分析方法"。具体而言,作者在引言中强调,现有的交叉设计分析"often rely on strong parametric models, making inference vulnerable to model misspecification",而design-based框架"conditions on all potential outcomes and covariates, and treats randomization as the basis for valid inference"。作者认为,通过将设计信息编码进回归的约束条件中,可以实现一个"simple to implement"且"yields not only consistent and efficient point estimates but also valid variance estimates even when the working regression model is misspecified"的统一方法。作者淡化了传统模型-based方法在处理复杂数据结构(如非高斯结果、缺失数据) 方面的灵活性,也回避了当设计不满足识别条件时(如2×2设计无额外假设)的讨论,而是将重点放在"给定可识别性假设后,如何最优地估计"这一环节。值得研究者去查的问题:作者在引言中未提及最优设计问题(即如何选择序列集合以最大化效率),也未讨论非随机缺失或依从性问题,这些在交叉设计的实际应用中(尤其是临床试验)是常见的挑战。

张力

被引文献之间未见明显的、在相同条件下得出相反结论的对立。主要的张力在于模型-based与design-based两种推断哲学的差异,但这更多是方法论层面的选择,而非结论上的矛盾。例如,Senn (2002) 强调模型假设的必要性,而 Zhao & Ding (2022a) 则证明在随机化下无需模型假设也能有效推断。这种张力是推动该领域发展的动力,而非需要调和的矛盾。


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

在展开论文的技术细节之前,我们先建立一个最小的记号系统,这是理解全文的基础。

  • 单元与时间:设有 \(N\) 个实验单元(如病人),实验持续 \(T\) 个时期(periods)。每个单元 \(i\) 在时期 \(t\) 接受一个处理。
  • 处理与序列:考虑两种处理 \(A\) 和 \(B\)。一个处理序列 \(\vec{z} = (z_1, \dots, z_T)\) 是长度为 \(T\) 的字符串,其中 \(z_t \in \{A, B\}\)。所有可能的序列构成集合 \(\mathcal{S}\)(大小为 \(2^T\))。实验中实际实施的序列集合记为 \(\mathcal{S}_{\text{obs}} \subseteq \mathcal{S}\)。每个单元 \(i\) 被随机分配到某个序列 \(\vec{Z}_i \in \mathcal{S}_{\text{obs}}\)。
  • 潜在结果:这是因果推断的核心。定义潜在结果 \(Y_{it}(\vec{z})\) 为单元 \(i\) 在时期 \(t\)、若被分配序列 \(\vec{z}\) 时的结果。这是一个潜在(counterfactual)量,对于每个单元,我们只能观测到其被分配序列对应的那一组结果。可观测数据是:\(\{(\vec{Z}_i, Y_{i1}, \dots, Y_{iT})\}_{i=1}^N\),其中 \(Y_{it} = Y_{it}(\vec{Z}_i)\)。
  • 平均潜在结果:定义 \(\bar{Y}_t(\vec{z}) = \frac{1}{N} \sum_{i=1}^N Y_{it}(\vec{z})\) 为所有单元在时期 \(t\)、序列 \(\vec{z}\) 下的平均潜在结果。这是一个有限总体(finite population) 的 estimand。
  • 因果效应(Estimand):论文关注两类效应:
    1. 瞬时效应(Instantaneous effect):在时期 \(t\),给定过去处理历史 \(\vec{z}_{[1,t-1]}\),比较当前处理为 \(A\) 与 \(B\) 的效应,记为 \(\tau_t(\vec{z}_{[1,t-1]}) = \bar{Y}_t(\vec{z}_{[1,t-1]}A) - \bar{Y}_t(\vec{z}_{[1,t-1]}B)\)。
    2. Carryover效应(残留效应):在时期 \(t\),比较过去某个时期的处理不同(而当前及更近的处理相同)的效应。例如,一阶carryover效应为 \(\tau^1_t(z_t) = \bar{Y}_t(A z_t) - \bar{Y}_t(B z_t)\),它衡量的是时期 \(t-1\) 的处理对时期 \(t\) 结果的残留影响。
  • 模型:论文不假设结果如何由处理生成,而是采用design-based视角。这意味着,我们将潜在结果 \(\{\bar{Y}_t(\vec{z})\}\) 视为固定的未知常数(有限总体),而随机性完全来自处理分配机制。在完全随机化下,每个单元被分配到序列 \(\vec{z}\) 的概率是固定的 \(N_{\vec{z}}/N\)。
  • 估计量:一个线性估计量形如 \(\hat{\tau}(\tilde{W}) = \sum_{t=1}^T \sum_{\vec{z} \in \mathcal{S}_{\text{obs}}} \tilde{W}_t(\vec{z}) \hat{Y}_t(\vec{z})\),其中 \(\hat{Y}_t(\vec{z}) = \frac{1}{N_{\vec{z}}} \sum_{i: \vec{Z}_i = \vec{z}} Y_{it}\) 是观测到的序列 \(\vec{z}\) 在时期 \(t\) 的平均结果。权重 \(\tilde{W}\) 是待设计的。

第二步:讲最小内核

现在,我们剥离论文的所有一般性,聚焦于支撑全文的那个最小内核。这个内核可以用一个最简单的例子来体现:两时期、两序列的交叉设计。

  • 设定:\(T=2\),\(\mathcal{S}_{\text{obs}} = \{AB, BA\}\)。即一半单元先接受 \(A\) 再接受 \(B\),另一半先接受 \(B\) 再接受 \(A\)。我们关注的目标是时期2的瞬时效应 \(\tau_2(A) = \bar{Y}_2(AA) - \bar{Y}_2(BA)\) 和 \(\tau_2(B) = \bar{Y}_2(AB) - \bar{Y}_2(BB)\)。注意,这里 \(\bar{Y}_2(AA)\) 是"若单元在时期1接受A、时期2接受A"的平均潜在结果,但实验中并没有人接受序列 \(AA\)。这就是识别问题的核心:我们想估计一个涉及未观测序列的效应。

  • 核心问题:在没有任何额外假设时,我们能无偏估计 \(\tau_2(A)\) 吗?答案是否定的。因为 \(\bar{Y}_2(AA)\) 从未被观测,我们只能观测到 \(\bar{Y}_2(AB)\) 和 \(\bar{Y}_2(BB)\)。任何线性估计量 \(\hat{\tau}_2(A) = \tilde{w}_1 \hat{Y}_2(AB) + \tilde{w}_2 \hat{Y}_2(BA)\) 的期望是 \(\tilde{w}_1 \bar{Y}_2(AB) + \tilde{w}_2 \bar{Y}_2(BA)\),这不可能恒等于 \(\bar{Y}_2(AA) - \bar{Y}_2(BA)\),除非我们施加假设将 \(\bar{Y}_2(AA)\) 与观测到的量联系起来。

  • 论文的破局点:论文引入假设2(无carryover效应),即 \(Y_{i2}(z_1 z_2) = Y_{i2}(z_2)\),意味着时期1的处理对时期2的结果没有影响。在这个假设下,我们有 \(\bar{Y}_2(AA) = \bar{Y}_2(BA) = \bar{Y}_2(A)\) 和 \(\bar{Y}_2(AB) = \bar{Y}_2(BB) = \bar{Y}_2(B)\)。于是,目标效应简化为 \(\tau_2(A) = \bar{Y}_2(A) - \bar{Y}_2(B)\),而 \(\bar{Y}_2(A)\) 和 \(\bar{Y}_2(B)\) 都可以从观测数据中直接估计(分别用序列 \(AB\) 和 \(BA\) 的时期2结果)。此时,识别问题解决了。

  • 最小内核的数学表述:现在的问题是,在假设2下,如何最优地估计 \(\tau_2(A)\)?论文的核心思想是,将识别假设转化为对回归系数的线性约束。考虑如下回归模型:

    \[Y_{it} = \sum_{\vec{z} \in \mathcal{S}} \gamma_{t,\vec{z}} \mathbf{1}(\vec{Z}_i = \vec{z}) + e_{it}\]
    其中 \(\gamma_{t,\vec{z}}\) 是系数。在无carryover假设下,我们有约束 \(\gamma_{2,AA} = \gamma_{2,BA}\) 和 \(\gamma_{2,AB} = \gamma_{2,BB}\)。论文证明,带这些线性约束的加权最小二乘估计量,就是所有线性无偏估计量中方差最小的(BLUE)。这个结论的证明依赖于一个关键的代数事实(论文的引理S9):在design-based框架下,约束最小二乘估计量的方差可以分解为两部分,一部分是"设计方差"(由随机化引起),另一部分是"模型方差"(由潜在结果的异质性引起),而BLUE的性质保证了在给定权重下,该估计量在所有无偏估计量中具有最小的设计方差。

  • 为什么这个内核是"最小"的:这个例子包含了论文所有核心要素:

    1. 潜在结果与可观测数据的区分(识别问题的根源)。
    2. 识别假设(无carryover)如何通过线性约束被编码进估计过程。
    3. BLUE的定义和求解(一个带约束的二次优化问题)。
    4. 方差估计的挑战(因为潜在结果的方差不可观测,需要构造保守估计量)。 论文的其余部分(一般 \(T\) 时期、任意序列集合、更复杂的假设组合)都是这个内核的"加壳"——将简单的约束矩阵 \(C\) 推广到更复杂的形式,并证明同样的BLUE性质和稳健推断结论依然成立。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:在design-based框架下,如何对一般的交叉设计(任意时期数、任意处理序列集合)进行因果效应的识别、最优估计和稳健推断,特别是如何处理瞬时效应与carryover效应的估计问题。
  2. 核心工具/方法:将潜在结果模型下的识别假设(如无carryover、时间不变效应)转化为对回归系数的线性约束,并利用带约束的加权最小二乘(restricted weighted least squares) 统一地构造估计量。理论工具是推广的Gauss-Markov定理(引理S3、S4)和有限总体中心极限定理(引理S7)。
  3. 主要结论:(a) 在满足秩条件(\(X^\top X + C^\top C\) 满秩)下,所有因果效应均可被无偏估计;(b) 带特定权重(潜在结果协方差矩阵)的约束最小二乘估计量是BLUE;(c) 即使权重被一致估计,基于EHW(Eicker-Huber-White)的方差估计量也是渐近保守的,从而保证了置信区间的有效性。

关键设定与假设

  • 核心设定:有限总体(\(N\) 个单元),完全随机化(每个单元被分配到序列 \(\vec{z}\) 的概率固定为 \(N_{\vec{z}}/N\)),潜在结果固定。
  • 假设1(无预期):\(Y_{it}(\vec{z})\) 不依赖于未来时期的处理。这是标准的时序假设,保证了潜在结果的定义是良定的。
  • 假设2(无carryover,或至多k阶carryover):\(Y_{it}(\vec{z})\) 只依赖于最近 \(k\) 个时期的处理。这是论文的核心识别假设,它直接导致了约束矩阵 \(C\) 的构造。相比传统模型-based方法,论文不假设carryover效应的具体形式(如线性、可加),而是通过约束直接将其"归零"或"等价化"。
  • 假设3(时间不变效应):处理序列的效应不随时期变化。这个假设进一步减少了未知参数的数量,是约束矩阵 \(C\) 的另一个来源。
  • 秩条件:\(X^\top X + C^\top C\) 满秩。这是识别和估计的充分条件,论文在补充材料中给出了更弱的必要/充分条件(命题S1-S3)。
  • 相比已有文献的放宽/强化:相比传统模型-based方法,论文放宽了对结果分布和效应形式的参数假设;相比已有的design-based工作(如Zhao & Ding),论文强化了适用性,从特定设计推广到一般设计。

主要结果

  • 定理1(核心):在秩条件下,带约束的加权最小二乘估计量 \(\hat{\gamma}^{wls}\) 是 \(\bar{Y}\) 的BLUE。证明分三步:
  • 无偏性:利用随机化的性质,证明 \(E[\hat{\gamma}^{wls}] = \bar{Y}\)。
  • 线性性:\(\hat{\gamma}^{wls}\) 是 \(\hat{Y}(\vec{z})\) 的线性组合。
  • 最优性:利用引理S9(代数形式的Gauss-Markov定理),证明对于任何其他线性无偏估计量,其方差与 \(\hat{\gamma}^{wls}\) 的方差之差是半正定矩阵。
  • 定理2(可行估计):当权重矩阵未知时,用样本协方差矩阵 \(\hat{S}^2(\vec{z})\) 代替真实协方差矩阵,得到的可行广义最小二乘估计量 \(\hat{\gamma}^{fwls}\) 与 \(\hat{\gamma}^{wls}\) 渐近等价。
  • 定理3(稳健推断):EHW方差估计量 \(\hat{V}_{EHW}\) 是渐近保守的,即 \(N\{\hat{V}_{EHW} - \text{var}(\hat{\gamma}^{fwls})\} \to S^2(\bar{Y}(\cdot)) \succeq 0\)。这意味着基于EHW构造的置信区间在有限样本中可能略微保守,但渐近有效。
  • 定理4-6(扩展):将结果推广到任意权重矩阵(定理4)、总体层面的假设(定理5),并给出了检验假设的保守检验统计量(定理7)。

证明路线与技术技巧

  • 整体路线:论文的证明路线是从代数到统计。首先,在补充材料S3中,建立了一个纯粹的代数框架(引理S1-S5),研究带约束的加权最小二乘估计量的性质,这些性质不依赖于任何统计模型。然后,在正文中,将这个代数框架应用到design-based的因果推断设定中,通过验证秩条件和权重矩阵的估计一致性,得到统计结论。
  • 关键跳跃点:最吃功夫的地方在于引理S9,它证明了约束最小二乘估计量的方差在所有线性无偏估计量中是最小的。这个引理的证明需要巧妙地利用约束矩阵 \(C\) 的结构,将估计量的方差分解为"设计部分"和"模型部分",并证明在约束条件下,设计部分的方差被最小化。这个跳跃点在于将统计问题(BLUE)转化为一个纯粹的线性代数问题(矩阵不等式)。
  • 技术技巧点名:
  • 约束最小二乘:核心工具,用于将识别假设编码进估计过程。
  • Gauss-Markov定理的推广:从标量结果推广到向量结果,并允许异方差和相关性。
  • EHW方差估计:用于构造对模型误设稳健的方差估计量。
  • 有限总体中心极限定理:来自Li & Ding (2017),用于建立渐近正态性。
  • 矩阵分块求逆与Schur补:在引理S10中用于处理带约束的估计量方差。

真实例子与应用

论文在第7节中,将所提出的方法应用于一个三时期交叉设计的数据,该数据来自 Jones & Kenward (1987) 的一项关于镇痛药对痛经疗效的临床试验。原始数据包含三种处理序列:\(AAB\)、\(ABA\) 和 \(BAA\),其中 \(A\) 为活性药物,\(B\) 为安慰剂,结果变量是疼痛缓解的二元指标。

  • 如何应用:研究者首先根据科学知识,假设不存在二阶carryover效应(即时期1的处理不影响时期3的结果),但允许一阶carryover效应存在。这个假设被转化为约束矩阵 \(C\)。然后,利用论文提出的restricted weighted least squares方法,估计出三个时期的瞬时效应 \(\tau_1, \tau_2, \tau_3\) 以及一阶carryover效应。
  • 得到什么结果:论文报告了在两种场景下的估计结果:
    • 场景(b1):假设无carryover效应(\(k=1\)),此时所有瞬时效应均可识别。估计出的 \(\tau_1 = 0.552\)(95% CI: 0.368, 0.737),\(\tau_2 = 0.509\)(95% CI: 0.320, 0.772),\(\tau_3 = 0.582\)(95% CI: 0.368, 0.737)。这些结果表明镇痛药在所有三个时期均显著有效。
    • 场景(c1):假设存在一阶carryover效应,但效应随时间不变。此时,由于设计限制,部分效应(如 \(\tau_2(A)\) 和 \(\tau_2(B)\))变得不可识别,但 \(\tau_1\) 和 \(\tau_3\) 仍可识别。估计结果与场景(b1)类似,但置信区间更宽。
  • 这个例子想说明什么:这个例子旨在说明论文方法的实用性和灵活性。它展示了如何将科学假设(如无carryover)转化为统计约束,并利用统一的回归框架进行估计。同时,它也揭示了识别问题的实际后果:在更复杂的设计中,某些因果效应可能无法被无偏估计,研究者需要依赖更强的假设或更丰富的设计。论文通过这个例子,对比了不同假设下的估计结果,强调了识别假设的选择对结论的影响。

🔎 结论是否比证明窄

论文的定理1在假设1-3的个体层面版本下,严格证明了BLUE性质。然而,在第5.4节的定理5中,作者将假设放宽到总体层面,并指出此时估计量不再具有BLUE性质,但EHW方差估计量仍然是保守的。这是一个重要的结论收窄:论文的核心最优性结论(BLUE)依赖于较强的个体层面假设,而在更现实的总体层面假设下,只能保证估计量的无偏性和推断的保守性,无法保证最优性。此外,论文在第6节中讨论的扩展(如任意权重矩阵)也明确指出,这些扩展不保留BLUE性质。因此,论文的严格证明范围(BLUE)比其泛化的应用声明("统一框架")要窄。作者在正文中对此有清晰的表述,但读者需要注意,"统一"指的是估计和推断程序的统一,而非最优性结论的统一。


四、开放问题

  1. 更弱识别条件下的最优估计:论文的BLUE结论依赖于秩条件(\(X^\top X + C^\top C\) 满秩)。当秩条件不满足时,部分效应不可识别。要证明什么:在部分识别(partial identification)的设定下,如何构造最优的(如最小最大意义下的)估计量或置信区间?这需要将部分识别理论(如Imbens & Manski, 2004)与design-based框架结合。扎根于:论文第5.3节对秩条件的讨论以及补充材料S1.1中的弱条件。
  2. 协变量调整与条件随机化:论文的框架目前未考虑协变量。在实际交叉设计中,常采用分层随机化或协变量自适应随机化。要证明什么:如何将协变量纳入回归模型,并证明调整后的估计量仍然具有design-based的最优性或至少是保守推断?这需要扩展引理S9的代数框架以包含协变量。扎根于:论文第8节(讨论)中提到的"covariate adjustment"作为未来工作。
  3. 非参数结果与一般损失函数:论文的估计量是基于最小二乘的,适用于连续或二元结果。对于计数、生存等非高斯结果,如何定义和估计因果效应?要证明什么:能否将论文的约束最小二乘框架推广到广义线性模型或更一般的M-估计,并保持design-based的稳健性?这需要发展针对向量结果的广义Gauss-Markov定理。扎根于:论文第1节(引言)中提到的"nonlinear models"作为未来方向。
  4. 干扰与网络效应:论文假设单元间无干扰。在数字平台实验中,用户间可能存在干扰。要证明什么:在存在干扰的交叉设计中,如何定义和识别carryover效应?这需要将网络干扰模型(如SUTVA的放宽)引入design-based框架。扎根于:论文第8节(讨论)中提到的"interference"作为未来工作。
  5. 最优设计选择:论文关注给定设计后的估计与推断。要计算什么:在给定预算(总样本量 \(N\))和假设(如carryover阶数)下,如何选择最优的序列集合 \(\mathcal{S}_{\text{obs}}\) 和样本分配 \(\{N_{\vec{z}}\}\) 以最小化目标效应估计量的方差?这需要将论文的方差公式(定理1c)作为目标函数进行优化。扎根于:论文第1节(引言)中提到的"optimal design"作为未来方向。

提醒:要确认上述问题是否是真gap,建议去读交叉设计(如Senn, 2002)、design-based推断(如Zhao & Ding, 2022a,b)以及部分识别(如Imbens & Manski, 2004)这三个子领域近期的约5篇论文的引言。如果多个独立工作都指向同一个未解决问题,那它大概率是共识性的真gap;如果不同工作给出的答案互相矛盾,那可能是一个更值得深挖的机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论