Quantile regression with measurement errors¶
作者: Mushan Li, Yanyuan Ma, Liqun Wang
来源: Electronic Journal of Statistics
主题: 非参数 / 半参数
相关性: 6/10
机构绿灯: Pennsylvania State University(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¶
本文所处的子方向是含测量误差的分位数回归(quantile regression with measurement error, QR-ME)。其根本的统计问题是:当协变量 \(X\) 无法被精确观测、只能观测到带噪声的替代变量 \(W = X + U\) 时,如何一致地估计条件分位数函数 \(Q_{Y|X,Z}(\tau)\) 中的参数 \(\beta\)。与均值回归中的测量误差问题(已"well studied and to a large extend fully solved",见引言)相比,分位数回归的测量误差问题在理论上要困难得多,核心原因在于分位数函数的非线性与非光滑性——期望算子可以与测量误差"交换顺序"(即 \(E[g(X+U)]\) 可通过对 \(U\) 积分处理),但分位数算子不具备这一性质,导致"用 \(W\) 替换 \(X\)"会引入无法通过简单矩校正消除的偏差。该方向当前成熟度较低:已有工作几乎全部局限于线性分位数回归模型,且往往需要同时假设所有分位数水平满足线性关系(如 Wei and Carroll 2009),或依赖工具变量等额外结构。
发展脉络¶
- 奠基工作:线性 QR-ME 的早期尝试。He and Liang (2000) 在线性测量误差模型下提出正交距离分位数回归,但其方法依赖测量误差与模型误差具有联合球对称分布的强假设,这隐含要求两者同分布,限制了适用性。
- 去卷积路线:Wei and Carroll (2009)。这是本文最重要的直接对手。Wei-Carroll 方法通过去卷积(deconvolution)恢复 \(X\) 的条件分布,进而构造估计方程。其关键局限有二:(i) 仅适用于线性分位数回归;(ii) 要求所有分位数水平 \(\tau \in (0,1)\) 同时满足线性模型假设——这是一个极强的全局假设,实际数据中往往只有少数几个分位数水平是研究者真正关心的。本文引言明确将其定位为"requires all conditional quantiles to satisfy the linear relation, even though only regression at a single quantile is of interest"。
- 去卷积路线的延续:Firpo et al. (2017)。同样使用去卷积程序恢复条件密度,但计算负担重,且仍局限于线性设定。
- 校正损失路线:Wang et al. (2012)。提出 corrected-loss estimation (CLE),仅需关注单一分位数水平,但限制在单变量测量误差协变量情形,无法推广到多维 \(X\)。
- 工具变量路线:Guan and Wang (2017), Yang and Yang (2020)。引入工具变量处理线性 QR-ME,但工具变量的可得性在实际应用中常常是奢求。
- 均值回归 ME 的成熟框架:作为对照,Carroll et al. (2006)、Tsiatis and Ma (2004)、Ma and Tsiatis (2006)、Garcia and Ma (2017)、Li and Ma (2024a,b) 等已将均值回归中的测量误差问题在参数、半参数、非参数框架下系统解决,这构成了本文声称"分位数情形 far more bleak"的参照系。
子线索聚类¶
- 去卷积/分布恢复线索:Wei and Carroll (2009), Firpo et al. (2017)。核心思路是先从 \(W\) 的分布中"反解"出 \(X\) 的分布,再基于恢复的分布做分位数回归。代价是:(i) 需要估计 \(X\) 的完整分布(慢收敛,Carroll and Hall 1988 已证明去卷积的最优收敛速度远慢于参数率);(ii) 线性模型假设难以放松。
- 校正估计方程线索:Wang et al. (2012) 的 CLE,以及本文的方法。核心思路是直接构造关于 \(\beta\) 的无偏(或渐近无偏)估计方程,绕过分布恢复。本文的方法属于此线索,但通过复域延拓和核光滑将适用范围从线性、单变量推广到一般非线性、多变量。
- 工具变量线索:Guan and Wang (2017), Yang and Yang (2020)。利用 IV 识别,但需要额外假设工具变量的存在性与有效性。
- 半参数效率线索:Tsiatis and Ma (2004), Ma and Tsiatis (2006), Garcia and Ma (2017)。这些工作处理的是均值回归(或更一般的矩限制模型)中的测量误差,强调半参数效率。本文的方法在精神上与此线索相通(构造无偏估计方程),但处理的是分位数这一非光滑目标。
这个方向在追问的核心问题¶
- 一致性:在测量误差存在下,如何构造 \(\beta\) 的一致估计?这是最基本的问题,线性情形已解决,非线性情形在本文之前是空白。
- 单一分位数水平的估计:能否只对研究者关心的一个 \(\tau\) 做估计,而不必假设所有分位数都满足同一模型?Wei-Carroll 的全局假设在实践中过于苛刻。
- 多维测量误差协变量:CLE 只能处理 \(X\) 为一维的情形,多维情形如何推广?
- 效率与收敛速度:估计量的渐近方差是什么?能否达到半参数效率界?本文只证明了 \(\sqrt{n}\) 一致性和渐近正态性,但未讨论效率。
- 测量误差方差 \(\Sigma\) 未知:本文假设 \(\Sigma\) 已知或可估,但未深入讨论 \(\Sigma\) 估计误差对 \(\beta\) 推断的影响。
⚠️ 作者的 framing¶
作者将缺口 frame 成:"这是第一个在一般(可能非线性)分位数回归模型下、允许多维测量误差协变量、且不需要同时约束多个分位数水平的 \(\sqrt{n}\) 一致估计量"。引言中明确声称 "This is the first consistent estimator in a general quantile regression problem with normal measurement errors"。这一 framing 的竞争路线被他淡化的包括:(i) 去卷积方法虽然计算重,但在非正态测量误差下可能更通用,本文的方法本质上依赖正态性(矩生成函数的复域延拓性质对正态分布特殊成立);(ii) 工具变量方法虽然需要额外假设,但在测量误差非正态时可能是唯一出路。作者在讨论部分承认了正态性限制,但未深入探讨非正态情形的替代方案。
张力¶
未见明显对立引用。不过有一个值得注意的张力:Wei and Carroll (2009) 的去卷积方法虽然假设强,但不要求测量误差正态;本文的方法虽然放松了线性假设,却要求测量误差严格正态。这两条路线在"哪些假设可以放松"上给出了互补而非一致的答案——这本身就是一个值得研究者去查的信号:是否存在一个统一框架能同时放松线性和正态性假设?
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¶
在展开任何技术细节之前,先把记号一次性立清楚:
| 记号 | 含义 | 类型 |
|---|---|---|
| \(Y\) | 响应变量 | 可观测随机变量 |
| \(X \in \mathbb{R}^d\) | 含测量误差的协变量(潜在变量) | 不可观测(潜在变量) |
| \(Z\) | 无测量误差的协变量 | 可观测随机变量 |
| \(W = X + \Sigma^{1/2}U\) | \(X\) 的替代变量(surrogate) | 可观测随机变量 |
| \(U \sim N(0, I)\) | 测量误差,\(U \perp\!\!\!\perp (X, Z, \epsilon)\) | 不可观测随机变量 |
| \(\Sigma\) | 测量误差协方差矩阵(已知或可估) | 参数(已知/可估) |
| \(\beta\) | 待估参数向量 | 参数(estimand) |
| \(\tau \in (0,1)\) | 预设的分位数水平 | 常数(用户指定) |
| \(m(X, Z, \beta)\) | \(\tau\) 条件分位数函数 $Q_{Y | X,Z}(\tau)$ |
| \(\epsilon = Y - m(X, Z, \beta)\) | 模型误差,$Q_{\epsilon | X,Z}(\tau) = 0$ |
| \(\rho_\tau(t) = t\{\tau - I(t<0)\}\) | check function | 已知函数 |
| \(g_\tau(t) = \tau - I(t<0)\) | check function 的"导数"(不计 Dirac 项) | 已知函数 |
| \(k(\cdot)\), \(K(\cdot)\) | 核函数及其 CDF | 用户选择 |
| \(h\) | 带宽 | 用户选择(趋于 0) |
| \(V \sim N(0, I)\) | "抵消变量"(cancel variate),与所有变量独立 | 辅助随机变量(仅用于构造估计方程) |
| \(\psi(t) = \tau - 1 + K(t/h) + t k_h(t)\) | 光滑化的 \(g_\tau\) | 已知函数 |
模型(式 1):
测量误差模型(经典假设):
可观测数据:\(\{(W_i, Z_i, Y_i)\}_{i=1}^n\),i.i.d. 样本。
关键困难:如果 \(X\) 可观测,标准分位数回归估计量 \(\hat\beta\) 解 \(\sum_i g_\tau\{Y_i - m(X_i, Z_i, \beta)\} m'_\beta(X_i, Z_i, \beta) = 0\)。但 \(X\) 不可观测,不能简单用 \(W\) 替换 \(X\),因为 \(E[g_\tau\{Y - m(W, Z, \beta)\} m'_\beta(W, Z, \beta)] \neq 0\)(测量误差导致"衰减偏差"attenuation bias)。均值回归中可用 \(E[W|X] = X\) 的线性性做校正,但分位数函数的非线性使得这种校正失效。
第二步:最小内核¶
核心思想(一句话):在 \(W\) 中加入一个独立的复值随机变量 \(\sqrt{-1}\,\Sigma^{1/2}V\)(\(V \sim N(0,I)\)),使得 \(W + \sqrt{-1}\,\Sigma^{1/2}V = X + \Sigma^{1/2}(U + \sqrt{-1}V)\) 中的 \(U + \sqrt{-1}V\) 的矩生成函数恒等于 1,从而在期望意义下"抵消"测量误差。
为什么成立:对任意解析函数 \(g(\cdot)\),有
最小例子(\(d=1\),线性分位数回归):设 \(m(X, Z, \beta) = \beta_0 + \beta_1 X\),\(\tau = 0.5\)(中位数回归),\(X \sim \text{Unif}(0,1)\),\(U \sim N(0, \sigma^2)\),\(\epsilon\) 的 \(\tau\) 分位数为 0。若直接用 \(W\) 替换 \(X\) 做中位数回归,估计量 \(\tilde\beta_1\) 满足 \(E[\text{sign}(Y - \tilde\beta_0 - \tilde\beta_1 W) W] = 0\)。由于 \(W\) 比 \(X\) 的变异性更大(方差从 \(\text{Var}(X)\) 膨胀到 \(\text{Var}(X) + \sigma^2\)),\(\tilde\beta_1\) 会向 0 衰减(attenuation)。本文的方法则构造
为什么需要复域:如果只用实数 \(V\),则 \(E[e^{t^T\Sigma^{1/2}(U + V)}] = e^{t^T\Sigma t} \neq 1\),无法抵消。复数的关键作用是 \(E[e^{\sqrt{-1}\, t^T \Sigma^{1/2} V}] = e^{-\frac{1}{2}t^T\Sigma t}\),恰好与 \(U\) 的矩生成函数 \(e^{\frac{1}{2}t^T\Sigma t}\) 互为倒数。正态性假设在此处是本质的——只有正态分布的矩生成函数具有这种"平方指数"形式,才能被复正态的矩生成函数精确抵消。
为什么需要核光滑:\(g_\tau(t) = \tau - I(t<0)\) 在 \(t=0\) 处不连续,不是解析函数,无法直接应用恒等式。\(\psi(t) = \tau - 1 + K(t/h) + t k_h(t)\) 是 \(g_\tau\) 的核光滑逼近(当 \(h \to 0\) 时 \(\psi \to g_\tau\)),且 \(\psi\) 是解析的(因为核 \(k\) 解析)。于是先用 \(\psi\) 代替 \(g_\tau\) 应用恒等式,再让 \(h \to 0\) 控制光滑化偏差。
一般情形的"加壳":上述最小内核(复域抵消 + 核光滑)在一般非线性 \(m(X,Z,\beta)\) 下不变,只需额外假设 \(m\) 及其对 \(\beta\) 的导数在复域上解析(条件 (C5) 附近),以及一些标准的正则条件(紧参数空间、非奇异信息矩阵等)。多维 \(X\) 只是把 \(\Sigma^{1/2}V\) 从标量换成向量,恒等式逐分量成立。\(\Sigma\) 未知时用复制样本估计 \(\hat\Sigma\),其收敛速度(\(\sqrt{n}\))快于 \(\beta\) 的估计,故不影响渐近分布(Theorem 2.2 的 \(B_2\) 项刻画了这一额外变异性)。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在协变量含正态测量误差的一般(可能非线性)分位数回归模型 \(Y = m(X, Z, \beta) + \epsilon\) 中,构造 \(\beta\) 的 \(\sqrt{n}\) 一致且渐近正态的估计量,且不要求同时假设多个分位数水平满足同一模型。
- 核心工具/方法:将 Stefanski (1989) 的复域"抵消变量"(cancel variate)技巧从均值回归推广到分位数回归,结合核光滑处理 check function 的非光滑性,构造无偏估计方程;\(\Sigma\) 未知时用复制样本估计。
- 主要结论:在温和的正则条件下(解析性、紧参数空间、非奇异矩阵等),估计量 \(\hat\beta\) 满足 \(\hat\beta \to \beta\) 依概率,且 \(\sqrt{n}(\hat\beta - \beta) \Rightarrow N(0, A^{-1}(B_1 + B_2)A^{-T})\),其中 \(A\) 是得分函数的雅可比期望,\(B_1\) 是测量误差抵消后的得分方差,\(B_2\) 是 \(\Sigma\) 估计带来的额外方差。模拟和真实数据验证了方法的有限样本表现。
关键设定与假设¶
- 模型(式 1):\(Y = m(X, Z, \beta) + \epsilon\),其中 \(m\) 是 \(\tau\) 条件分位数函数,\(Q_{\epsilon|X,Z}(\tau) = 0\)。注意这里 \(\epsilon\) 的 \(\tau\) 分位数为 0 是归一化条件,不要求 \(\epsilon\) 与 \(X\) 独立(允许异方差)。
- 测量误差模型:\(W = X + \Sigma^{1/2}U\),\(U \sim N(0,I)\),\(U \perp\!\!\!\perp (X, Z, \epsilon)\)。正态性假设是本质的(见第二节),这是本文相对去卷积方法的一个代价——去卷积方法允许更一般的测量误差分布。
- 解析性假设(关键):\(m(X, Z, \beta)\) 及其对 \(\beta\) 的导数作为 \(X\) 的函数可解析延拓到整个复域。这排除了分段线性、含指示函数等非解析的分位数函数形式。对多项式、指数、三角函数等解析函数成立。
- 核函数:\(k(\cdot)\) 对称、解析(如高斯核),\(K\) 为其 CDF。解析性保证 \(\psi\) 可应用复域恒等式。
- 带宽条件:\(h \to 0\),\(nh \to \infty\),\(nh^4 \to 0\)(条件 C6)。这是标准的光滑化估计量带宽条件:\(h\) 足够小以控制偏倚(\(O(h^2)\)),\(nh\) 足够大以控制方差(\(O((nh)^{-1})\))。
- \(\Sigma\) 的处理:已知(Theorem 2.1)或通过复制样本估计(Theorem 2.2)。复制样本假设每个个体有 \(m \geq 2\) 次重复测量,\(\hat\Sigma\) 的 \(\sqrt{n}\) 收敛速度足够快,不改变 \(\beta\) 估计的渐近分布,但方差公式中多出 \(B_2\) 项。
主要结果¶
Theorem 2.1(\(\Sigma\) 已知):在条件 C1–C6 下,\(\hat\beta_s\) 是 \(\beta\) 的一致估计,且 \(\sqrt{n}(\hat\beta_s - \beta) \Rightarrow N(0, A^{-1}B_1A^{-T})\)。
- \(A = E[f_{\epsilon|X,Z}(0, X, Z) m'_\beta(X, Z, \beta)^{\otimes 2}]\):这是分位数回归的"信息矩阵"类比,\(f_{\epsilon|X,Z}(0,\cdot)\) 是误差密度在 0 处的值。非奇异假设(C3)保证 \(A\) 可逆。
- \(B_1 = E[\{E(\tau - 1 + I[Y - m(W + \sqrt{-1}\Sigma^{1/2}V, Z, \beta) \geq 0] m'_\beta(W + \sqrt{-1}\Sigma^{1/2}V, Z, \beta) | W, Z, Y)\}^{\otimes 2}]\):这是抵消后的得分方差。注意内层期望是对 \(V\) 取的,反映了复域抵消引入的额外随机性。
Theorem 2.2(\(\Sigma\) 未知):用复制样本估计 \(\hat\Sigma\) 后,\(\hat\beta\) 仍一致且 \(\sqrt{n}(\hat\beta - \beta) \Rightarrow N(0, A^{-1}(B_1 + B_2)A^{-T})\),其中 \(B_2\) 由式 (6) 给出,刻画了 \(\hat\Sigma\) 的估计误差通过得分函数对 \(\beta\) 的影响。
证明路线(附录 A、B):
- 一致性:将估计方程视为 \(M\)-估计量,验证 (i) 期望方程在真值处成立(由复域恒等式 (3) + 核光滑逼近 (4));(ii) 参数空间紧、目标函数连续(C2);(iii) 唯一性(C1)。然后套用 Newey and McFadden (1994) 的 Theorem 2.1。
- 渐近正态性:对估计方程做 Taylor 展开,主项是 \(\sum_i S_i(\beta)/\sqrt{n}\),由 CLT 收敛到 \(N(0, B_1)\);导数的期望收敛到 \(-A\)(由式 (8) 的展开)。关键的技术细节是处理 \(\psi\) 的核光滑偏差:式 (4) 显示 \(E[S] = O(h^2)\),配合 \(nh^4 \to 0\) 保证偏差项可忽略。
- \(\Sigma\) 未知时的额外项:将 \(S(Y, \bar W, Z, \beta, \hat\Sigma)\) 在 \(\Sigma\) 处做 Taylor 展开,得到 \(\sqrt{n}(\hat\beta - \beta) \approx A^{-1}\{n^{-1/2}\sum_i S_i(\beta, \Sigma) + E[\partial S/\partial \Sigma] \cdot \sqrt{n}(\hat\Sigma - \Sigma)\}\)。由于 \(\hat\Sigma\) 与 \(S_i\) 独立(复制样本与主样本独立),协方差项消失,方差为 \(B_1 + B_2\)。
技术技巧点名:
- 复域延拓 + 矩生成函数恒等式(Stefanski 1989):核心技巧,用于抵消测量误差。用到的关键性质是 \(E[e^{\sqrt{-1} t^T \Sigma^{1/2} V}] = e^{-t^T\Sigma t/2}\),与 \(U\) 的 MGF \(e^{t^T\Sigma t/2}\) 相乘得 1。
- 核光滑化:用 \(\psi = g_\tau * k_h\) 逼近不连续的 \(g_\tau\),使复域恒等式可用,同时通过带宽选择控制逼近误差。
- \(M\)-估计量框架(Newey and McFadden 1994):一致性 + 渐近正态性的标准证明路径。
- Delta method / Taylor 展开:处理 \(\hat\Sigma\) 的估计误差。
- Gauss–Hermite 求积:数值实现中近似关于 \(V\) 的期望。
- SIMEX 型带宽选择(附录 C):通过人为放大测量误差再外推回零误差水平来选择带宽,借鉴了 simulation-extrapolation (Stefanski and Cook 1995) 的思想。
真实例子与应用¶
日本樱花开花时间数据(Kaggle, 2024):响应变量 \(Y\) 为从记录日期到开花(Kaika)的等待天数,协变量包括日平均气温(\(X_1\),含测量误差)和樱花花蕾生长速率(\(X_2\),含测量误差),以及三个精确测量的协变量(降水量 \(Z_1\)、纬度 \(Z_2\)、经度 \(Z_3\))。分析采用非线性分位数回归模型(式 7),在 \(\tau = 0.5\) 处估计。测量误差方差 \(\Sigma\) 通过插值法估计为 \(\text{diag}(3.88, 1.85)\)。结果(表 7、图 1)显示:提出的方法估计的 \(\beta_1\)(气温效应)约为 -0.63,而朴素方法估计为 -0.22,表明朴素方法严重低估了气温对开花时间的负向效应(衰减偏差);\(\beta_2\)(花蕾生长速率效应)约为 -3.18,同样被朴素方法低估。\(\beta_3, \beta_4\) 的估计在三种方法间差异较小,而 \(\beta_5\)(经度)不显著。这个例子说明测量误差校正对推断结论有实质性影响。
模拟研究(5 个场景):覆盖线性/非线性模型、独立/相依误差、单变量/多变量测量误差。核心发现:(1) 提出的方法在所有场景下偏差远小于朴素方法;(2) 与 Wei-Carroll 方法相比,在线性模型下两者表现接近,但在非线性模型下 Wei-Carroll 方法不再适用;(3) 经验标准差与渐近公式吻合良好,覆盖概率接近名义水平;(4) 计算效率高于去卷积方法。
🔎 结论是否比证明窄¶
- 明确声称"first consistent estimator in general QR-ME":证明仅覆盖正态测量误差情形(解析延拓 + MGF 恒等式本质依赖正态性)。对非正态测量误差,方法是否仍一致未证明。讨论部分承认了这一点,但引言中的"first"表述未加"正态"限定词。
- Theorem 2.1 的证明假设 \(\Sigma\) 已知:实际中 \(\Sigma\) 几乎总是未知的。Theorem 2.2 处理了未知情形,但要求复制样本结构(每个个体 \(m \geq 2\) 次重复测量)。如果没有复制样本,\(\Sigma\) 不可识别,方法无法使用。这一限制在引言中未充分强调。
- 解析性假设:\(m\) 必须解析延拓到复域。对分段线性分位数回归(如 B-spline 分位数回归)不成立。论文未讨论这一假设的可验证性或违反时的后果。
- 效率:论文证明了 \(\sqrt{n}\) 一致性和渐近正态性,但未讨论半参数效率。估计量的渐近方差是否达到半参数效率界?考虑到分位数回归的误差密度 \(f_{\epsilon|X,Z}(0,\cdot)\) 通常未知,可能存在更高效的估计量。论文未与任何效率界比较。
- 带宽选择:附录 C 的 SIMEX 带宽选择是启发式的,论文未证明所选带宽满足 Theorem 2.1 的条件(\(nh^4 \to 0\), \(nh \to \infty\)),也未讨论带宽对有限样本表现的影响。
论文的定位与贡献¶
- 理论贡献:首次将 Stefanski (1989) 的复域抵消技巧从均值回归推广到分位数回归,解决了分位数函数的非光滑性带来的根本困难。这是一个"技巧迁移"型贡献,而非全新理论框架。
- 填补的空白:非线性 QR-ME 的一致估计。此前的工作(Wei-Carroll, CLE)都局限于线性模型。
- 未填补的空白:非正态测量误差、半参数效率、非解析分位数函数、无复制样本时的 \(\Sigma\) 估计。
四、开放问题¶
以下问题均扎根于论文的具体语句,供研究者自行判断价值与可行性:
-
非正态测量误差(扎根于讨论部分对正态性限制的承认)。本文方法本质依赖正态 MGF 的复域性质。对 Laplace、\(t\) 分布等非正态测量误差,是否存在类似的无偏估计方程构造?去卷积方法(Wei-Carroll)虽不要求正态,但收敛速度慢且限于线性模型。是否存在统一框架同时处理非线性和非正态?——这是一个可能值得做的方向,但难度较高。
-
半参数效率(扎根于 Theorem 2.1 只给出渐近正态性、未讨论效率)。本文估计量的渐近方差是否达到半参数效率界?误差密度 \(f_{\epsilon|X,Z}(0,\cdot)\) 未知时,是否存在自适应估计量?——研究者若熟悉 semiparametric efficiency theory,可尝试推导效率界并与本文估计量比较。
-
\(\Sigma\) 的识别与估计(扎根于 Theorem 2.2 需要复制样本)。没有复制样本时,\(\Sigma\) 是否可识别?能否用辅助变量或矩条件估计 \(\Sigma\)?——这与因果推断中的 measurement error 问题直接相关。
-
非解析分位数函数(扎根于解析延拓假设)。分段线性、B-spline 等非解析 \(m\) 如何处理?能否用局部多项式逼近 + 复域技巧的组合?——研究者若熟悉非参数方法,可考虑将本文技巧与局部多项式回归结合。
-
高维推广(论文未涉及,但研究者关注高维统计)。当 \(X\) 的维数 \(d\) 随 \(n\) 增长时,本文方法是否仍然有效?解析延拓 + 复域技巧在高维下是否遇到维数灾难?——研究者若熟悉高维统计,可考虑 \(\ell_1\) 正则化版本的估计方程。
-
推断方法(扎根于 Theorem 2.1 只给出点估计的渐近分布)。如何构造置信区间?Bootstrap 是否有效(论文模拟中用了 Bootstrap,但未证明其有效性)?能否用经验过程理论证明 Bootstrap 的一致性?——研究者若熟悉 empirical process 理论,这是一个相对可行的方向。
提示:要确认上述某条是否是真 gap,建议去读同一子领域近期约 5 篇论文(如 2020 年后的 QR-ME 相关文献)的引言——如果多篇都指向同一个未解决问题,那很可能是共识性 gap;如果各篇说法不一,则可能是机会所在。
Maintained by 陈星宇 · Homepage · Source on GitHub